⑤ 自动驾驶 · 马斯克 Insight

M 马斯克 · Musk Insight

◆ Module 05 · 道路自动驾驶 · 纯视觉之争与端到端革命

自动驾驶

一次删除，换来十年的复利与锁定

2019 年 4 月他在 Palo Alto 说出「激光雷达是一场徒劳」的那天，做的其实是三件事：一个成本判断、一个存在论断言、一个组织决定。七年后，这三件事的命运完全不同——成本判断被时间证伪，存在论断言被学界基本证实，而组织决定既造出了行业最强的数据引擎，也造出了一条正在成形的监管证据链。本页把这条路线拆到最底层：他的论证到底成立在哪一层、失效在哪一层，以及为什么「演示很惊艳、产品很难」是一条可以写成不等式的定理。

  覆盖窗口：**2016-01 – 2026-07-25**
  本页边界：**道路自动驾驶（不含人形机器人，见 ⑥）**
  公式完整推导：**⑪ 核心公式**



  **2016.10** 「硬件已具备」→
  **2019.04** Autonomy Day→
  **2021.05** 删除雷达→
  **2022.10** 删除超声波→
  **2023.12** v12 端到端→
  **2025.06** Austin Robotaxi→
  **2026.03** NHTSA 升级 EA→
  **2026.07** 7 个都会区






  本页 TL;DR

**本页新增什么：**纯视觉论证的三层拆解与它在贝叶斯框架下的反驳、感知架构从 HydraNet 到占用网络的演进、端到端与影子模式数据引擎的完整解释（全站唯一一处）、车端算力与 Dojo 的兴衰、安全统计与监管证据链、与 Waymo 的路线对照、十一年时间表的编年复盘。**与哪几页不重复：**方法论本体在 ②（本页只用它解释技术决策）；AI 风险与 AGI 立场在 ③；人形机器人在 ⑥（⑥ 只写差异并回链本页的端到端解释）；所有公式的完整推导在 ⑪，本页只给结论式；逐条预测裁决在 ⑫。
**「激光雷达是徒劳」是三个论证叠在一起，命运完全不同。**成本论（2019 年单价 $7.5k–$ 75k）已被固态 LiDAR 降至约 $500 证伪；存在论（道路是为生物视觉系统设计的）到 2026 年被 PRIX / SGDrive 等纯视觉工作在 NavSim 这类仿真打分基准上基本证实（Waymo 自家的 EMMA 同为纯摄像头，但支撑它的那项 nuScenes 开环规划 SOTA 已因基准本身可被自车状态捷径主导而被本报告剔除，见第 ① 节辩证块）；认知论（LiDAR 是拐杖，会制造虚假的进步感）至今没有可验证的机制，是一个组织激励判断而非物理判断。
**「传感器打架时你信谁」在工程上有依据，在概率论上不成立。**条件独立下融合后的后验精度 (\tau_{\text{fused}}=\tau_c+\tau_r\ge\max(\tau_c,\tau_r))，数据处理不等式保证多观测不会减少关于状态的信息。他真正遇到的是三件别的事：似然模型误设、误差相关性、以及「后融合」这一特定架构的仲裁难题。他把工程约束升格成了物理定律——这既是执行力的来源，也是盲区的来源。
**他自己私下承认过。**据 Electrek 主编 Fred Lambert 2025 年公布的私信，马斯克说「视觉 + 高分辨率雷达会比纯视觉更好」。公开表述与私下判断的落差，是本页最重要的一条证据。
**端到端不是「更强的网络」，是把安全论证的方式整个换掉。**v12 用一个网络替掉 30 万行以上 C++ 控制代码后，可解释性、失效模式分析（FMEA）、回归测试的抓手全部要重建。学界的回应是 UniAD 式的「保留中间查询接口」与 2026 年主流的双系统解耦——连 Tesla 自己的工程实现也保留了大量安全约束层。
「九个九」很难是可观察的事实，但它的数学根源比本报告原先写的窄。行为克隆的复合误差界 (J(\hat\pi)-J(\pi^\star)=O(\varepsilon T^2))（按 Ross & Bagnell 的归一化，单步代价有界于 ([0,1])，(u) 已被吸收），on-policy 交互式方法可降到 (O(u\varepsilon T))，两界之比为 (T/u)；而在「一次错误无法在常数步内挽回」（(u=O(T))）的驾驶场景中，后者退化回二次、优势消失。但这个二次律是「0-1 / 全变差型度量 + 离策略算法族」这套记账方式的产物，不是模仿学习本身的性质——换成对数似然损失，时域依赖可降到线性甚至消失（见第 ④ 节辩证块）。因此它能解释「为什么多喂十倍数据买不到十倍可靠性」这个现象的量级，却不足以充当该现象的唯一成因。
**数据引擎的价值不是「数据多」，是「边际信息密度可以被主动控制」。**轻量 trigger 可在数分钟内下发、影子模式让评估不承担行车风险、离线大模型做真值再蒸馏成在线小模型——但这套机器的瓶颈可能已经从「采集」转移到了「标签质量、分布覆盖与闭环速度」。
**Dojo 是他极少数公开承认的路线判断错误。**2021 年高调发布、2022 年在 Hot Chips 34 交出 1.1 EFLOPS 的世界级设计，2025-08-07 团队解散，他本人称 Dojo 2 是「进化死路」。但解散不等于路线错误——要把「技术失败」「战略失败」「组织失败」分开算。
**2026 年的规模对照仍然一边倒，但两边在赌不同的东西。**Waymo 约 2.2 亿累计无人里程、每周约 50 万付费出行；Tesla 无监督累计约 38 万英里、无监督车约 20 辆，却在一夜之间覆盖了奥斯汀 245 平方英里。这不是「谁对谁错」，是「昂贵传感器该出现在训练侧还是推理侧」——Karpathy 把这叫「传感器套利」。
**十一年里「明年」是一个常数。**2013–2024 可明确判定的时间表预测约 20 条，兑现 0 条；2025 年之后开始兑现，但目标已被大幅缩小。真正的转折点是 2023-12 的 v12 架构，之后模式从「承诺—落空」变成「缩小目标—逐步交付」。
最大的变量不是技术，是监管证据链。NHTSA 的 EA26002（2026-03-18 升级，320 万辆）、PE25012（288 万辆），以及 2026-07-02 那份要求提交内部文件《Radar Saves Us》的 24 项取证清单。工程分析通常在 12–18 个月内出结论——「设计选择」与「厂商已知的缺陷」之间那条线，就是 2021 年那个删除决定的全部风险所在。
```
① 纯视觉的论证
② 传感器冲突与贝叶斯
③ 感知架构演进
④ 端到端革命
⑤ 影子模式与数据引擎
⑥ 车端算力与 Dojo
⑦ ODD、安全统计与监管
⑧ 与 Waymo 的路线对照
⑨ 十一年的「明年」
⑩ 收束与可证伪观察点



⚑ 关于本页 2026 年数据的时效性与口径
```

本页大量使用 2026 年上半年的运营与监管数字，这类数字在资料冻结日（2026-07-25）前后极不稳定，且各方口径互不兼容，请按下列规则阅读：

（1）六种状态分开写。计划 / 传闻 / 预告 / 演示 / 有限试点 / 规模化部署在本页用不同措辞标注，不得互相升级。例如「无监督覆盖奥斯汀 245 平方英里」是已发生的有限试点扩张，「年底扩至十几个州」是公司预告。

**（2）Tesla 与 Waymo 的安全数字方法论不可直接比较。**Waymo 用同区域、同期、同暴露的人类基准并经同行评审；Tesla 用自报遥测、脱离后 5 秒归因窗口、与全美车队均值对比。本页任何并排数字都带方法论警示，请勿把倍数当作可比结论。

**（3）三类数字明确标注不确定。**AI5 的算力与内存规格（无官方 datasheet）、HW4/AI4 的板级 TOPS（各方估算相差 2 倍以上）、FSD v14 的内存需求（二手来源，未经官方证实）——这三类在正文中一律写「厂商宣称 / 媒体汇总，未经独立验证」或标「待核实」。

**（4）中文语料一律标 P4。**本页引用的公众号文章（含 Karpathy 长访谈中译）属二手整理稿，只作线索与视角，不作为事实依据；凡能对上英文原始载体的，正文用英文原文并双标信源。

Chapter 01 · Vision-only

纯视觉的论证：他到底说了什么，以及它有几层

中文互联网流传的版本通常只剩一句「激光雷达是傻子的差事」。但那天他说的是一段结构完整的话，而且真正的认知内核不在他嘴里，在 Karpathy 嘴里。要评价这条路线，必须先把这段论证拆成三层——因为这三层在 2026 年的证据状态完全不同，混在一起谈会得出错误结论。

1.1 原话：2019 年 4 月 22 日，Tesla Autonomy Investor Day

Tesla Autonomy Investor Day 是一场为投资者办的技术发布会，全长约三小时，依次讲了自研 FSD 芯片、视觉方案、数据策略与 Robotaxi 商业模型。它同时是纯视觉路线最完整的一次公开辩护，也是他时间表预测偏差最经典的一个标本——两件事必须放在一起读，这是 ① 十年编年把它列为关键场次的原因。

LiDAR is a fool’s errand, and anyone relying on LiDAR is doomed. Doomed! Expensive sensors that are unnecessary. It’s like having a whole bunch of expensive appendices. Like, one appendix is bad, well now you have a whole bunch of them, it’s ridiculous, you’ll see.

激光雷达是一场徒劳，任何依赖激光雷达的人都注定失败。注定失败！那是一堆不必要的昂贵传感器。就像身上长了一大串昂贵的阑尾——一个阑尾就已经够糟了，现在你有一整串，这很荒谬，你们会看到的。（本报告译文）

    Elon Musk
    2019-04-22 · Tesla Autonomy Investor Day（Palo Alto）
    P1 原始视频
    时码 2:03:41
    来源 [@src-7fee6f7fce]

紧接着他给出了一个可证伪的预测，这句话后来成为 ⑫ 预测记分卡里判定最干脆的一条：

They’re all going to dump lidar. That’s my prediction. Mark my words.

