Waymo spricht dem rein visuellen Ansatz das Todesurteil aus: Tesla kann zwar FSD realisieren, tut sich aber sehr schwer mit der Entwicklung von fahrerlosen Robotaxis.

„Ein rein visuelles System kann das vollautonome Fahren nicht realisieren.“

In seiner jüngsten öffentlichen Rede hat der Co-CEO von Waymo dem rein visuellen Ansatz das Todesurteil gesprochen.

Er räumte ein, dass menschliche Fahrer allein mit den Augen fahren können, was die Machbarkeit des Kamerakonzepts beweist. Rein visuelle Systeme können sich tatsächlich schnell entwickeln und schon bald zu beeindruckenden Fahrergebnissen führen.

Das Problem liegt aber darin, dass das Ziel des autonomen Fahrens der Stufe L4 nicht nur darin besteht, wie ein Mensch zu fahren, sondern vor allem eine Sicherheit zu erreichen, die weit über das Niveau menschlichen Fahrens hinausgeht.

Seiner Ansicht nach besteht die größte Herausforderung des rein visuellen Ansatzes darin, dass die Leistungssteigerung früher verlangsamen und vorzeitig ihren Höhepunkt erreichen könnte, bevor dieses Ziel erreicht wird.

Er hat kein einziges Wort „Tesla“ erwähnt, aber jeder Satz zielt auf Tesla ab.

Rein visuelles System erreicht 99 % – und was dann?

Diese Rede stammt von YC Startup School 2026, einem kostenlosen Online-Kurs und Community-Projekt, das von Y Combinator, dem Top-Gründerbeschleuniger im Silicon Valley, veranstaltet wird.

Der Co-CEO von Waymo – Dmitri Dolgov – hielt eine fast 50-minütige Rede mit dem Titel „The Demo Is Only 1% Of The Work“, in der er systematisch erläuterte, warum das autonome Fahren noch nicht wirklich in die Ära des fahrerlosen Betriebs eingetreten ist.

△

Dieser Titel weist bereits die Kernaussage der gesamten Präsentation auf: Der schwierigste Teil des autonomen Fahrens besteht darin, das System über Millionen und Abermillionen von Meilen auf realen Straßen dauerhaft stabil betreiben zu lassen.

Dolgov berichtete von einer Erfahrung aus der Frühzeit von Waymo.

Um 2010 herum absolvierte das frühere autonome Fahrprojekt von Google, der Vorgänger von Waymo, in relativ kurzer Zeit zahlreiche Tests, darunter 100.000 Meilen autonomes Fahren und mehrere Langstreckenrouten ohne menschlichen Eingriff.

Aus Sicht der technischen Demonstration schien das autonome Fahren bereits einen Durchbruch erzielt zu haben. Danach verbrachte Waymo jedoch mehr als ein Jahrzehnt, bis es die Robotaxi-Dienste für die breite Öffentlichkeit auf den Markt brachte.

Seiner Meinung nach liegt der Grund darin, dass die eigentliche Schwierigkeit des autonomen Fahrens in der Steigerung der Zuverlässigkeit besteht. Zur besseren Veranschaulichung stellte Dolgov das Konzept der „9“ vor:

Um die Zuverlässigkeit des Systems von 90 % auf 99 % zu steigern, ist bereits ein hoher technischer Aufwand erforderlich. Bei der weiteren Steigerung ab 99 % steigt der Schwierigkeitsgrad mit jeder zusätzlichen „9“ nach dem Komma rasant an.

△

Das autonome Fahren findet in der realen Welt statt. Wenn Fahrzeuge wöchentlich Hunderttausende oder sogar Millionen von Meilen zurücklegen, werden Probleme, die ursprünglich mit extrem geringer Wahrscheinlichkeit auftreten, allmählich zu Herausforderungen, die im Betriebsprozess bewältigt werden müssen.

Daher darf das autonome Fahren nicht nur auf die „durchschnittliche Leistung“ abzielen. Die Fähigkeit, den Fahrer außerhalb des Fahrzeugs lassen zu können, hängt von den extremen Szenarien ab – das ist auch der Ausgangspunkt, von dem Dolgov später über den rein visuellen Ansatz sprach.

Die Befürworter des rein visuellen Ansatzes (insbesondere Tesla) vertreten am häufigsten die folgende Ansicht:

Menschen haben kein Lidar und kein Millimeterwellenradar und fahren nur mit ihren Augen und ihrem Gehirn.

