AI两重天:Claude编程狂飙与自动驾驶的困局
2026年的硅谷,两个AI故事正在同时展开,结局却天差地别。
一边是Claude Code——Anthropic出品的AI编程工具——正在以惊人的速度迭代。从7层记忆架构到Rules/MCP/Skills三件套,编程边界被不断突破。代码能力的进步,几乎是每月一个样。
另一边是Waymo——Google耗资数十亿美元打造的自动驾驶业务——在规模化面前撞上了真实的墙。“growing pains as autonomous vehicles scale”,SED News这句描述轻描淡写,背后是监管博弈、物理世界的长尾风险、传感器成本,和一个无法靠数据飞轮绕过的现实。
两个项目,都背靠顶级资源和AI人才,都基于相似的深度学习范式,为什么走向完全不同的结局?
01|Claude编程:数字世界的天然优势
AI编程能狂奔,首先因为它发生在数字世界里。而数字世界有几个天然友好的特性:
1. 反馈回路极快
代码写出来,秒出结果。编译错误、测试失败、逻辑bug——所有反馈都在本地闭环里完成,不需要等车在路上开100公里才能发现问题。这种快速反馈,是模型改进的氧气。
2. 边际成本趋近于零
Copilot/Claude Code多服务一个开发者,成本几乎不增加。但Waymo每多服务一英里路,就需要更多车辆、更多基础设施、更多保险。数字产品的Scaling,是指数曲线;物理产品的Scaling,是线性坡度。
3. 失败的成本可接受
AI编程工具出了错,最坏结果是一段错误的代码,被人工审查拦截。代码有版本控制,有回滚机制,有测试门禁。错误的积累不会造成不可逆的伤害。
4. 数据飞轮真实有效
越多人用Claude Code,Anthropic就有越多真实编程场景的数据。真实编程数据比合成数据好太多,数据飞轮一旦转起来,后来者很难追赶。
02|Waymo困局:物理世界的残酷约束
Waymo的困境,和代码没有关系。它遇到的是物理世界的hard problem。
1. 长尾风险的不可穷举
现实道路上会发生什么?逆行车辆、闯入的行人、极端天气、交通事故导致的临时改道——这些场景的数量是天文数字,而且高度偏态分布:99%的时间,系统处理的都是正常场景;1%的极端情况,恰恰是最危险的。
Claude Code可以在测试环境里模拟数万种代码路径,覆盖率一目了然。Waymo要在现实世界里覆盖足够密度的极端场景,需要的测试里程数和里程数的时间,可能是十年,可能更长。
2. 监管的摩擦系数远高于预期
代码出bug,大不了发一个hotfix版本。自动驾驶系统出一次事故,监管机构会直接暂停整个商业运营。Waymo在旧金山的扩张背后,是持续数年的市政府博弈、监管听证、事故调查。每一个新城市的准入,都是一场漫长的战争。
3. 传感器成本 vs 软件成本的不对等
Level 4自动驾驶需要LiDAR、毫米波雷达、高精度定位系统、冗余计算平台——这些硬件的成本下降速度,远慢于软件。今天一块GPU的成本,已经和十年前一台普通服务器差不多;但一辆自动驾驶汽车的传感器成本,依然是数万美元的量级。
4. 没有"降级运行"的选项
Claude Code崩溃了,用户切回手动编程,工作继续。Waymo的系统崩溃了,是车在高速公路上失去控制。安全关键系统(safety-critical system)不允许有中间状态——要么全时可靠,要么代价是生命。
03|为什么差距在扩大,不是缩小
这个对比,最值得深挖的不是"谁赢了",而是"为什么差距在扩大"。
核心矛盾:数字世界的Scaling Law,在物理世界不成立
过去十年,AI领域最重要的规律是Scaling Law:更大的模型、更多的数据、更强的算力,能带来可预测的性能提升。这个规律在语言任务、图像识别、代码生成上被反复验证。
但Waymo的经历说明:Scaling Law的有效性,有边界条件。
物理世界系统面临的约束——安全性、可靠性、监管合规、硬件成本——不是靠"更大的模型"能绕过的。Waymo不是缺AI人才,不是缺算力,不是缺数据,它遇到的障碍是结构性的:自动驾驶的瓶颈不在感知和决策,而在验证和信任。
验证一辆自动驾驶系统是否足够安全,本质上是一个统计问题:你要收集足够多样本量的里程数据,才能以统计上显著的方式证明系统的事故率低于某个阈值。这个阈值本身,就在和监管机构的博弈中不断变化。
Claude Code的路径:端到端自动,然后靠人做最终校验 Waymo的路径:端到端安全,但安全本身成了最大的成本中心
04|两个教训
教训一:AI的能力上限,不等于AI产品的成功上限
Claude Code成功,不只是因为LLM能力够强,而是因为它找到了一个"AI负责执行、人负责校验"的最小闭环。AI做最难的部分,人做最后的安全网——这个设计把AI的能力用足,同时把失败成本控制住。
Waymo的困境告诉我们:当AI的容错空间趋近于零时,即使AI做得再好,整个系统的成本也会因为容错要求而高到不可承受。
教训二:“软件正在吞噬世界"这句话,需要加一个前提
Marc Andreessen说"软件正在吞噬世界”,在数字产品层面是对的。但在物理世界层面,软件的渗透速度被物理约束牢牢限制。自动驾驶、机器人、远程医疗——这些领域的AI落地难度,被低估了太多。
05|对从业者的启示
如果你在AI行业做产品决策,这个对比有一个直接的启示:
选问题,比选技术更重要。
Claude Code选了一个数字世界的问题,享受了快速迭代、数据飞轮、容错成本低的所有好处。Waymo选了一个物理世界的问题,对应承受了监管、长尾成本、安全验证的所有拖累。
不是说Waymo的方向错了——自动驾驶一旦做成,价值巨大。但路径的难度,需要清醒的预估。
对于大多数AI应用来说,优先选择"AI做执行、人做判断"的场景,其次选择"数字世界"的场景。物理世界、安全关键的场景,放在后面做——不是因为它们不重要,而是因为它们难得多。
结语
2026年的AI故事,不是"AI行不行"的问题。Claude Code已经证明,AI在它擅长的领域,可以做得比人还好。Waymo的困境也在提醒我们:有些问题,难度不在于AI本身,而在于AI所在的系统——以及那个系统所嵌入的真实物理世界。
两个故事放在一起,是最好的清醒剂。