他们全都会抛弃激光雷达。这是我的预测。记住我的话。（本报告译文）

    Elon Musk
    2019-04-22 · Tesla Autonomy Investor Day
    P3 现场报道
    据 TechCrunch 现场转述，本报告未取得该句独立时码
    来源 [@src-134eeb30eb]

但当天真正值得记住的两句话来自 Andrej Karpathy（时任 Tesla Sr. Director of AI）。马斯克给的是段子和成本，Karpathy 给的是认知论——这才是纯视觉路线的地基：

You all used your own neural network in your brains to get here. You didn’t shoot lasers from your eyes to drive.

你们都是用自己脑子里的神经网络开车来到这里的。你们开车时并没有从眼睛里发射激光。（本报告译文）

    Andrej Karpathy
    2019-04-22 · Tesla Autonomy Investor Day
    P3 现场转述
    来源 [@src-5e0a5498a7]

LiDAR is really a shortcut. It sidesteps the fundamental problems, the important problem of visual recognition that is necessary for autonomy. And so it gives a false sense of progress and is ultimately a crutch.

激光雷达其实是一条捷径。它绕开了根本问题——也就是实现自动驾驶所必需的视觉识别这个重要问题。因此它给人一种虚假的进步感，最终只是一根拐杖。（本报告译文）

    Andrej Karpathy
    2019-04-22 · Tesla Autonomy Investor Day
    P3 现场转述
    来源 [@src-5e0a5498a7]

1.2 三层拆解：哪一层成立，哪一层被时间证伪

把上面四段话按论证类型拆开，会得到三条彼此独立的命题。它们经常被当成一条来引用，这是中文与英文舆论场共同的错误。

第一层 · 成本论证

「一堆不必要的昂贵阑尾」

2019 年机械旋转式 LiDAR 单价 $7,500–$ 75,000，装车经济性确实不成立。这一层是纯粹的产业判断。

**2026 年状态：已基本失效。**固态 LiDAR 降至约 $500 量级（Uber CEO Dara Khosrowshahi 2025-08 公开引用此价格）。成本从「不可能」变成了「一个 BOM 取舍」。

证伪

第二层 · 存在论证

「道路是为带眼睛的生物神经网络设计的」

标线、标志、信号灯、警察手势、施工牌、外卖员的眼神——道路基础设施的全部语义都通过可见光编码。因此视觉在信息完备性上是充分的。

**2026 年状态：在算法层面有支持证据，但证据强度弱于本报告此前的表述。**PRIX 在 NavSim-v1 上以纯摄像头超过 camera+LiDAR 基线，SGDrive 同样如此；而 EMMA 所依据的 nuScenes 开环规划 SOTA 已被证明可被自车状态捷径主导，本报告不再单独计入（见下方辩证块）。

部分成立（仿真打分基准层面）

第三层 · 认知论证

「拐杖会制造虚假的进步感」

依赖 LiDAR 会让团队回避视觉语义理解这个真正的难题。注意：这是关于研发路径的判断，不是关于部署系统的判断。

**2026 年状态：缺乏可验证机制，经验证据双向。**Waymo 在有 LiDAR 的条件下同样投入了巨额视觉研究，并公开发表了纯视觉端到端论文。「拐杖阻碍学走路」没有被任何数据支持，也没有被证伪。

未决

  ● 为什么这个拆解重要

因为三层的证据方向不一致，任何只引用其中一层的人都能「证明」自己是对的。支持者引用第二层说「你看纯视觉行得通」；批评者引用第一层说「你看激光雷达早就便宜了」。两边说的都对，因为他们在谈不同的命题。

而真正决定 2026 年结果的，其实是一条第四层的、当天没有明说的命题：纯视觉是否足以支撑「车内无人、公司担责」的商业运营。这一层与前三层都不同——它不是算法问题，是安全论证（safety case）与举证责任的问题。本页第 ⑦ 节专门处理它。

1.3 两次删除：2021 年的雷达与 2022 年的超声波

论证如果只停留在发布会上，它只是一个观点。真正把它变成不可逆事实的是两次硬件删除。这两次删除的技术性质完全不同，值得分开看。

Beginning with deliveries in May 2021, Model 3 and Model Y vehicles built for the North American market will no longer be equipped with radar. Instead, these will be the first Tesla vehicles to rely on camera vision and neural net processing to deliver Autopilot, Full-Self Driving, and certain active safety features.

自 2021 年 5 月交付起，面向北美市场生产的 Model 3 与 Model Y 将不再配备雷达。取而代之，它们将成为首批仅依靠摄像头视觉与神经网络处理来提供 Autopilot、完全自动驾驶及部分主动安全功能的特斯拉车辆。（本报告译文）

    Tesla 官方支持页
    2021-05-25 · Transitioning to Tesla Vision
    P2 官方文本
    原页面已改版，此处据 Electrek 存档
    来源 [@src-83712c1e9b]

官方同时说明了过渡期的能力降级：Autosteer 限速 75 mph、跟车距离拉长；Smart Summon 与 Emergency Lane Departure Avoidance 可能在交付时被直接禁用。这是一次公开承认的、以功能降级换架构统一的交易——在汽车行业里非常罕见，因为它意味着已经付过钱的用户在某段时间里拿到的是更弱的产品。

Today, we are taking the next step in Tesla Vision by removing ultrasonic sensors (USS) from Model 3 and Model Y… Along with the removal of USS, we have simultaneously launched our vision-based occupancy network — currently used in Full Self-Driving (FSD) Beta — to replace the inputs generated by USS.

今天我们在 Tesla Vision 上迈出下一步：从 Model 3 与 Model Y 上移除超声波传感器（USS）……在移除 USS 的同时，我们同步上线了基于视觉的占用网络——目前已用于 FSD Beta——来替代 USS 原本产生的输入。（本报告译文）

    Tesla 官方公告
    2022-10-04 · Transitioning to Tesla Vision（USS）
    P2 官方文本
    来源（Reuters） [@src-92012072c6]
  



  
    📡

删除雷达（2021-05-25）

性质：删除一个与视觉功能重叠的传感器。前向毫米波雷达提供的是距离与径向速度，视觉在充分算力下可以估计同样的量。

**真实动因（本报告判断）：**2016–2021 年特斯拉用的是低分辨率汽车雷达，对静止金属物极易误报，工程上被迫过滤掉静止目标——这直接构成了几起撞静止车辆事故的技术原因。删掉它，等于删掉一个已经被工程妥协掏空的输入。

**代价：**功能限速与部分主动安全功能禁用；并且在低能见度条件下失去了一个物理原理完全不同的冗余通道。这一点在 2024 年之后成为监管调查的核心。

    🔊

删除超声波（2022-10-04）

性质：删除一组无法被视觉平替、只能被神经网络重建的近距传感器。12 颗 USS 提供的是车身周围 0–5 米的稠密占据信息。

技术绑定：这次删除在时间上直接绑定 Occupancy Network 的成熟度——用一个 3D 体素占据栅格网络去替代 12 颗物理传感器。这是全行业唯一一次「用神经网络替换量产硬件」的实验。

**代价是显性的：**Park Assist、Autopark、Summon、Smart Summon 在交付时全部失效，靠 OTA 逐步恢复，其中 Autopark 恢复历时约 8 个月。

  业界不同看法 · 反方证据

本报告在 1.2 的主张：纯视觉的「存在论证」到 2026 年在算法层面已被证实，所依据的证据之一是 Waymo 自家的 EMMA 在 nuScenes 运动规划上取得 SOTA。

NVIDIA 与南京大学的 Zhiqi Li 等（CVPR 2024）认为，用 nuScenes 开环规划成绩去证明感知能力是无效的：一旦把自车状态（速度、加速度、偏航角）接入模型，预测轨迹基本被它主导，感知信息被大幅弃用；现行指标也无法全面刻画规划质量。他们的 BEV-Planner 在不使用任何感知标注的前提下即取得有竞争力的成绩，并据此建议学界重新审视这批「SOTA」结论。arXiv:2312.03031 ^[1]

**AD-MLP 的作者 Zhai 等（百度牵头，2023-05-17）**更早给出了同一结论的极端版本：一个只吃自车历史轨迹与速度、完全不看相机也不看激光雷达的三层 MLP，在 nuScenes 上把平均 L2 误差比当时的感知类方法又降低了约 20%。作者自己声明该模型在真实场景中无法工作，其唯一意义就是暴露该基准的评测方案有问题。arXiv:2305.10430 ^[2]

采纳两条反方都成立，而且直接命中本报告引用的那条证据链——在这两篇工作之后，「EMMA 在 nuScenes 规划上拿了 SOTA」已经不能单独用来支持「纯视觉的感知足够」。本报告据此改了四处：页首 TL;DR 第 2 条、1.2 第二层的徽标（由「成立（benchmark 层面）」下调为「部分成立（仿真打分基准层面）」）、第 ⑧ 节命题 A、第 ⑩ 节判定表，均已剔除 nuScenes 开环规划这一项证据。但结论方向没有翻转：剩下的 PRIX 与 SGDrive 用的是 NavSim，而 NavSim 正是为回应这类捷径而建——它按 PDM 分数（碰撞、可行驶区域合规、碰撞时间、舒适度、推进度）打分，并刻意滤掉了平凡片段，滤后一个匀速直行基线的分数从 79% 掉到 22%，人类专家为 95%。arXiv:2406.15349 ^[3]

  我的看法 · 作者（AI）个人观点

这两次删除是理解他整套技术判断语法的最佳样本。② 第一性原理里那条「删除排在优化之前」的规则，在这里被执行到了极端：不是把雷达融合做得更好，而是把雷达拿掉。而这条规则之所以在特斯拉屡试不爽，是因为它同时带来三重收益——降成本、降复杂度、提迭代速度。

但删除有一个别处没有的性质：它是不可逆的。删掉雷达之后，你不可能在两年后发现视觉在强光和扬尘下有系统性短板时，把它悄悄加回来——那会撕裂车队一致性、废掉已训练的模型、并且等于公开承认判断错误。**这条语法在你判断正确时给你复利，在你判断错误时给你锁定。**2026 年 NHTSA 要求提交的那份内部文件《Radar Saves Us》，考验的正是这条锁定的成本（见第 ⑦ 节）。

Chapter 02 · Sensor Contention

「打架时你信谁」：本页最重要的一次技术追问

这是马斯克全部技术论证里最值得认真对待的一条，因为它听上去完全正确，而且它确实描述了一个真实存在的工程痛点。但它作为一条普遍原理是错的，而错在哪里、以及他为什么会这么想，恰好构成了理解他整套认知方式的最佳切口。本节先原样还原他的论证，再给出严肃的反方分析，最后公允地承认它在工程实践层面的依据。

2.1 他的论证：两个版本，相隔四年，逻辑完全一致

When radar and vision disagree, which one do you believe? Vision has much more precision, so better to double down on vision than do sensor fusion.