Dolgov stimmte einem Teil dieser Logik zu. Er erklärte, dass man natürlich mit Kameras allein zahlreiche Fahraufgaben bewältigen kann. Tatsächlich sind die meisten heutigen Fahrassistenzsysteme für einen Großteil der Zeit auf Kameras angewiesen, um die Umgebung zu erfassen.

Das Problem liegt aber darin, dass Fahrassistenz und fahrerloses Fahren zwei unterschiedliche Sicherheitsziele verfolgen.

Bei der Fahrassistenz der Stufe L2 ist der Fahrer noch anwesend. Wenn das System auf Situationen stößt, die es nicht bewältigen kann, kann es den Fahrer auffordern, die Steuerung zu übernehmen.

Bei Stufe L4, beispielsweise bei Robotaxi, befindet sich jedoch keine Person im Fahrzeug, die die endgültige Entscheidung trifft. Das System muss alle Situationen selbst bewältigen, was bedeutet, dass es ein weit höheres Sicherheitsniveau erreichen muss als ein durchschnittlicher Fahrer.

△

Dolgov ist der Ansicht, dass das Kernproblem des rein visuellen Ansatzes darin besteht, dass mit zunehmender Fähigkeit die Leistungskurve allmählich abflachen und vorzeitig ihren Höhepunkt erreichen könnte, was die Umsetzung des echten fahrerlosen Fahrens erschwert.

In der frühen Phase verbessert sich die Systemleistung deutlich, indem mehr Daten hinzugefügt und größere Modelle trainiert werden. Wenn sich das Ziel aber von „nahezu menschlichem Fahren“ zu „weit über menschliches Fahren hinausgehendem Niveau“ verschiebt, können die Informationen, die ausschließlich über Kameras erfasst werden, zu einem einschränkenden Faktor werden.

Einfach ausgedrückt: Kameras helfen dem Gerät, die Welt zu sehen, aber die Informationen, die Kameras erfassen, haben Grenzen. Modelle können das Verständnis verbessern, aber sie können das Fehlen von Eingangsinformationen nicht vollständig ausgleichen.

Übertragen auf das Geschäftsfeld von Tesla ist dies möglicherweise eine indirekte Bewertung, dass Tesla zwar FSD realisieren kann, aber bei der Umsetzung von Robotaxi möglicherweise an Fähigkeitsgrenzen stößt.

Der Wegestreit zwischen Waymo und Tesla

In seiner Rede zeigte Dolgov auch einige Testfälle von Waymo, darunter Straßen in der Nacht, Umgebungen mit schwachem Licht und komplexe Verkehrsszenarien.

Der Schwerpunkt dieser Fälle liegt aber nicht darin, dass Lidar Kameras ersetzen kann. Tatsächlich ist auch Waymo auf Kameras angewiesen, um visuelle Informationen wie Farben, Texte und Verkehrszeichen zu erfassen.

Die Kernbotschaft, die er vermitteln wollte, ist, dass bei dem Ansatz der Multisensor-Fusion verschiedene Sensoren bei Umgebungsänderungen unterschiedlich stark abgebaut werden:

• Kamera

hängt von Licht ab;

• Lidar

sendet aktiv Laser aus und kann direkt die Entfernung von Objekten und ihre dreidimensionale Struktur erfassen;

• Millimeterwellenradar

kann Geschwindigkeitsinformationen liefern und behält auch in Umgebungen wie Regen, Schnee und Nebel eine gewisse Funktionsfähigkeit.

Daher kann das System durch die Kombination mehrerer Sensoren das Risiko verringern, das durch den Ausfall eines einzelnen Erfassungsverfahrens entsteht.

Beispielsweise bei Nacht, Gegenlicht, schlechtem Wetter oder komplexen Verdeckungen muss das visuelle System aus begrenzten Informationen die Entfernung, Geschwindigkeit und räumliche Struktur von Objekten ableiten.

Lidar und Millimeterwellenradar liefern dagegen Informationen einer anderen Dimension: Eines misst direkt die räumliche Entfernung, das andere liefert Geschwindigkeitsinformationen. Ihr Wert liegt darin, den Anteil der Teile zu reduzieren, die das System „erraten“ muss.

Dolgovs Ansicht nach sollten in sicherheitskritischen Bereichen Informationen, die direkt gemessen werden können, nicht vollständig der Ableitung durch Modelle überlassen werden.

Das ist auch der größte Unterschied zwischen Waymo und dem rein visuellen Ansatz. Der langjährige Wegestreit zwischen den beiden Unternehmen konzentriert sich oberflächlich auf das Lidar, aber der tiefere Unterschied liegt darin, dass die beiden Unternehmen unterschiedliche Pfaddesigns für die Entwicklung des autonomen Fahrens verfolgen.

