产品
Whitelabel Network ✅HAI Engine ✅Matchmaking ⚠️Social ✅Marketplace ⚠️Calendar ⚠️Campaigns ✅Wallet & Token 🔵Super App 🔵Community Credit 🔵
解决方案
中小企业 & 零售社区 & 合作社企业多地点政府 & 非政府组织AI 构建者
公司
关于我们我们是谁我们的历史更新日志Architecture博客
企业
登录创建你的网络 →
首页/博客
AI · Forecasting · Autonomous Driving · Safety · Mechanism

可检查的表示才是安全机制

Waymo 与 Tesla 的对比表明，决定性的轴线不是传感器对摄像头，而是中间表示是否保持足够长时间的可检查性，让独立验证器能依据明确标准检查它。

作者 Everythink Studio team3 分钟阅读

可检查的表示才是安全机制

对《Waymo vs Tesla: Two Ways to Build Self-Driving Cars》(ByteByteGo，日期 2026 年 8 月 17 日) 的 Honest-Architect 解读。

这篇文章是两个自动驾驶技术栈的逐阶段比较。在每一个阶段——感知、表示、预测、规划、验证、训练——同一个问题都会重现：有多少东西被预先写成一种可被审查的形式，又有多少是在行驶过程中由一个内部状态不可触及的模型计算出来的？Waymo 报告截至 2026 年 3 月共 2.206 亿 rider-only 英里，全程驾驶员座位上没有人，覆盖五个都市区，并发表同行评审的方法论，提供可下载的原始数据。Tesla 报告超过三百万辆车每年行驶超过 300 亿英里，2026 年第一季度有 128 万活跃的 Full Self-Driving 订阅，几乎全部由一名仍负责任的驾驶员监督。两者都是真实的。它们测量的不是同一件事。

Honest-Architect 把这读作同一种机制形式的六个实例，而起承载作用的是表示。属性是"车辆安全地行动"；机制是"一个可检查的世界状态，一个独立的验证层可以在执行器动作之前依据明确的标准来检查它"。Everythink 的 HAI Engine 中的 Theorem 3 宣称同样的形式：一个属性恰在其机制被实现并测量时才被保证。安全不是由模型大或传感器多产生的；它是由一个可被检查、记录、回放和验证的表示——以及一个真正去验证它的验证器——产生的。

[UNIQUE INSIGHT] 决定性的轴线不是传感器对摄像头。而是中间表示是否保持足够长时间的可检查性，让第二个独立组件能验证它。一个摄像头栈可以是可检查的；一个激光雷达栈可以是黑箱的。传感器不是机制。表示才是。

范围说明：下面的六种机制形式是 ✅ Production——可从文章及其引用的 Waymo 和 Tesla 文档中提取。与 Everythink 的跨域平行是 ⚠️ Partial——结构性的，并非声称 Everythink 构建自动驾驶车辆。Everythink 的自主或机器人产品是 🔵 Roadmap。

机制 1——可检查的表示是安全机制

文章说 Waymo 保持"compact structured representations, meaning explicit lists of objects, their semantic attributes, and roadgraph elements"，理由有三：正确性和安全验证可以在推理时运行，仿真高效运行因为一个紧凑的世界状态回放和修改成本低，训练反馈变得可验证因为一个 Critic 有具体的东西可量度。Tesla 的栈把每摄像头网络喂给鸟瞰网络，后者从 48 个网络每个时间步产出 1,000 个不同张量，训练耗时近 70,000 GPU 小时。

Honest-Architect 把这读作安全机制的主张：车辆安全地行动，恰在一个可检查的世界状态可供一个独立验证层依据明确标准检查时，而非在一个学习到的张量栈产出一条看似合理的轨迹时。✅ Production——文章点名了机制和属性。

这个权衡是诚实的。一个结构化表示可被检查、记录、回放和验证，但它限制了系统能表达什么。一个学习到的表示带有任何 schema 都无法预见的细微差别，但其内部状态不可触及。关键不是说谁赢。关键是只有可检查的一侧能支撑一个可证伪的安全主张，因为只有它能被自身以外的东西检查。

与 Everythink 基于 trait 的端口的跨域平行只是结构性的。AppState 仓库是 Arc<dyn Trait>——trait 是契约，一个不实现它的适配器装不进端口。Waymo 的紧凑世界状态和 Everythink 的 trait 共享同一形式：一个有类型、可检查的中间物使验证成为可能；一个黑箱的中间物把它变成信任问题。⚠️ Partial。