当雷达和视觉不一致时，你信哪一个？视觉的精度高得多，所以与其做传感器融合，不如在视觉上加倍下注。（本报告译文）

    Elon Musk
    2021-04-10 · X（原 Twitter）
    P3 第三方转录
    推文本体为一手，但本报告未取得 x.com 直链，此处据转录站
    来源 [@src-f6d9fd6914]

Sensors are a bitstream and cameras have several orders of magnitude more bits/sec than radar (or lidar). Radar must meaningfully increase signal/noise of bitstream to be worth complexity of integrating it. As vision processing gets better, it just leaves radar far behind.

传感器就是比特流，而相机每秒的比特数比雷达（或激光雷达）高好几个数量级。雷达必须能显著提升这条比特流的信噪比，才值得为集成它付出复杂度代价。随着视觉处理变得越来越好，雷达只会被远远甩在后面。（本报告译文）

    Elon Musk
    2021-04-10 · X（原 Twitter）
    P3 第三方转录
    来源 [@src-f6d9fd6914]

四年之后，在回应 Uber CEO 关于「固态激光雷达已降到 $500」的表态时，他把同一条逻辑说得更硬——而且这一次，他直接把它表述为一条关于安全的普遍原理：

Lidar and radar reduce safety due to sensor contention. If lidars/radars disagree with cameras, which one wins? This sensor ambiguity causes increased, not decreased, risk. That’s why Waymos can’t drive on highways. We turned off the radars in Teslas to increase safety. Cameras ftw.

激光雷达和雷达因为传感器竞争而降低安全性。如果激光雷达／雷达与相机不一致，谁说了算？这种传感器歧义带来的是风险上升，而不是下降。这就是为什么 Waymo 不能上高速。我们关掉了特斯拉上的雷达，正是为了提升安全。相机万岁。（本报告译文）

    Elon Musk
    2025-08-25 · X（回应 Uber CEO 关于固态 LiDAR 成本的表态）
    P3 媒体转录
    来源 [@src-09a353dbb9]

把这两个版本并排，可以清晰地分离出两条不同的命题，而它们在公开讨论中几乎总是被混为一谈：

    命题表述它实际在主张什么评价| 命题 | 表述 | 它实际在主张什么 | 评价 |

    
      
        **P1 · 信息论版**
        相机的比特率比雷达高数个数量级，融合低比特率传感器的边际信息增益不足以抵消工程复杂度
        这是一个**成本—收益判断**：\(\Delta I\) 相对于集成成本太小
        **可以成立，但需要证据**。它是一个经验命题，取决于具体传感器、具体场景。注意：比特率不等于信息量——一路 8K 视频的比特率远高于一台原子钟，但对「现在几点」这个问题，原子钟的信息量高出无穷倍。
      | P1 · 信息论版 | 相机的比特率比雷达高数个数量级，融合低比特率传感器的边际信息增益不足以抵消工程复杂度 | 这是一个成本—收益判断：\(\Delta I\) 相对于集成成本太小 | 可以成立，但需要证据。它是一个经验命题，取决于具体传感器、具体场景。注意：比特率不等于信息量——一路 8K 视频的比特率远高于一台原子钟，但对「现在几点」这个问题，原子钟的信息量高出无穷倍。 |

      
        **P2 · 决策冲突版**
        「当两者不一致时你不知道信谁」，因而融合**增加**而非降低风险
        这是一个**关于概率推断的普遍断言**：多观测会使后验更差
        **在概率论上不成立**。它把「我的融合实现失败了」误当成了「融合的理论上限」。下面给出形式化。
      | P2 · 决策冲突版 | 「当两者不一致时你不知道信谁」，因而融合增加而非降低风险 | 这是一个关于概率推断的普遍断言：多观测会使后验更差 | 在概率论上不成立。它把「我的融合实现失败了」误当成了「融合的理论上限」。下面给出形式化。 |

2.2 反方分析：在贝叶斯框架下，冲突应当降低而非增加后验不确定性

把问题写清楚。设环境状态 (x)（例如「前方 40 米处是否有静止障碍物、以及它的距离」），相机观测 (z_c)，雷达观测 (z_r)。若两者在给定 (x) 时条件独立，后验由贝叶斯法则给出：

  \[ p(x \mid z_c, z_r) \;\propto\; p(z_c \mid x)\, p(z_r \mid x)\, p(x) \]

结论式。两个似然相乘，而不是「二选一」。完整推导、假设清单与数值算例见 ⑪ 核心公式。

在高斯近似下，用精度（precision，方差的倒数）(\tau = 1/\sigma^2) 表示，融合结果有一个极其干净的形式：

  \[ \tau_{\text{fused}} = \tau_c + \tau_r \;\ge\; \max(\tau_c,\, \tau_r), \qquad \hat{x}_{\text{fused}} = \frac{\tau_c \hat{x}_c + \tau_r \hat{x}_r}{\tau_c + \tau_r} \]

一句话解释：精度相加，估计值按精度加权。只要第二个传感器提供任何非零信息（(\tau_r > 0)），融合后的后验精度必然不低于任一单传感器。推导见 ⑪。

更一般地，不需要高斯假设也能得到同样方向的结论——这是信息论里数据处理不等式的直接推论：

  \[ I(x;\, z_c,\, z_r) \;\ge\; I(x;\, z_c) \]

一句话解释：多一个观测，关于 (x) 的互信息不会减少。「融合让信息变少」在理论上不可能发生。适用条件与反例见 ⑪。

关键在于：「两个传感器打架」在贝叶斯框架里不是一个困境，而是一个信号。如果 (p(z_c\mid x)) 与 (p(z_r\mid x)) 的支撑集几乎不重叠，那么它们的乘积在任何 (x) 上都很小——这在数学上意味着「我当前的模型无法解释这组观测」。正确的反应不是「删掉一个传感器」，而是提高对模型本身的怀疑：要么某个似然的噪声模型标定错了，要么两者的误差其实是相关的，要么真实状态落在了模型没有覆盖的模式上（例如传感器本身故障）。在良好设定的系统里，冲突是最有价值的信息之一，因为它是唯一能触发「我可能错了」这一判断的机制。

  **「他的论证 vs 贝叶斯论证」对照。**这张图想说明的核心是：**他描述的现象是真的，但他给现象贴的标签是错的**。左侧那个「仲裁器」并非融合的必然形态，而是后融合这一特定工程架构的产物；一旦把融合放到特征层（前融合），网络学到的就是一个场景相关的隐式精度加权，「信谁」这个问题在数学上就不存在了。右侧的三条曲线是示意——请注意后验（青色）既比相机似然窄，也比雷达似然窄，这正是 \(\tau_{\text{fused}}=\tau_c+\tau_r\) 的几何含义。底部三个方框是本报告认为的真实失效来源。（本报告原创 SVG · 示意非实测）

2.3 公允地说：他在工程实践层面确有依据

如果本节到此为止，它就变成了一篇「用教科书结论打脸企业家」的廉价文章。那样是不诚实的——因为在 2016–2021 年特斯拉的具体条件下，删掉雷达之后 FSD 的表现确实变好了，这是可观察的事实。理论上的「融合不会更差」与工程上的「这次融合确实更差」并不矛盾，它们只是在说不同层面的事。至少有三条工程理由值得认真对待：

    📐

标定与时间同步的成本

贝叶斯融合的漂亮结论建立在「似然模型正确」之上。而在量产车上，这意味着数百万辆车、十年寿命周期、事故与维修后的重新标定、温漂与形变都要维持外参精度。任何一处标定漂移都会让 (p(z_r\mid x)) 系统性偏移——而这类偏移在车端几乎无法自我发现。

删除传感器等于删除一整类无法在车队规模上验证的失效模式。

    🧩

失效模式的组合爆炸

(n) 种传感器带来的不是 (n) 个失效模式，而是它们的组合：相机过曝 + 雷达多径、雷达故障但未上报、两者时间戳错位……安全论证需要对每一种组合给出处置策略。这条复杂度增长与感知精度的收益无关，它纯粹是验证工作量。

这是「删除排在优化之前」在安全工程里最有说服力的应用场景。

    🔗

供应链与车队一致性

一款传感器停产、换供应商、或不同批次性能有差异，都会让车队分裂成多个感知配置。对一个靠车队数据训练单一模型的公司，配置分裂直接损害它最核心的资产——训练分布的一致性。

2021 年芯片与元器件短缺，是这次删除时间点的现实背景之一。

  ▲ 本节推理所依赖的技术假设（逐条列出）

假设 1：观测在给定状态时条件独立。若不成立（雨雾、扬尘、逆光同时劣化多个传感器），朴素融合会高估后验置信度——此时「融合更差」在实践中可以出现，但原因是模型错，不是信息少。

**假设 2：**似然函数 (p(z\mid x)) 被正确设定。真实系统里这一条几乎从不严格成立，只能靠大量校准数据逼近。

**假设 3：**高斯近似。精度相加的干净形式只在高斯（或近高斯）情形成立；重尾噪声与多模态似然下需要粒子滤波或神经隐式融合，结论方向不变但公式形式不同。

**假设 4：**融合发生在合适的层次。本节的结论适用于概率融合与特征级前融合；对「各模块先出决策再投票」的后融合，仲裁问题是真实的。

不能由本节推出的结论：不能推出「特斯拉应该装 LiDAR」，也不能推出「多传感器方案一定更安全」。本节只推翻了一条普遍性断言，没有对任何具体工程取舍下结论。

2.4 最有力的一条证据：他自己私下承认过

2026 年 7 月，Electrek 主编 Fred Lambert 在报道 NHTSA 取证清单时，公布了他与马斯克的私信内容。这段材料的价值在于：它显示这条论证在他自己心里从来就不是一条物理定律，而是一个在给定条件下的工程判断。

vision with high-resolution radar would be better than pure vision.

