十多年來，自駕車像是每年都說要兌現、卻又一再延後的承諾。即便算力到位、感測器也日趨成熟，自駕車產業真正面臨的瓶頸是在「臨場反應」：下雨、施工、繞道、臨時改線，甚至一條沒走過的小巷，系統就可能亂了手腳。業界於是把力氣放在更精確的地圖與更縝密的規則上，但即便你沒上過路、也看過行車記錄器，馬路上的各種荒唐與亂數或許不是系統能模擬得出。
這也解釋了為什麼輝達（NVIDIA）將投資五億美元於Wayve上。成立於2017年的英國新創Wayve，開創了一條不太一樣的自駕訓練系統。一反過往只是不斷的把規則堆高，他們試圖把方向拉回讓AI「學會看懂世界」。學界把這條路叫做「具身AI」（Embodied AI）——AI要在實際環境裡一邊感知、一邊學習行動；這也正是輝達鋪陳已久的「實體AI」（Physical AI）之路。名詞不同，策略相近，都是要把AI從雲端拉到地面，面對變化、承擔結果。
黃仁勳笑稱為自駕車帶來了一顆新的大腦。（來源：Wayve）
今年，Wayve把這個方向更往前推：宣布下一代Gen 3平台搭載NVIDIA DRIVE AGX Thor。簡單說，就是把車內的運算、模型推論與安全監控，收斂到一顆為車用設計、能跑大型模型的電腦上，目標是把「可脫手監管的Level 3」到「更高自動化的Level 4」做成能量產、能更新的產品線。
Wayve的「端到端基礎模型」是什麼？
傳統的自駕系統大多採用模組化設計。車輛先用感測器辨識路上的人與車，再把自己定位到高精度地圖，最後交由決策模組規劃動作。這種做法結構清楚、方便監管，但同時非常龐大，也容易受限。一旦地圖沒更新，或其中一個模組出現誤差，系統就可能陷入混亂。
Wayve則嘗試走另一條路。他們採用「端到端基礎模型」，讓同一個AI直接學會從「看到」到「行動」的完整過程，而不是拆成好幾個環節。這種設計比較像是有經驗的駕駛，不需要背下所有規則或每一條路的細節，只要看懂眼前的情況，就能立刻反應。
也因為這種方法，Wayve的系統自然具備「去地圖化」（mapless）的特性。它不依賴龐大的高精地圖，而是靠自身累積的「路感」在陌生環境中做判斷。
為了驗證這點，Wayve在「AI-500 Roadshow」中，把同一份模型帶到全世界九十座城市，沒有重新訓練，也不靠地圖微調，直接上路測試。結果顯示，這套系統確實能展現跨地域的泛化能力，對Wayve來說，這正是「具身AI」的具體體現，也是他們口中能真正上路的通用駕駛智慧。
已在日本測試的Wayve自駕系統。（來源：Wayve）
GAIA-2世界模型：撐過現實的長尾挑戰
正如前面所提到，自駕車的瓶頸，往往不是日常路況，而是那些一年可能只遇上幾次的罕見場景。這些情境危險卻極少發生，光靠真實道路測試幾乎不可能湊齊，但若系統沒有經歷過，就很難保證安全。
多數自駕公司都有模擬平台。像是Waymo、Cruise會用數位孿生把城市重建起來，再用回放數據反覆驗證系統。特斯拉則依賴龐大的車隊資料，模擬環境多半是把既有片段改造成不同天候或光線，用來補強模型。但這些方式大多是「重播舊片」，這種方式很難創造出大量的全新、未曾見過的突發事件和危險場景，這使得模型訓練的覆蓋範圍仍存在巨大缺口。
Wayve則打造了「GAIA-2」世界模型，一個專門為駕駛訓練設計的生成式模擬器。GAIA-2能根據需求生成全新的場景，並保持物理上的一致性。工程師可以安排各種長尾挑戰，從近乎碰撞的急煞，到跨國交通規則的轉換，讓模型在真車上路前就已經歷過這些壓力測試。對Wayve來說，這正是補齊端到端基礎模型「靠經驗學習」所缺口的關鍵。
「GAIA-2」世界模型可說是自駕AI的訓練場。（來源：Wayve）
這筆五億美元的投資，來得並非突然。Wayve早已和輝達保持密切往來，不只是採用DRIVE Thor車用電腦，也依靠DGX Cloud和Omniverse來進行訓練與模擬。
除了輝達外，微軟Azure提供了大規模的雲端算力，讓他們能訓練端到端基礎模型，SoftBank則帶來資金與日本市場的落腳點。應用端上，他們和Uber在倫敦展開測試，Nissan計畫把Wayve AI Driver與ProPILOT系統整合，目標在2027年推出量產車。物流業者Ocado也早早成為測試夥伴，用配送車隊檢驗技術。
這些策略聯盟與合作讓Wayve成為一個把運算、車廠和移動服務平台串起來的節點。對輝達來說，這筆投資更像是一個「物理AI」概念實際落地的成果發表。下一步，這樣的通用駕駛智慧，真能把Robotaxi帶上街頭嗎？或許還有一些挑戰，但相信不遠了。