机制 2——直接测量是距离机制

文章说摄像头在一个像素网格上记录光强，而距离不在这个网格里出现，所以深度必须被计算——而这个计算可能是错的，因为一个远处的大物体和一个近处的小物体可能占据图像的同一区域。激光雷达发射激光脉冲，测量每个脉冲返回所需时间，并把这个区间换算成距离。"The distance is no longer an estimate but a measurement"。

Honest-Architect 把这读作距离机制的主张：距离是已知的，恰在直接测量产出它时，而非在一个推导值估计它时。✅ Production——文章点名了机制(飞行时间)和属性(距离作为测量，而非估计)。

权衡是成本。直接测量花成本，并增加一个可能显著失效的组件。一个推导值可能花不了多少，但可能出错。区别在于直接测量自带其证据——脉冲在这个纳秒数返回——而推导值只带有模型的置信度。当安全主张依赖距离时，直接测量是那个能被审计的。

与 World Monitor 的跨域平行只是结构性的。World Monitor 按 geohash 前缀路由地理信号，客户端读取一个持久的 Postgres 缓存而非上游 feeds；GeoSignal 的 id 是确定性的，所以重新摄入是更新而非复制。一个被测量的、持久的中间物是使输出可审计的东西——与直接测量相同的形式。⚠️ Partial。

机制 3——多个加权未来是预测机制

文章说在同一个时刻有多个未来是有效的——一个接近路口的骑行者可能直行、转弯或停下——而一个安全的回应应当把它们全部考虑在内。Waymo 的系统为每个道路使用者产出许多可能的路径而非一条。2025 年 6 月，Waymo 发表研究，使用一个 50 万小时驾驶的内部数据集，发现运动预测质量在训练算力上遵循幂律，数据扩展是关键，推理时算力在更难的场景上提升性能。Tesla 的 14.3 版本增加了一个强化学习阶段用于长尾边缘案例。

Honest-Architect 把这读作预测机制的主张：系统对不确定情形安全地回应，恰在它携带多个加权未来而非押注于一个时，而非在它预测最可能的那条路径时。✅ Production——文章点名了机制和属性。

一个押注于单一预测未来的系统在预测最要紧的场合变得脆弱。携带多个加权未来每个周期都消耗算力，但能防备异常情形。这不是免费的。算力预算是不在恰好最昂贵时脆弱的代价。

[ORIGINAL DATA] 与 Oracle 集成的跨域平行不止是结构性的——它是同一种机制形式，根植于 the 21 papers。Oracle 把来自有类型 Sisters 的多个输出融合为一个归一化的 Ensemble：概率求和为 1.0，场景按降序排序，熵以 nats 标注。Waymo 的"多个加权未来，每个带一个概率"与 Oracle 的"每个 Sister 产出一个场景，融合使用每个信号，熵是关于融合的诚实"共享同一形式：一组加权结果加一个诚实戳是产出在不确定性下校准回应的机制。Sisters 和 Oracle 是 ✅ Production。与驾驶栈的平行是 ⚠️ Partial。

机制 4——验证层是核查机制

文章说 Waymo 训练大型 Teacher 模型生成动作序列，把它们蒸馏成能在车端实时运行的更小 Student 模型，然后把 Student 的输出通过一个独立的车端验证层——所以两个独立组件必须在车辆动作前一致。对于今天路上的 Tesla 车辆，验证来自一个人：Full Self-Driving (Supervised) 要求一名专注的驾驶员，通过一个三振机制强制，反复的注意力警告会停用该功能，足够多的三振会暂停访问一周。在无人服务中，这个角色由安全监督员或远程监督承担。

Honest-Architect 把这读作核查机制的主张：一条轨迹被核查，恰在一个独立组件在执行前依据明确标准检查它时，而非在产出它的同一个模型也为它担保时。✅ Production——文章点名了机制和属性。

文章对局限是诚实的：一个验证层只能依据定义好的标准评估，标准之外的东西不经检查地通过——与生产代码中的断言相同的权衡，检查只和它背后的条件一样好。一个验证器不保证安全；它保证的是定义好的那类不可接受的输出被拦截。扩大定义的类别才是工作。