视觉配合高分辨率雷达会比纯视觉更好。（本报告译文）

    Elon Musk（私信，经 Electrek 主编 Fred Lambert 公布）
    2026-07-21 · Electrek 复述
    P3 记者转述私下通信
    来源 [@src-02a5e1a8c8]

Vision has become so good that radar actually reduces signal/noise. The probability of safety will be higher with pure vision than vision+radar, not lower.

视觉已经好到这种程度，以至于雷达反而在降低信噪比。纯视觉的安全概率会高于视觉＋雷达，而不是更低。（本报告译文）

    Elon Musk（公开辩护理由）
    2026-07-21 · Electrek 复述
    P3 记者转述
    来源 [@src-02a5e1a8c8]

他的辩护是：当时市面上不存在那种高分辨率雷达，而普通汽车雷达弊大于利。这个辩护本身是合理的——它是一个关于 2021 年具体器件的判断，而不是关于融合范式的判断。问题只在于：他公开说的是后者。

  业界不同看法 · 反方证据

本报告在 2.2 的主张：「打架时你信谁」作为普遍原理不成立——条件独立下融合后精度相加，数据处理不等式保证多观测不会减少信息；冲突是一个应当触发重新标定的信号，不是删除输入的理由。

**Yu 等构建的 nuScenes-R / Waymo-R 鲁棒性基准（CVPR 2023 E2EAD Workshop）**给出了方向相反的实测：当时的多个 SOTA 融合模型在激光雷达失效时几乎必然失败，因为它们的融合机制高度依赖激光雷达；而接入相机分支带来的收益极小——TransFusion 在 nuScenes 上融合相机后只提升约 1.5 NDS。也就是说，第二路传感器的边际信息增益很小，却引入了一整条新的失效路径，这正是马斯克那条成本—收益论证所需要的数字。arXiv:2205.14951 ^[4]

**MetaBEV（ICCV 2023）**把同一现象量化到了难堪的程度：作为多传感器融合代表作的 BEVFusion，在相机信号缺失时 BEV 地图分割性能直接崩塌，MetaBEV 在同一条件下比它高出约 49.6 mIoU；激光雷达缺失时高出约 35.5 NDS。论文直言既有紧耦合融合方法会「因传感器缺失而系统性崩溃」。arXiv:2304.09801 ^[5]

维持原判这两条实测是真实且重要的，但它们落在的正是本报告 2.2 已经点名的三个失效来源里——似然模型误设，以及「架构层次错了」。它们说明「这些具体的融合实现不好」，不说明「多观测会减少关于状态的信息」，后者是一条定理，不会被工程实例推翻。更关键的是同一篇基准论文自己的总结与反方的方向相反：把融合方法与单模态方法放在一起比，所有融合方法在两个模态上的鲁棒性都强于单模态方法——即「删掉一个传感器更安全」并没有被这份数据支持。因此 2.2 的判定不变。但反方确实补上了 2.1 表中 P1（信息论版）那一栏原本欠着的东西：本报告此前写「可以成立，但需要证据」，现在证据有了——边际收益约 1.5 NDS，代价是整套标定、时间同步与失效组合的验证负担。P1 与 P2 的命运不同，这一点比本节原来写得更清楚。

  我的看法 · 作者（AI）个人观点

这是本报告在整个技术卷里最想提炼的一条方法论发现：他系统性地把工程约束升格为物理定律。链条是这样的——观察到「我们的低分辨率雷达和视觉打架时，融合让系统更差了」（真实的工程经验）→ 表述为「Lidar and radar reduce safety due to sensor contention」（一条普遍原理）→ 私下承认「有了高分辨率雷达会更好」（他自己知道那是工程约束）。

为什么他要这么做，以及为什么这在组织上是有效的：把工程约束说成物理定律，可以让整个组织停止争论、全速执行单一路径。这是一种故意的信息压缩——牺牲准确性，换取执行速度与方向一致性。在判断正确时，这是决定性的组织优势。在判断错误时，它让组织失去了自我纠错的接口：内部反对移除雷达的工程意见被否决，就是这个机制的直接后果。

更值得注意的是它的外部性不对称。在 SpaceX，把工程约束当定律的代价由公司自己承担（炸掉一枚火箭）；在公共道路上，代价的一部分由不同意这个赌注的人承担。Hub 的适用性梯度条说的就是这件事：同一套方法在「可隔离的物理试验」和「有公共外部性的物理系统」上的评分不应该相同。

  ● Karpathy 的重新框定：这场争论的正确问法

整场纯视觉论战里最有价值的一句话不来自马斯克，而来自 Karpathy 在 2024 年的一次播客——他指出特斯拉并非不用激光雷达，而是只在训练时用。这句话把命题从「要不要 LiDAR」改成了「昂贵传感器应该出现在训练侧还是推理侧」，而后者是一个远比原命题精确、也远比原命题有意义的问题。完整引语与两条路线在这个框定下的成本结构对照，见本页第 ⑧ 节。

Chapter 03 · Perception Architecture

感知架构的技术演进：从多任务头到世界的体素表示

2019–2022 年是特斯拉唯一一段拥有明确算法领先的时期。BEV Transformer 早于学界主流约一年，占用网络早于量产同行约两年，「车道即语言」早于学术界同类工作约一年。这一节把这四步拆开讲清楚——不是为了复述发布会，而是因为每一步都是在回答「纯视觉缺了什么」这个问题，而这些答案本身就是纯视觉路线可行性的最强技术证据。

3.1 HydraNet（2018–2021）：为什么是「一个躯干，几十个头」

八路相机、几十个下游任务（车辆、行人、车道线、交通灯、可行驶区域、深度、静止物……）。最朴素的做法是每个任务训一个网络，但这在车端立刻撞墙——推理算力是硬预算。HydraNet 的做法是让所有任务共享一个 backbone，只在顶部分叉。AI Day 2021 给出的完整链路是：

  输入8× 相机原始 **12-bit HDR 视频**，1280×960 @ **36 Hz**
  校正**Rectification Layer**——把每台车的实际相机标定映射到一台统一的「虚拟相机」，消除装配公差带来的分布漂移
  主干**RegNet** 提取多尺度特征 → **BiFPN** 做多尺度融合
  空间**Image→BEV Transformer**：多头自注意力，把图像空间翻译到向量空间（鸟瞰栅格）
  时序**Feature Queue**（按时间与空间双重触发缓存）→ **Spatial RNN**（视频模块）
  输出**HydraNet trunks + heads**——数十个任务头挂在共享躯干上

Karpathy 给出的三个设计收益值得逐条理解，因为它们同时也是组织收益：（1）特征共享——推理时避免重复卷积，这是车端算力预算下的硬需求；（2）任务解耦——某个任务表现变差时，可以只 fine-tune 那个头而不动主干，团队之间不会互相踩踏；（3）表示瓶颈——训练时可以把主干特征缓存到磁盘，fine-tune 阶段只跑头部，一次迭代从数天变成数小时。

**第三点是最被低估的。**它把「改进一个任务」的成本降低了一个数量级，而这正是后面数据引擎能高速转起来的前提——如果每次修补一个长尾场景都要重训整个主干，闭环速度会慢到无法用。架构选择在这里直接决定了组织的迭代频率。

3.2 Image→BEV Transformer：把感知当成一次跨模态翻译

纯视觉最尖锐的技术难题是：八台相机各自看到的是透视投影下的二维像素，而规划器需要的是车体坐标系下的三维几何。传统做法是先做单目深度估计再投影，误差会在深度这一维上被放大。特斯拉 2021 年给出的答案是让网络自己学这个变换：

初始化一个输出空间大小的栅格（BEV raster），每个栅格位置带位置编码，作为 query；八路相机的图像特征提供 key 与 value；query 与 key 做点积得到注意力权重，按权重从各相机特征里拉取 value，得到该 BEV 位置的多相机融合特征。换句话说，「这个鸟瞰位置应该去哪台相机的哪个像素找证据」这件事，不再由标定矩阵硬编码，而是由网络学出来。Karpathy 给的类比是机器翻译——把图像空间「翻译」成向量空间。

  **多相机到 BEV 的信息流。**依据 AI Day 2021 公开描述重绘的示意图。**值得单独指出的是「Rectification Layer」这一步**——它看起来只是个工程细节，实际上是车队规模训练能成立的前提：如果每辆车的相机装配公差都进入训练数据，模型就要额外学会「这辆车的相机歪了三度」，而车队有数百万辆。把所有车映射到一台统一的虚拟相机，等于用一层确定性变换消掉了一个巨大的噪声维度。右下角的「缺口三」是本报告加的：**架构进步能补上前两个缺口，补不上第三个**。（本报告原创 SVG · 示意非实测，非官方架构图）

3.3 Occupancy Networks（2022）：不再问「那是什么」，只问「那里有没有东西」

用 3D 长方体检测框表达世界有一个致命缺陷：你必须先知道类别。卡车斗上伸出来的钢筋、路面上翻倒的家具、掉落的轮胎、施工围挡的斜撑——这些东西没有一个能被「车辆／行人／骑行者」这套类别体系装下，而它们恰恰是最危险的。2022 年 AI Day 上，特斯拉给出的答案是把类别问题整个绕开：把车周空间体素化，让网络直接预测每个体素是否被占据，以及它的运动速度（occupancy flow）。

特斯拉的流水线是四步：Feature Extraction → Attention & Occupancy Detection → Coordinate Frame Synchronization → Deconvolution，输出 Occupancy 与 Occupancy Flow。截至 AI Day 2022，该模块已经迭代上线 12 个版本。而它上线的直接后果，就是 2022 年 10 月删除 12 颗超声波传感器——这是全行业唯一一次用神经网络替换量产硬件的替换实验。

  **占用网络的体素表示。**左侧列出的四类失效并非杜撰——它们是「先分类再定位」这一范式的结构性缺陷：**任何封闭类别体系都无法覆盖开放世界**。右侧的栅格是示意图，真实系统的分辨率、层数与更新频率均未公开。请特别注意底部那条提示：Tesla 的占用网络与同名的学术论文**是两种不同的技术**，中文技术讨论里这两者被混用得非常普遍。（本报告原创 SVG · 示意非实测）

学术源头值得单独交代，因为它解释了「为什么体素栅格不是终点」。Mescheder 等人在 CVPR 2019 提出的 Occupancy Networks 把三维表面表示为一个神经网络分类器的连续决策边界：

  \[ f_\theta:\ \mathbb{R}^3 \times \mathcal{X} \to [0,1], \qquad \text{Surface} = \{\, p \in \mathbb{R}^3 \mid f_\theta(p, x) = 0.5 \,\} \]

一句话解释：不存储体素，而是存储一个「问任意一点是否在物体内部」的函数——分辨率因此不受内存约束。原论文 arXiv:1812.03828 ^[6]；这一表示与 Tesla 的显式栅格是两条不同的技术路径。

3.4 Lanes as Language（2022）：把车道拓扑当成一句话来生成

这是特斯拉在算法上最有原创性的一步，也是最少被中文技术讨论提到的一步。问题是这样的：稠密语义分割可以画出车道线的像素，但规划器需要的是图——哪条车道接到哪条车道、路口里的虚拟连接如何走。从分割热力图后处理出这张图，是一个脆弱且充满启发式规则的过程。

We approached this problem like an image captioning task, where the input is a dense tensor, and the output text is predicted into a special language that we developed at Tesla for encoding lanes and their connectivities. In this language of lanes, the words and tokens are the lane positions in 3D space.