Waymo hat das System seit Beginn des Projekts auf das fahrerlose Fahren ausgerichtet. Die Fahrzeuge können auf festgelegte Betriebsbereiche beschränkt werden und zunächst nur wenige Städte abdecken – aber innerhalb des Betriebsbereichs muss die Fahraufgabe vollständig vom System übernommen werden.

Daher muss Waymo vor allem das Problem lösen, wie ein fahrerloses Fahrzeug in einem festgelegten Bereich sicher betrieben werden kann.

Das bestimmt, dass alles von Sensoren und Rechenplattformen bis hin zu Testsystemen und Betriebsverfahren auf die Stufe L4 ausgerichtet ist.

Tesla verfolgt dagegen einen anderen Weg: FSD wird zuerst in Serienfahrzeugen eingesetzt.

Das System erweitert den Datenumfang durch eine große Anzahl von Nutzerfahrzeugen, verbessert seine Fähigkeiten kontinuierlich durch Modelltraining und Software-Upgrades und erreicht schließlich das Stadium des fahrerlosen Fahrens.

Der größte Vorteil dieses Ansatzes liegt im Datenumfang und der Iterationsgeschwindigkeit. Millionen von Fahrzeugen sind gleichzeitig auf realen Straßen unterwegs und liefern einen Datenumfang, den herkömmliche Robotaxi-Testflotten kaum erreichen können.

Gleichzeitig ist das aktuelle FSD jedoch immer noch ein System, das die Überwachung durch den Fahrer erfordert – der Fahrer trägt weiterhin die endgültige Verantwortung.

Daher dreht sich die eigentliche Streitfrage zwischen den beiden Unternehmen darum, ob eine Fähigkeit, die hauptsächlich durch die Überwachung des Fahrers aufgebaut wurde, entlang desselben technischen Pfades weiter verbessert werden kann, um schließlich das Sicherheitsniveau zu erreichen, das für das fahrerlose Fahren erforderlich ist.

Aber es ist noch zu früh, um ein endgültiges Urteil über den Erfolg oder Misserfolg der verschiedenen Wege zu fällen – man muss noch die Validierung durch tatsächliche Betriebsdaten über einen längeren Zeitraum abwarten.

Was hat der CEO von Waymo in der 50-minütigen Rede noch gesagt?

Neben der Kontroverse um das rein visuelle System teilte Dolgov in seiner gesamten Rede auch einige wichtige Überlegungen von Waymo während der Entwicklung des autonomen Fahrens mit.

Dazu gehören der Unterschied zwischen physischer KI und digitaler KI, die Grundmodelle, die Waymo derzeit erforscht, die Anwendung von End-to-End-Modellen sowie das Sicherheitsvalidierungssystem für das autonome Fahren.

△

Diese Inhalte spiegeln auch wider, dass der aktuelle Wettbewerb im Bereich des autonomen Fahrens der Stufe L4 von einem reinen Wettbewerb um Algorithmusfähigkeiten zu einem Wettbewerb um Systemingenieurskapazitäten übergeht:

1. Physische KI hat eine niedrigere Fehlertoleranz: Fehler lassen sich nicht rückgängig machen

Dolgov betonte in seiner Rede mehrfach, dass es zwischen autonomem Fahren und traditioneller Internet-KI deutliche Unterschiede gibt.

Wenn ein Chatbot eine falsche Antwort generiert, kann der Nutzer die Frage neu stellen; wenn Suchergebnisse ungenau sind, kann der Nutzer andere Keywords verwenden.

Eine falsche Entscheidung des autonomen Fahrsystems beeinflusst aber direkt die Bewegung des Fahrzeugs in der realen Welt – das System hat keine Option zum „Rückgängigmachen“.

Darüber hinaus unterliegt das autonome Fahren der Anforderung nach Echtzeitfähigkeit. Während das Fahrzeug mit hoher Geschwindigkeit fährt, müssen Erfassung, Vorhersage und Entscheidung in kürzester Zeit abgeschlossen werden, und ein großer Teil der Berechnungen muss direkt im Fahrzeug ausgeführt werden.

Das ist auch der Grund, warum sich das autonome Fahren langsamer entwickelt als viele digitale KI-Anwendungen. Die Verbesserung der Modellfähigkeiten ist nur ein Teil davon – wie man das Modell stabil in der realen Welt betreibt, ist ein ganz anderes Problem.