与 Everythink 端口边界的跨域平行只是结构性的。用例 crate 依赖仓库 trait，从不依赖 sqlx 或具体的 Pg* 适配器——trait 是契约，一个不匹配的调用被机制排除。验证层和 trait 共享同一形式：验证边界上一个有类型的契约拒绝不匹配的东西，靠机制而非靠判断。⚠️ Partial。

机制 5——已发表的方法论是安全主张机制

文章说 Waymo 的 Safety Impact hub 报告 2.206 亿 rider-only 英里，对照相同运营区域的人类事故率测量，并按服务在每个城市内行驶的位置调整，严重伤害或更糟的事故减少 94%，伤害性事故减少 82%，方法论发表在同行评审期刊，原始数据可下载。Tesla 的 Vehicle Safety Report 把开启了 Full Self-Driving (Supervised) 的 Tesla 与手动驾驶的 Tesla 通过同一遥测管道对比，报告严重和轻微碰撞少 7 倍，高速公路外碰撞少 5 倍，碰撞被算作系统启用如果在前五秒内任意时刻处于激活，且不归责。

Honest-Architect 把这读作安全主张机制的主张：一个安全数字是可证伪的，恰在方法论被发表且原始数据可下载时，而非在一个数字没有可复现方法被报告时。✅ Production——文章点名了机制和属性。

文章明确指出两份报告回答不同的问题。Waymo 测量的是没有人能介入的英里上的结果。Tesla 测量的是一个辅助系统在驾驶员仍负责任时是否减少碰撞。两者都陈述自身局限：Waymo 注明其运营城市没有可观降雪；Tesla 注明其美国平均值包含不可避免的假设。数字不冲突；问题不同。

Waymo 把安全影响(部署后测量)与一个版本是否可部署(事先通过 Safety Framework 和 Safety Case 决定)分开。这又是 Theorem 3：属性(可安全部署)恰在其机制于部署前被实现并测量时被保证，而非在部署后数字大时。

与 Everythink 客户主权的跨域平行只是结构性的。Eye Key 是用户自己的密钥——明文在内存中显示一次，只有 HMAC 和指纹进 Postgres——所以用户验证自己拥有的边界。原始数据和 Eye Key 共享同一形式：主体能审计主张，因为主体持有证据。⚠️ Partial。

机制 6——外循环是改进机制

文章说 Waymo 在同一个 foundation model 上运行三个组件：Driver 产出动作序列，Simulator 生成场景，Critic 评估驾驶质量。两个循环连接它们：一个内循环在仿真内部应用强化学习，一个外循环始于 Critic 标记真实驾驶中的次优行为，把改进的替代方案转化为训练数据，在仿真中验证修正，并仅在 Safety Framework 确认无不当风险时部署。Tesla 的数据来自一个消费者车队——仅 2025 年第三季度就 25 亿遥测包——训练在 Cortex 1 上进行，超过 100,000 个 H100 等效 GPU。

Honest-Architect 把这读作改进机制的主张：一个版本安全地改进，恰在一个外循环标记次优行为、修正它、在仿真中验证修正、并仅在安全框架确认后部署时，而非在更多英里累积进一个更大训练集时。✅ Production——文章点名了机制和属性。

Waymo 说其完全自主英里数现在远超其手动驾驶数据，且没有任何仿真量能复现系统在无人驾驶时所遇的情形。改进系统的英里是系统独自驾驶的英里，不是人类监督的英里。更多被监督的英里是一个不同的、更小的主张。

[PERSONAL EXPERIENCE] 与 HAI Engine 的跨域平行不止是结构性的。HAI Engine 自 2016 年在生产中运行，有类型的 Sisters——analyst、contrarian、disruptor、historian、institutionalist——根植于 the 21 papers。文章的"Critic 标记次优行为并在部署前验证修正"与 HAI Engine 的"Oracle 给每次融合标注以 nats 为单位的熵，而集成恰在一处归一化"共享同一形式：一个生成的内循环、一个标记和验证的外循环，以及单一归一化点是产出校准改进的机制。HAI Engine 是 ✅ Production。与驾驶栈的平行是 ⚠️ Partial。