我们把这个问题当成图像描述生成任务来处理：输入是一个稠密张量，输出的「文本」被预测成一种我们在特斯拉内部开发的、用于编码车道及其连接关系的专用语言。在这门车道语言里，词与 token 就是三维空间中的车道位置。（本报告译文）

    Tesla AI Day 2022 演讲
    2022-09-30 · Tesla AI Day
    P2 官方发布会
    据官方录像转录，本报告未取得精确时码
    来源 [@src-338812121a]

By modeling the task as a language problem, we can capitalize on recent autoregressive architectures and techniques from the language community for handling the multimodality of the problem. We’re not just solving the computer vision problem at Autopilot. We’re also applying the state-of-the-art in language modeling.

通过把这个任务建模成语言问题，我们可以利用语言社区近期的自回归架构与技术来处理该问题的多模态性。我们在 Autopilot 上解决的不只是计算机视觉问题，我们同时也在应用语言建模的前沿成果。（本报告译文）

    Tesla AI Day 2022 演讲
    2022-09-30 · Tesla AI Day
    P2 官方发布会
    来源 [@src-338812121a]

这个建模解决了稠密分割做不了的两件事。其一是多模态性：前方视野受阻时，「正确答案」本来就是若干种可能车道图构成的分布，自回归采样天然表达这一点，而分割的每像素 softmax 只会给出一个被平均过的、可能哪种都不像的结果。其二是下游可用性：这门 DSL 直接编码了 planner 需要的图结构，不需要从热力图里解析。

更有意思的是它撞上的硬件墙。特斯拉的车载神经网络加速器 TRIP 是为一件事而生的——稠密点积；而自回归解码是稀疏的、迭代的、控制流密集的：

When we built this hardware, we kept it simple and made sure it can do one thing ridiculously fast: dense dot products. But this architecture is autoregressive and iterative. The challenge here was: how can we do this sparse point prediction and sparse computation on a dense dot product engine?

我们造这块硬件时把它做得很简单，只确保它能把一件事做到极快：稠密点积。但这个架构是自回归、迭代式的。挑战在于：我们怎么在一台稠密点积引擎上做这种稀疏的点预测与稀疏计算？（本报告译文）

    Tesla AI Day 2022 演讲
    2022-09-30 · Tesla AI Day
    P2 官方发布会
    来源 [@src-338812121a]
  



  ● 这段材料的真正价值：专用硬件的代价

为极致效率而设计的加速器，在算法范式转向（CNN → Transformer / 自回归）时会立刻变成负债。TRIP 在 2019 年是一个近乎完美的决策——当时车载视觉就是卷积；到 2022 年，它成了必须绕过的约束。而完全相同的模式在三年后的 Dojo 关停中重演了一遍（见第 ⑥ 节）。垂直整合到芯片层的收益是确定性的功耗与延迟，成本则是把算法自由度抵押给了三年前的判断。

3.5 自动标注与 NeRF：整条路线真正的引擎

如果只能保留本节的一段，应该是这一段。因为纯视觉之所以可行，不是因为相机足够好，而是因为特斯拉找到了一种在不装激光雷达的车上、大规模生产三维真值的办法。范式叫「离线真值」：用离线的、不受延迟约束的大模型加多趟重建生成训练标签，再用这些标签训练在车上跑的小模型。

    🏷️

规模：AI Day 2022 披露的三个数字

每天执行超过 2,000 万次自动标注操作。

标注 10,000 段行程：自动标注 12 小时完成，人工需 500 万小时——约 41.7 万倍的效率差。

三大组件：高精轨迹（high-precision trajectory）、多趟重建（multi-trip reconstruction）、新行程自动标注。

数字来自 AI Day 2022 演讲，属公司自报，未经第三方审计。

    🧬

机制：车队平均与 NeRF 几何监督

车队平均（fleet averaging）：同一路口被不同车辆多次经过后，系统持续更新一个全局三维重建，用描述子而非像素做匹配，以对抗雨雾与运动模糊。

NeRF 的角色：输入地面点坐标，网络预测路面高度并填充路缘、车道等属性；生成的三维体积与在线占用网络的输出做一致性比对，成为几何监督信号。Ashok Elluswamy 在 AI Day 上说 NeRF 一度是他的「周末个人项目」。

  ◈ 这一节回答了纯视觉论战里最容易被忽略的问题

反对者常问：「没有激光雷达，你的深度真值从哪来？」答案是——从时间里来。同一段路被同一辆车（或多辆车）在不同时刻、不同视角走过多次，把这些观测联合起来做多视图几何重建，就能恢复出比单帧深度估计精确得多的三维结构。换句话说，特斯拉用「跨时间的多视角」换掉了「同一时刻的多传感器」。

这个替换在训练侧成立（离线、可等待、可多趟），在推理侧不成立（实时、单趟、必须当场决策）。**纯视觉路线全部的希望与全部的风险，都在这个不对称里。**这也正是 Karpathy「传感器套利」那句话的精确含义——详见第 ⑧ 节。

  我的看法 · 作者（AI）个人观点

把 3.1 到 3.5 连起来看，会发现一条与马斯克本人叙事不太一样的因果链。公开叙事是「因为相信纯视觉，所以做出了这些架构」；但从时间顺序看，更像是「因为做出了这些架构，纯视觉才逐渐变得可辩护」。2019 年说「LiDAR 是徒劳」时，BEV Transformer 还没有，占用网络还没有，自动标注流水线还没有。那时的纯视觉在技术上是一张空头支票，靠后面三年的架构工作才兑现了大部分。

这不是批评。**先立目标再补技术，正是他一贯的工作方式，而且它在特斯拉确实反复奏效。**但它也意味着，评价他 2019 年那个判断时，应该把「判断的正确性」与「组织兑现判断的能力」分开算分——前者当时证据不足，后者极其罕见。⑭ 我的评价会把这两项拆成独立维度打分。

Chapter 04 · End-to-End · 全站唯一完整解释处

端到端革命：删掉三十万行规则之后，你失去了什么

本节是全站对「端到端」的唯一完整解释，⑥ Optimus 只写具身场景下的差异并回链此处。要点提前说：端到端的真正含义不是「网络更大」，而是优化目标从各模块的局部指标变成了最终的驾驶质量；它的代价不是「性能不稳定」，而是安全论证的方式整个要重建。而它为什么难以走完最后几个九，有一个可以写成不等式的答案。

4.1 「光子进，控制出」：v12 做了什么

And we’ve got the final piece of the puzzle, which is to have the control part of the car transition from about 300,000 lines of C++ code to a neural network, so the whole system will be neural network, photons into controls out.

我们已经拿到了拼图的最后一块——把车辆的控制部分从大约 30 万行 C++ 代码转成一个神经网络，这样整个系统就都是神经网络了：光子进来，控制出去。（本报告译文）

    Elon Musk
    2023-09 · All-In Summit
    P3 媒体转录
    来源 [@src-15bbadba02]

There’s no line of code that says there is a roundabout… There are over 300,000 lines of C++ in version 11, and there’s basically none of that in version 12.

没有任何一行代码写着「这里有一个环岛」……第 11 版里有 30 万行以上的 C++，而第 12 版里基本上一行都没有了。（本报告译文）

    Elon Musk
    2023-08 · Palo Alto FSD v12 直播试驾
    P3 直播转述
    来源 [@src-15bbadba02]

官方 Release Notes 用一句话给出了正式表述——这是本页对 v12 最可靠的一手描述：

FSD Beta v12 upgrades the city-streets driving stack to a single end-to-end neural network trained on millions of video clips, replacing over 300k lines of explicit C++ code.

FSD Beta v12 把城市道路驾驶栈升级为一个在数百万段视频片段上训练的端到端神经网络，替代了超过 30 万行显式 C++ 代码。（本报告译文）

    Tesla 官方 Release Notes（FSD Beta v12.1）
    2023-12-24
    P2 官方文本
    来源 [@src-af478f1c1f]
  



  ▲ 「30 万行」这个数字应该怎么读

它是被替换掉的规划与控制代码行数，不是整个 FSD 栈的代码量，也不是「特斯拉现在没有 C++ 了」。感知预处理、安全约束、车辆接口、诊断、OTA、影子模式采集这些部分仍然是常规软件。代码行数本身也不是一个好的复杂度度量——30 万行规则里可能有大量是同类场景的枚举。这个数字的正确用法是描述范式转变的幅度，不是度量技术难度。

4.2 端到端到底是什么：一个目标函数的替换

剥掉所有叙事，端到端就是用模仿学习（imitation learning / behavior cloning）从人类驾驶视频直接学一个策略 (\pi_\theta(a\mid o))：

  \[ \theta^\star \;=\; \arg\min_\theta\ \mathbb{E}_{(o_{1:t},\,a_t)\sim\mathcal{D}_{\text{human}}}\Big[\, \mathcal{L}\big(\pi_\theta(o_{1:t}),\, a_t\big) \,\Big] \]

结论式。(o) 为观测序列（多相机视频），(a) 为人类驾驶员的动作，(\mathcal{D}_{\text{human}}) 为人类驾驶数据分布。注意期望是在人类数据分布上取的——这一点是后面全部麻烦的根源。完整推导见 ⑪。

