Uber重返自动驾驶！不造车改做“数据基建”，助力破解行业长尾难题

车东西（公众号：chedongxi）
作者 ｜ 聂梦颖
编辑 ｜ 志豪

车东西1月28日消息，据外媒TechCrunch披露，近日，网约车巨头Uber宣布成立全新部门“Uber AV Labs”，正式回归自动驾驶领域。Uber此次表示不会重走全栈自研Robotaxi的老路，而是转型为数据服务商，利用搭载传感器的自有车队，为Waymo、Waabi、Lucid Motors等合作伙伴提供真实路测数据。

Uber首席技术官Praveen Neppalli Naga强调，该项目在初期阶段并不以盈利为核心目标，而是希望通过推动数据开放与共享，帮助行业破解共同发展难题，加速整个自动驾驶生态系统的成熟。

这意味着Uber想要利用规模优势掌控核心数据，确立其在行业中的重要地位。

一、车队存在规模瓶颈 仿真模拟难解长尾难题

当前，自动驾驶企业普遍面临一个核心矛盾：技术再先进，单一公司的测试车队规模终究有限，难以覆盖现实世界中所有突发和复杂的交通状况。

即便是行业领头羊Waymo，在运营十年后也会因为识别不出停在路边的校车而“翻车”。这充分说明，虽然计算机仿真可以模拟大部分路况，但在捕捉那些长尾场景时，仍存在缺陷。

Uber看准的正是这一点：在自动驾驶领域，最渴望获得外部数据支持的，往往正是头部企业。因为它们深知，想要将安全率从99%提升到99.99%，唯有消耗海量数据才能实现。

数据的厚度取决于场景的广度。遗憾的是，现有自动驾驶公司受限于车队规模，其服务无法覆盖所有突发场景。而Uber的价值就在于，它能触达这些空白地带，帮助合作伙伴提前发现并排除安全隐患。

▲Uber工程副总裁Danny Guo在社交媒体上的发言

二、引入影子模式验证算法 捕捉人类驾驶直觉优势

如何采集这些数据？Uber借鉴了特斯拉的“影子模式”（Shadow Mode）。

具体而言，Uber计划将合作伙伴的自动驾驶算法接入到自己的测试车后台。车辆仍由Uber的人类驾驶员操控，而后台算法也在同步运行。当人类驾驶员的操作与后台算法的判断出现分歧时，系统会即时标记这一差异。

Uber工程副总裁Danny Guo指出，这种方法不仅能高效识别算法缺陷，更能训练AI模型学习人类驾驶员的老练与直觉，使自动驾驶系统的表现更接近人类。

此外，Uber还会对数据进行清洗和语义标注。这意味着，Uber提供的是经过处理的高质量数据，不仅能直接帮助其合作伙伴优化路径规划，还能降低他们的数据处理成本。

三、依托全球网络优势 灵活调度实现定向采集

尽管AV Labs目前仍处于起步阶段，仅有一辆现代艾尼氪 5（Ioniq 5）原型车进行测试，且传感器安装仍需工程师手动完成，但该部门背后的资源不容小觑。

Uber拥有覆盖全球600个城市的运营网络。Danny Guo表示，这赋予了Uber极强的调度能力——可以根据合作伙伴的需求，灵活选择特定城市、特定天气或特定路况来采集数据。这种场景覆盖的广度和灵活性，是任何一个自动驾驶公司都难以企及的。

基于此网络优势，Uber采取了暂不收费的策略。Uber方表示，公司的首要任务是利用规模优势确立其行业地位，通过构建数据基础设施，将Uber打造成整个产业生态中不可或缺的一环。

▲Waymo与Uber平台达成合作

结语：掌握核心数据资源 赢得行业话语权

Uber此次成立AV Labs，标志着其在自动驾驶领域的思路发生了根本性转变。

Uber敏锐地意识到，与其在全栈自研的泥潭中与技术巨头硬碰硬，不如退后一步，利用自身的规模优势，做数据供应商。

这种角色的转变，既规避了技术研发的高昂风险，又通过掌控核心数据资源，成功卡位自动驾驶产业链的上游。对于Uber而言，这不仅是业务的回归，更是其在行业中确保话语权的重要一步。