这对范围和局限意味着什么

文章是逐阶段比较，不是裁决。在每一阶段它点名同一个权衡：可被审查的写下的知识对带有任何 schema 都无法预见的细微差别的计算出的知识。Waymo 在大多数阶段更靠写下的知识一侧，有按城市准备和专门构建的硬件。Tesla 更靠计算出的一侧，有消费者车队和大的训练算力。两个立场都有其价值，文章不宣布赢家。

六种机制形式是真实的、可提取的。与 Everythink 的跨域平行是结构性的——共享形式，不共享使命。Everythink 不构建自动驾驶车辆。Everythink 的自主或机器人产品是 🔵 Roadmap。架构平行独立成立；产品主张不成立。

文章不混淆其机制。可检查的表示产出可证伪的安全主张，直接测量产出已知距离，多个未来产出发不确定性下的安全回应，验证层产出核查，已发表的方法论产出可复现的数字，外循环产出安全改进。每个机制产出一个具体属性。这种分离是文章的诚实。

Everythink 的 HAI Engine 自 2016 年在生产中运行，有类型的 Sisters 根植于 the 21 papers。Sisters 和 Oracle 不开车，但它们与自动驾驶栈共享同一种诚实实践：表示是机制，传感器数量不是，属性只在机制被实现并测量时才被保证。The space is the router：在车里，roadgraph 和验证层在执行器动作前路由轨迹；在 Everythink，网络-到社区-到房间的拓扑在任何东西回应前路由，而 Oracle 在任何预测被交付前把每个信号路由进一个校准的集成。

关键要点

  • 表示是机制，不是传感器。 一个安全属性只在可检查的世界状态可供独立验证器检查时才被保证。一个学习到的、产出看似合理轨迹的张量栈无法被自身以外的东西检查。
  • 直接测量自带其证据；推导值只带置信度。 当安全主张依赖距离时，飞行时间测量是那个能被审计的。
  • 多个加权未来胜过单一最佳猜测。 一个押注于单一预测未来的系统恰在预测最要紧时脆弱。算力成本是不脆弱的代价。
  • 验证要求第二个组件。 一条轨迹在独立层依据明确标准检查它时被核查，而非在生成器为自己输出担保时。
  • 一个安全数字只在方法被发表且原始数据可下载时才可证伪。 报告不是机制；它背后的方法才是。
  • 改进系统的英里是系统独自驾驶的英里。 外循环——标记、修正、验证、确认后部署——是机制。原始英里数不是。

常见问题

这篇文章是否声称 Waymo 的方法比 Tesla 的更安全？ 不。文章声称两个技术栈暴露不同的机制，而今天只有可检查表示的一侧能支撑一个可证伪的安全主张。文章本身说两个立场都有价值，不宣布赢家。

为什么表示是承载机制而非传感器？ 因为文章在每一阶段展示同一个权衡，而表示是使检查成为可能的阶段。一个摄像头栈可以喂给可检查的表示；一个激光雷达栈可以喂给黑箱的。传感器不是机制。一个第二个组件能检查的中间物才是。

Theorem 3 与自动驾驶有什么关系？ Theorem 3 宣称一个属性恰在其机制被实现并测量时才被保证。文章的 Waymo 章节点名机制(compact structured representations、一个独立验证层、一个 Safety Framework 和一个 Safety Case)和属性(可安全部署、行驶中安全)。形式相同：保证在机制及其测量里，不在模型大小或英里数里。

与 Everythink 的跨域平行是产品主张吗？ 不。平行是结构性的——HAI Engine、有类型的 Sisters、Oracle 集成和基于 trait 的端口与自动驾驶栈共享机制形式。Everythink 不构建自动驾驶车辆。Everythink 的自主或机器人产品是 🔵 Roadmap。

为什么两份安全报告不能并排比较？ 因为它们回答不同的问题。Waymo 测量没有人能介入的英里上的结果。Tesla 测量一个辅助系统在驾驶员仍负责任时是否减少碰撞。文章明确这么说，两家公司都陈述自身局限。

Sources

如果这种 honest-architect 框架是你希望应用到自有界面上的推理——其中表示是机制，属性只在机制被实现并测量时才被保证——请在 everythink.ai 创建你的网络，或预约一次演示，看看生产中的 HAI Engine、Sisters 和 Oracle。

相关

在一个能证明其声明的引擎上构建你的世界。

在自 2016 年起持续运行的引擎上创建你自己的网络——或与 21 篇论文背后的团队交流。

创建你的网络 →预约演示