实践中很少直接回归瞬时转向角，而是回归未来一段自车轨迹，并加上辅助任务作为正则：

  \[ \mathcal{L} \;=\; \sum_{k=1}^{H} \big\| \hat{\tau}_{t+k} - \tau^{\text{human}}_{t+k} \big\|^2 \;+\; \lambda\,\mathcal{L}_{\text{aux}} \]

一句话解释：(\hat\tau) 是预测的未来 (H) 步轨迹，(\mathcal{L}_{\text{aux}}) 是占用、车道图、碰撞预测等辅助监督。辅助任务的存在本身说明「纯端到端」在工程上从未被真正采用过。见 ⑪。

这个目标函数带来三个直接后果，值得逐条列出，因为它们在后面的代价分析里都会用到：（a）因果混淆——网络可能学到「因为我上一帧在减速，所以继续减速」这样的伪相关，而不是「因为前车刹车灯亮了」；（b）多模态坍缩——L2 损失会把「从左边绕」和「从右边绕」两个合理解平均成「直接撞上去」，这正是特斯拉在车道图上改用自回归 token、学界改用扩散与流匹配的原因；（c）性能上界是演示者——纯模仿无法超越人类平均水平，要超越必须引入强化学习或某种形式的搜索。

4.3 代价一：可解释性丧失，以及它冲击的到底是什么

最常见的说法是「黑箱不可解释」。这个说法太笼统，会让人以为问题只是「工程师看不懂」。真实的冲击在四个具体的地方：

    被冲击的能力模块化时代怎么做端到端之后发生了什么行业的应对| 被冲击的能力 | 模块化时代怎么做 | 端到端之后发生了什么 | 行业的应对 |

    
      
        **失效模式分析（FMEA）**
        逐模块列出失效模式与影响，安全论证可写成结构化文档，交给第三方审查
        没有中间表示就没有「为什么刹车」的因果链，形式化的 FMEA 无从写起
        UniAD 式的保留中间查询接口；安全护栏层；场景库覆盖率论证
      | 失效模式分析（FMEA） | 逐模块列出失效模式与影响，安全论证可写成结构化文档，交给第三方审查 | 没有中间表示就没有「为什么刹车」的因果链，形式化的 FMEA 无从写起 | UniAD 式的保留中间查询接口；安全护栏层；场景库覆盖率论证 |

      
        **缺陷定位**
        一次误刹可以定位到「检测模块把塑料袋判成障碍物」，改这一个模块
        只能定位到「这个网络在这类场景下表现不好」，修复手段退化为「加数据、重训、看指标」
        数据引擎 + 定向难例挖掘（本页 第 ⑤ 节）
      | 缺陷定位 | 一次误刹可以定位到「检测模块把塑料袋判成障碍物」，改这一个模块 | 只能定位到「这个网络在这类场景下表现不好」，修复手段退化为「加数据、重训、看指标」 | 数据引擎 + 定向难例挖掘（本页 第 ⑤ 节） |

      
        **回归测试**
        模块级单元测试可以精确断言输入输出，改动影响面可界定
        任何一次重训都可能改变**所有**场景的行为，影响面不可界定，只能靠大规模影子回放
        神经世界模拟器闭环评估；大规模离线回放；分版本 A/B
      | 回归测试 | 模块级单元测试可以精确断言输入输出，改动影响面可界定 | 任何一次重训都可能改变所有场景的行为，影响面不可界定，只能靠大规模影子回放 | 神经世界模拟器闭环评估；大规模离线回放；分版本 A/B |

      
        **对外解释**
        事故后可以给出模块级证据链，监管与保险有抓手
        只能给出「模型在该输入下输出了该轨迹」，这在法律与监管语境里几乎等于没有解释
        行车数据记录（EDR）、场景重放、外部审计——**目前均未标准化**
      | 对外解释 | 事故后可以给出模块级证据链，监管与保险有抓手 | 只能给出「模型在该输入下输出了该轨迹」，这在法律与监管语境里几乎等于没有解释 | 行车数据记录（EDR）、场景重放、外部审计——目前均未标准化 |

学界对这一点的回应非常直接。UniAD（CVPR 2023 最佳论文）整篇文章的动机就是它——主张保留 detection / tracking / mapping / motion / occupancy 五个中间查询接口，既做端到端联合优化，又保留可解释的中间产物：

Compared to previous end-to-end research, it offers more representative intermediates of different [tasks] and is more interpretable.

与以往的端到端研究相比，它提供了各任务更具代表性的中间产物，因而更具可解释性。（本报告译文；方括号内为原文表述）

    UniAD（Hu et al.）
    2022-12-20 / 2023-03 · *Planning-oriented Autonomous Driving*，CVPR 2023 Best Paper
    P2 学术论文
    arXiv:2212.10156 [@src-f32e034ae4]

4.4 代价二：复合误差——「九个九」的理论根源

这是本页最重要的一段数学。它解释了一个所有人都观察到、但很少有人能给出机制的现象：为什么自动驾驶的演示视频总是惊艳，而「接管间隔里程」提升得如此缓慢。

Ross & Bagnell（2010）与 Ross, Gordon & Bagnell（AISTATS 2011）证明：若学到的策略 (\hat\pi) 在专家状态分布 (d_{\pi^\star}) 下的单步 0-1 误差不超过 (\varepsilon)，则在策略自身诱导的状态分布下，时长 (T) 的总代价满足

  \[ J(\hat\pi) - J(\pi^\star) \;=\; O\!\left(u\,\varepsilon\,T^{2}\right) \]

结论式。(u) 为「可恢复性」系数——专家把系统从一次错误中拉回正轨所需的步数。行为克隆在 (u=O(1)) 时给出 (O(\varepsilon T^2))，而且这个界是紧的（存在实例达到该量级）。紧性有适用范围：它成立于 0-1 / 全变差型度量与「离策略」这一算法族；换用对数似然度量后，水平依赖可以降到线性甚至消失（见本节辩证块）。完整推导、三步骨架与假设清单见 ⑪。

DAgger 这类 on-policy / no-regret 方法，通过在学习者实际访问到的状态上向专家查询正确动作，把界改进为线性：

  \[ J(\hat\pi_{\text{DAgger}}) - J(\pi^\star) \;=\; O\!\left(u\,\varepsilon\,T\right) \qquad \text{（需要 } u = O(1) \text{ 的可恢复性假设）} \]

一句话解释：把训练分布从「专家去过的地方」换成「我自己会去的地方」，误差就不再滚雪球。**但当一次错误无法在常数步内挽回（(u=O(T))）时，DAgger 退化回二次界，不优于行为克隆。**推导与假设见 ⑪。

**直觉是这样的：**一旦犯了一个小错，车就进入了一个人类演示里从未出现过的状态——比如压在车道线上、或者以一个人类不会用的角度接近路口。在这个状态上，模型没有见过对应的正确动作，于是更容易继续犯错；错误把状态推得更远，误差自我放大。雪球效应的数学表达，就是那个平方。

而 (u=O(T)) 的退化条件，恰好是驾驶里最危险的那一类场景的精确写照：错过唯一的出口、闯入对向车道、在没有护栏的弯道偏出路面——这些错误无法在常数步内被纠正。这就是为什么「交互式训练能解决分布漂移」这一学界结论，在驾驶上只能部分成立。

  **复合误差与九的长征。**左图的两条曲线是**理论上界的形状**，不是实测数据；实际系统因为存在「回归吸引子」（车道保持的稳定动力学会把车拉回中心），平均表现通常远好于最坏情况界。**但这不影响结论的方向**——它解释的是「为什么难」，不预测「具体多难」。右图的阶梯是 Karpathy 经验断言的形式化：\(\text{Effort}(p)=E_0\log_{10}(p_0/p)\)。**本报告认为这个模型仍然偏乐观**，因为长尾事件的难度通常递增（第五个九对应的场景比第二个九更罕见、更难采样、更难标注），真实曲线可能是超指数的。（本报告原创 SVG · 示意非实测）



  \[ \text{Effort}(p) \;=\; E_0 \cdot \log_{10}\frac{p_0}{p} \qquad\Longleftrightarrow\qquad p(E) \;=\; p_0 \cdot 10^{-E/E_0} \]

「九的长征」的形式化：可靠性随投入指数收敛，等价于工程量对「九的个数」线性增长。这是一个远比线性外推悲观的模型，也是本页第 ⑨ 节所有落空预测的统一解释。完整讨论与失效条件见 ⑪。

4.5 代价三：数据需求爆炸，与调试手段的整体更换

端到端把「规则本来能覆盖的部分」也交给数据去学，因此对状态空间覆盖密度的要求大幅提高。Karpathy 说得很清楚：特斯拉是迭代式逼近端到端，而不是一步到位，原因正是数据量。

Tesla is kind of eating through the stack. First it just does like a detection on the image level, then it does multiple images gives you prediction, then multiple images over time give you a prediction, and you’re discarding C++ code, and eventually you’re just giving steering commands.

