🤖 Waymo раскрыла десять AI-уроков после 200+ млн беспилотных миль
В блоге опубликован материал «10 AI Lessons from Driving 200+ Million Fully Autonomous Miles» (10 августа 2026). Компания заявляет, что спор «только камеры против мультимодальности» решён: безопасная автономность в масштабе требует связки lidar (3D-геометрия с точностью до миллиметров), камер (знаки, цвета светофоров) и радара (скорости, видимость в дожде и тумане), а HD-карты служат «априорным знанием», с которым беспилотное такси можно запускать в новом районе с первой поездки. Вместо «модульных спагетти» из десятков узких моделей Waymo переходит к меньшему числу крупных foundation-моделей по тем же scaling laws, что и в LLM, но отвергает чистый end-to-end «чёрный ящик»: поверх предлагаемых траекторий работает независимый бортовой валидатор, проверяющий каждый план против физических ограничений и ПДД. VLM, дообученные на Gemini, отвечают за медленное семантическое рассуждение — например, жесты регулировщика на месте ДТП, — а AI-Критик еженедельно разбирает миллионы дорожных и десятки миллиардов симуляционных миль, включая closed-loop-симуляции редких событий вроде перестроения через три полосы.
🌍 Заявление лидера роботакси фиксирует отраслевой консенсус: мультимодальные сенсоры, HD-карты и независимый валидатор поверх end-to-end-моделей объявлены обязательными для L4-автономности в масштабе. Это станет аргументом против камеро-центричных подходов при проектировании AV-стеков и оценке стартапов. Оговорка важна: это вывод эксплуатации, а не контролируемый эксперимент — сравнительных испытаний с camera-only базой Waymo не публиковала.
👤 Это редкий шанс увидеть проверенный на 200+ млн миль список принципов обучения автономного ИИ — от scaling laws и closed-loop-симуляции до VLM-рассуждений на Gemini. Полезно всем, кто хочет понять, как современные ML-системы выходят из лаборатории на реальные дороги — и какая цена платится за приватность, когда сенсоры массово записывают окружение.
Источник 1: https://waymo.com/blog/2026/08/10ailessons/