Wayve联合创始人兼首席执行官Alex Kendall认为，将自动驾驶技术推向市场具有广阔前景。前提是坚持低成本、硬件无关的战略，确保软件可应用于高级驾驶辅助系统（ADAS）、Robotaxi及机器人领域。
端到端数据驱动学习
Kendall在Nvidia GTC大会上阐述了这一战略的核心：采用端到端的数据驱动学习方法。系统通过摄像头等传感器“看到”的内容直接转化为驾驶行为（如刹车或左转），无需依赖高清地图或基于规则的软件。
该方法已吸引投资者关注。Wayve成立于2017年，过去两年筹集超13亿美元，计划向汽车和车队合作伙伴（如Uber）授权自动驾驶软件。
商业化路径与硬件兼容性
尽管尚未宣布具体汽车合作伙伴，但Wayve正与多家原始设备制造商（OEM）深入讨论软件集成事宜。低成本运行方案是促成合作的关键：
- 无需额外硬件投资：ADAS技术可与现有传感器（环视摄像头、雷达）配合使用；
- 芯片无关性：软件可在OEM车辆已有的任何GPU上运行（目前开发车队使用Nvidia Orin SoC）。
Kendall表示：“进入ADAS领域至关重要，它能建立可持续业务、实现规模化分销，并获得足够数据将系统训练至L4级别。”（注：L4级指特定条件下无需人类干预的自主导航。）
对标特斯拉的技术差异
Wayve计划先在ADAS级别商业化，AI驾驶员设计为无需激光雷达即可工作。这与特斯拉类似，均希望通过ADAS广泛部署收集数据以推动完全自动驾驶。
主要区别在于传感器策略：特斯拉仅依赖摄像头，而Wayve愿意结合激光雷达以实现近期的完全自动驾驶。Kendall指出：“长远来看有机会缩小传感器范围，但这取决于产品体验需求。若追求雾天高速行驶可能需要激光雷达；若接受AI理解摄像头局限并采取防御性策略，我们的AI可以学会这一点。”
GAIA-2生成式世界模型
Kendall预告了面向自动驾驶的生成式世界模型GAIA-2。该模型利用海量真实与合成数据训练，能同时处理视频、文本及动作信息，使AI驾驶员更具适应性和拟人化特征。
“真正令人兴奋的是拟人化驾驶行为。”Kendall强调，“系统中没有硬编码规则、基础设施或高精地图支持，而是通过数据驱动涌现出应对复杂多样场景的能力，包括训练中从未见过的情况。”
Wayve与自动驾驶卡车初创公司Waabi理念相似，均追求端到端学习系统，强调扩展泛化能力，并依赖生成式AI模拟器进行测试与训练。