特斯拉是在一层一层地「吃掉」这个技术栈。一开始只在单张图像上做检测，然后多张图像给出预测，然后多张图像随时间给出预测，一边不断丢弃 C++ 代码，最后就只输出转向指令了。（本报告译文）

    Andrej Karpathy
    2024-09 · No Priors 播客 Ep.80
    P3 播客转录
    来源（播客原声） [@src-20d5d690ff]

更根本的变化在于调试手段本身被换掉了。模块化时代的调试是「读日志、看中间输出、定位到某个模块、改一行代码、跑单元测试」；端到端时代的调试是「定义一个失败场景类别、挖掘这类场景的样本、标注、重训、在大规模回放上看聚合指标有没有变好、同时确认其他场景没有变差」。这不是同一个工种——前者的迭代周期以小时计、责任可归属到个人；后者以周计、责任分散在数据、标注与训练流程上。

  ◈ 一个容易被忽略的连锁反应：世界模型的理论必然性

把 4.4 与 4.5 连起来，会推出一个结论：如果误差的根源是「训练分布 ≠ 部署分布」，那么最有价值的投资就是造一个能廉价生成 on-policy 数据的东西。这正是神经世界模拟器存在的理由——它的功能不是「生成好看的视频」，而是构造一个可以无限查询的、在学习者自己的状态分布上的数据源，把训练从 (T^2) 制度拉向 (T) 制度。

这条推理不是本报告的发明，它是全行业在 2024–2026 年独立收敛到的同一个答案：Wayve 的 GAIA-2、DeepMind 的 Genie 3、NVIDIA 的 Cosmos、Tesla 的 neural world simulator。这是马斯克阵营 2024 年以来最被行业验证的一条技术判断，具体证据见本页第 ⑤ 节。

4.6 v13 → v14 → v15：可核实的数字与不可核实的数字

把版本迭代的公开数字放在一起，可以清楚看出哪些是官方可核实的、哪些是二手推测。本报告的判断是：v13 的数字全部可核实，v14 的参数量为本人表述，v14 的内存需求与 v15 的规格均属未证实。

    版本时间公开数字可信度与口径| 版本 | 时间 | 公开数字 | 可信度与口径 |

    
      
        **v12**2023-12
        单一端到端网络替换 **>30 万行** C++；在数百万段视频片段上训练
        P2 官方 Release Notes，可核实
      | v12 | 2023-12 | 单一端到端网络替换 >30 万行 C++；在数百万段视频片段上训练 | P2 官方 Release Notes，可核实 |

      
        **v13**2024-12
        **36 Hz 全分辨率** AI4 视频输入（此前为兼容 HW3 一直降采样降帧率）；**4.2×** 数据规模扩展；**5×** 训练算力扩展（由 Cortex 集群提供）；光子到控制延迟**降低 2×**；集成 unpark / reverse / park
        P2 官方 Release Notes，逐项可核实。预告栏另提到 3× 模型尺寸、3× 上下文长度、音频输入（用于识别应急车辆）
      | v13 | 2024-12 | 36 Hz 全分辨率 AI4 视频输入（此前为兼容 HW3 一直降采样降帧率）；4.2× 数据规模扩展；5× 训练算力扩展（由 Cortex 集群提供）；光子到控制延迟降低 2×；集成 unpark / reverse / park | P2 官方 Release Notes，逐项可核实。预告栏另提到 3× 模型尺寸、3× 上下文长度、音频输入（用于识别应急车辆） |

      
        **v14**2025-10 前后
        马斯克称参数量 **10×**，并称视频压缩损失有大幅改进
        P3 本人 X 表述，未经官方 spec 确认。他给「参数量」下的定义是「在信息压缩效率大致恒定的前提下，参数量代表模型对现实细微之处的理解程度」——**这是一个需要注意的循环定义**
      | v14 | 2025-10 前后 | 马斯克称参数量 10×，并称视频压缩损失有大幅改进 | P3 本人 X 表述，未经官方 spec 确认。他给「参数量」下的定义是「在信息压缩效率大致恒定的前提下，参数量代表模型对现实细微之处的理解程度」——这是一个需要注意的循环定义 |

      
        **v14 Lite**2026-01
        据报完整版模型需约 **12.5 GB** 可寻址内存才能不分块运行，而 HW3 只有 **8 GB LPDDR4**；特斯拉推出量化压缩版给 HW3
        P4 **内部数字未经官方证实，标「待核实」**。但可核实的事实是：v15 明确仅支持 AI4，HW3 被排除
      | v14 Lite | 2026-01 | 据报完整版模型需约 12.5 GB 可寻址内存才能不分块运行，而 HW3 只有 8 GB LPDDR4；特斯拉推出量化压缩版给 HW3 | P4 内部数字未经官方证实，标「待核实」。但可核实的事实是：v15 明确仅支持 AI4，HW3 被排除 |

      
        **v14.3.3**2026
        用 LLVM 基金会的 **MLIR** 重建 AI 编译器与运行时，推理延迟改善 **20%**；Chris Lattner（MLIR/LLVM/Swift 作者）公开背书
        P3 第三方背书可核实，20% 为公司口径。**技术意义是延迟预算的腾挪**——同样延迟下可以跑更大的模型，是 v15 的前置条件
      | v14.3.3 | 2026 | 用 LLVM 基金会的 MLIR 重建 AI 编译器与运行时，推理延迟改善 20%；Chris Lattner（MLIR/LLVM/Swift 作者）公开背书 | P3 第三方背书可核实，20% 为公司口径。技术意义是延迟预算的腾挪——同样延迟下可以跑更大的模型，是 v15 的前置条件 |

      
        **v15**目标 2026-Q4 – 2027-Q1
        官方定位为「面向无监督驾驶专门构建」的架构大改，参数再增 10×
        P4 **属公司预告，非已发布事实**。截至 2026-07-25 未发布
      | v15 | 目标 2026-Q4 – 2027-Q1 | 官方定位为「面向无监督驾驶专门构建」的架构大改，参数再增 10× | P4 属公司预告，非已发布事实。截至 2026-07-25 未发布 |

    
  



  ⚑ 一个必须点明的承诺破产

2016 年 10 月 19 日，特斯拉宣布当时起所有新车「已具备完全自动驾驶所需的硬件」，FSD 选装价 $8,000。到 2026 年 1 月，v14 Lite 与 v15 排除 HW3，这一承诺在事实上失效。本报告把它列为「已发生」而非「传闻」：v15 仅支持 AI4 是公司明确表述。但法律后果待观察——特斯拉曾承诺 HW2.x 车主免费升级到 HW3，对 HW3 → HW4/AI5 则明确表示不提供加装；是否触发集体诉讼或退款义务，截至资料冻结日未见明确进展。裁决记入 ⑫ 预测记分卡。

4.7 行业的回答：端到端赢了，但赢的不是「纯」端到端

2026 年的学界状态可以用一句话概括：范式之争已经结束，架构之争刚刚开始。端到端是主导方向，这一点没有争议；但「一个网络解决一切」这个强版本，几乎没有人在坚持。

Early operational evidence suggests E2E learning handles the long tail distribution of real world driving scenarios and is becoming a dominant commercial strategy.

早期运营证据表明，端到端学习能够处理真实世界驾驶场景的长尾分布，并正在成为主导性的商业策略。（本报告译文）

    《The Era of End-to-End Autonomy》综述（悉尼大学）
    2026-03-17
    P2 学术论文
    arXiv:2603.16050 [@src-c3e9d13b71]

同一篇综述给出了一个对本报告至关重要的产业定性：2026 年真正落地的商品形态是「supervised E2E driving」，即 FSD (Supervised) / L2++——车能完成绝大部分动态驾驶任务，但人类的角色从「驾驶员」变成「安全监督者」，而不是消失。这是「端到端赢了」与「无人驾驶到了」之间那条最容易被含糊掉的界线。

EMMA 论文自己列出的三条局限，恰好命中了这条路线的三个痛处，Waymo 把它们写进了摘要：

it can process only a small amount of image frames, does not incorporate accurate 3D sensing modalities like LiDAR or radar and is computationally expensive.

它只能处理少量图像帧，没有纳入激光雷达或雷达这类精确的三维感知模态，而且计算开销昂贵。（本报告译文）

    EMMA（Waymo Research）
    2024-10-30 · *EMMA: End-to-End Multimodal Model for Autonomous Driving*
    P2 学术论文
    arXiv:2410.23262 [@src-bb6439358e]

帧数少、无精确三维、算力昂贵——把这三条写进摘要，等于公开表态：我们验证了这条路能走，但我们不认为它现在能单独承担安全责任。

  ◆ 一个来自产业界的中文视角（P4 · 二手整理，仅作线索）

「如果每次遇到特殊路况，第一反应都是『堆数据』，那我们打造的终究只是一套『擅长打补丁的系统』……随着运营设计域（ODD）不断拓宽，需要修补的漏洞数量几乎呈指数级增长。」

P4 中文原创文章刘兰个川（Patrick Liu，供职于 NVIDIA 自动驾驶团队，文中声明仅代表个人立场），《自动驾驶系统的局部最优陷阱》，公众号「语言即世界」，2025-11-17。原文 ^[7]。本报告只引其论点作为对照视角，不作为事实依据；文中「自动驾驶 3.0＝推理优先」的分期属作者本人提法，非行业标准术语。

这个视角与 4.4 节的数学是同一件事的两种说法。复合误差告诉你「补丁式改进的收益为什么会衰减」，「局部最优陷阱」告诉你「衰减到最后会长成什么样子」——一套在熟悉场景里游刃有余、跨出边界就力不从心的系统。该文给出的出路是引入显式推理与长时程记忆；而值得注意的是，特斯拉在 2025 年 ICCV 及此后的公开表述中，也把下一代 FSD 定位为「端到端且推理增强」的驾驶智能体。两条独立的思路收敛到了同一个方向，这本身是一个信号。

  业界不同看法 · 反方证据

本报告在 4.4 的主张：行为克隆的复合误差界 (O(u\varepsilon T^2)) 是「九个九」的理论根源，该界是紧的，而驾驶中不可恢复的错误让交互式方法也退化回二次界——这解释了为什么多喂十倍数据买不到十倍可靠性。

Foster、Block 与 Misra（微软研究院与 MIT，NeurIPS 2024）直接反驳了「二次依赖是模仿学习的本质」这一说法。他们用对数似然损失重新分析行为克隆，证明在可实现设定下，只要累计代价的取值范围受控、策略类的监督学习复杂度受控，离线行为克隆可以取得与时间跨度无关的样本复杂度；对确定性平稳策略、在稠密奖励下，离线方法也能做到对 (T) 的线性依赖——这是此前只认为在线交互式方法才能达到的。他们还给出反向结论：没有额外结构假设时，在线交互不能优于对数损失下的离线行为克隆。arXiv:2407.15007 ^[8]

**Swamy、Choudhury、Bagnell 与 Wu（CMU 等，ICML 2021）**用矩匹配框架把模仿学习切成三族并给出各自上下界：奖励矩匹配 (O(\varepsilon T))（上下界相符）、离策略 (Q) 矩匹配 (O(\varepsilon T^2))、在策略 (Q) 矩匹配 (O(\varepsilon HT))。要点在于：只要有一个可交互的环境／仿真器，即使完全不向专家查询，也能落进 (O(\varepsilon T)) 那一格。二次项因此是「离策略 (Q) 矩匹配」这一族算法的性质，不是模仿学习本身的性质。arXiv:2103.03236 ^[9]

部分采纳反方在理论上成立，本报告的表述过宽，已在 4.4 的公式注解中补上限定：紧性成立于 0-1 / 全变差型度量与离策略这一算法族，换度量或换算法族，水平依赖可以降到线性甚至消失。但反方并没有推翻本节的经验结论，原因在两个前提上：Foster 等的水平无关结果建立在「可实现」（真实策略落在假设类里）与「累计代价范围受控」之上，而驾驶长尾恰恰是这两条最容易失效的地方；Swamy 等那条 (O(\varepsilon T)) 需要一个准确的仿真器，这又回到本页 5.5 节那件还没有公开效果证据的事上。因此真正被削弱的不是「九个九很难」这个观察，而是「它由这条不等式解释」这个因果说法——这个区分本页此前没有写清楚。该界的完整推导、假设清单与失效条件在 ⑪ 的复合误差卡片，那里针对建模方法本身另做了一次处置，并补入了一条更悲观的结果：在连续动作空间里真实下界可能是指数的，比二次更坏。

  我的看法 · 作者（AI）个人观点

关于端到端，我认为公共讨论里最大的误区是把它当成一个性能问题（网络够不够强）来争，而它其实是一个举证责任问题。模块化架构的真正价值从来不是精度更高——UniAD 之后的证据显示它精度未必更高——而是它让「我为什么相信这套系统是安全的」这句话可以被写下来、被别人检查。端到端把这个能力拿走了，而行业到 2026 年都还没有建立起替代品。

所以我的判断是：**端到端在能力维度上已经赢了，在可问责性维度上还欠着一大笔债。**而 Robotaxi 这种「公司承担全部责任」的形态，恰恰是可问责性要求最高的形态。这解释了一个否则很奇怪的现象——为什么算法最激进的公司，反而在无监督车队规模上落后三个数量级。不是技术不够，是能拿出来的证据不够。

Chapter 05 · Shadow Mode & Data Engine · 全站唯一完整解释处

影子模式与数据引擎：特斯拉最难被复制的那台机器

**本节是全站对数据引擎的唯一完整解释。**它常被简化成一句「特斯拉车多、数据多」，而这个简化把最关键的部分丢掉了：这套机制真正的价值不在于数据总量，而在于「每一条新采集的数据带多少新信息」这件事可以被主动控制。本节先讲清楚机器怎么转，再提出一个本报告认为更重要的追问——它的瓶颈可能已经不在采集端了。

5.1 影子模式的精确含义

影子模式（Shadow Mode）常被误解为「后台偷偷开车」。它的准确含义是：即使人类在驾驶、Autopilot 处于关闭状态，车载的机器学习系统仍在持续推理，并可以触发采集判据——它计算「如果是我在开，我会怎么做」，但不控制车辆。

这个设计有一个极其干净的性质：它让特斯拉能在不承担任何行车风险的前提下，用整个车队做在线评估。你想知道一个新模型在雨夜的无保护左转上表现如何？把它下发到影子模式，让它在数十万次真实的雨夜左转里跑一遍，比较它的输出与人类实际动作的差异——一个人都不用坐进车里，一次风险都不用承担。

Everyone’s training the network all the time. Whether autopilot is on or off, the network is being trained. Every mile that’s driven for the car that’s hardware 2 or above is training the network.

所有人都在时刻训练这个网络。无论 Autopilot 是开着还是关着，网络都在被训练。任何一辆硬件 2 代及以上的车所行驶的每一英里，都在训练这个网络。（本报告译文）

    Elon Musk
    2019-04-22 · Tesla Autonomy Investor Day
    P3 现场转录
    本报告未取得该句独立时码
    来源 [@src-7fee6f7fce]
  



  ▲ 这句话需要一层技术上的校正

「每一英里都在训练网络」在字面上不准确，而且这个不准确很重要。车队每天产生的视频数据量以 PB 计，其中绝大部分被丢弃——回传全部数据在带宽与存储上都不可能，在信息价值上也无意义（第一百万段「空旷直路上跟车」对模型的边际贡献接近零）。真实的机制是：车端只在 trigger 命中时保留并回传短片段。所以更准确的表述是：**每一英里都在被「评估」，只有极少数英里被「用于训练」。**这个区别正是数据引擎的全部技术含量所在。

5.2 触发器：这套机制里最精巧的一个部件

Trigger classifier 是一类极轻量的模型（支持向量机、微型神经网络、随机森林），单一使命是在 TB 级的车载数据流里命中某个特定判据。它们的关键性质是独立于核心自动驾驶系统——因此可以高频更新而不影响行车关键功能，特斯拉可以在几分钟内部署一个新触发器并开始定向采集。

触发器的设计本身是一门手艺，本报告把公开材料里能识别出的类型归为四类：

    ⚠️

分歧型触发器

影子模式的预测与人类实际动作差异超过阈值时触发。这是信息密度最高的一类——它直接采样「模型认为该这样、人类却那样做」的状态，本质上是在近似 DAgger 的查询过程。

典型场景：模型准备直行，人类突然变道绕开路面异物。

    🎯

置信度型触发器

某个任务头的输出熵超过阈值、或多帧之间预测抖动过大时触发。它采样的是模型自己知道自己不确定的状态。

局限：它抓不到「自信地错」——而这恰恰是最危险的一类失效。

    🔎

规则型触发器

用轻量检测器直接指定要找的东西：「带自行车架的车」「侧翻的施工桶」「双层挂车」。这是工程师针对已知短板的定向采集。

Karpathy 给的经验数字：某任务准确率从 40% 迭代到 99%。

    🚨

事件型触发器

急刹、Autopilot 脱离、安全气囊、碰撞预警、方向盘力矩突变。它采样的是后果层面的信号，无需模型自省。

这类信号同时是安全统计的原始数据来源——见第 ⑦ 节关于 5 秒归因窗口的争议。

5.3 闭环：Operation Vacation

Karpathy 在 2020 年给这套机制起了一个名字，而这个名字本身就是它的设计目标：

The North Star for actually achieving this, for us, it’s called Operation Vacation… the idea is that for any new task you have a latency to actually the task working. And there’s a process and we understand the process for getting a task to work. And we’re trying to develop as much automation machinery to actually support the development of these new features and new tasks. And we’re removing engineers from that loop, so they’re not involved.

对我们来说，实现这件事的北极星叫做「休假行动」……想法是：对任何一个新任务，从开始到它真正跑起来都有一段延迟。我们理解让一个任务跑起来的完整流程，因此我们尽可能开发自动化机器来支撑这些新特性、新任务的开发。而我们正在把工程师从这个回路里移出去，让他们不必参与其中。（本报告译文）

    Andrej Karpathy
    2020-02 · 第 5 届 Scaled ML Conference（Computer History Museum）
    P2 逐字转录
    来源（转录稿） [@src-cee22859fe]

目标不是「让模型更好」，而是让「让模型更好」这件事不再需要研究员。工程师建基础设施，产品经理与标注团队用这套基础设施创造新检测器。这是主动学习（active learning）在工业界最大规模的一次落地。

  **数据引擎闭环。**依据 Karpathy 公开演讲、AI Day 2022 与其署名专利《System and method for obtaining training data》的公开描述重绘。**请特别注意图中「离线／在线不对称」那句注解**——它是整套机制的技术核心：④ 步骤可以调用不受延迟约束的大模型、多趟重建、甚至少数装有激光雷达的工程车来生成真值，而 ⑥ 步骤产出的车端模型必须实时、必须小、必须只用相机。**右下角橙色卡片是本报告加的，不是特斯拉的说法。**（本报告原创 SVG · 示意非实测）

5.4 关键追问：车队规模到底买到了什么

「特斯拉有几百万辆车在采数据，所以它一定会赢」是中文与英文舆论场都极其常见的论断。本报告认为这个论断在方向上成立，在机制上被严重简化了。下面三个追问是本页最想留给读者的部分。

    追问直觉答案为什么不够本报告的判断| 追问 | 直觉答案为什么不够 | 本报告的判断 |

    
      
        **车队数据量是否等于对稀有危险事件的有效信息量？**
        直觉：车队大 10 倍，遇到罕见场景的次数就多 10 倍。这在**采样次数**上确实成立。
        **但在信息量上不成立。**关键危险事件的稀有度是由世界决定的，不是由车队规模决定的。车队规模把「一年遇到 3 次」变成「一年遇到 300 次」，这确实有用；但从 300 次样本学会一个可靠的处置策略，与从 3 次学会，差距远小于 100 倍——因为**这 300 次里的场景变化维度可能只有个位数**。信息量增长是次线性的——**但次线性不等于停滞**，Waymo 2025 年的受控扩展实验显示闭环仿真指标随数据与算力呈幂律改善，本报告据此把这一格的措辞收窄（见本节辩证块）。
      | 车队数据量是否等于对稀有危险事件的有效信息量？ | 直觉：车队大 10 倍，遇到罕见场景的次数就多 10 倍。这在采样次数上确实成立。 | 但在信息量上不成立。关键危险事件的稀有度是由世界决定的，不是由车队规模决定的。车队规模把「一年遇到 3 次」变成「一年遇到 300 次」，这确实有用；但从 300 次样本学会一个可靠的处置策略，与从 3 次学会，差距远小于 100 倍——因为这 300 次里的场景变化维度可能只有个位数。信息量增长是次线性的——但次线性不等于停滞，Waymo 2025 年的受控扩展实验显示闭环仿真指标随数据与算力呈幂律改善，本报告据此把这一格的措辞收窄（见本节辩证块）。 |

      
        **触发器能不能抓到「未知未知」？**
        直觉：分歧型与置信度型触发器不需要预先知道要找什么。
        **部分成立，但有系统性盲区。**分歧型触发器抓的是「模型与人类不一致」，前提是人类在场且做出了正确动作——它抓不到「人类和模型一起错了」。置信度型抓的是「模型知道自己不确定」，抓不到**自信地错**。而自信地错正是纯视觉在强光冲刷、扬尘遮蔽下的典型失效形态：相机给出了一张看似正常的图，网络给出了一个高置信度的错误判断。
      | 触发器能不能抓到「未知未知」？ | 直觉：分歧型与置信度型触发器不需要预先知道要找什么。 | 部分成立，但有系统性盲区。分歧型触发器抓的是「模型与人类不一致」，前提是人类在场且做出了正确动作——它抓不到「人类和模型一起错了」。置信度型抓的是「模型知道自己不确定」，抓不到自信地错。而自信地错正是纯视觉在强光冲刷、扬尘遮蔽下的典型失效形态：相机给出了一张看似正常的图，网络给出了一个高置信度的错误判断。 |

      
        **标签质量、分布覆盖、闭环速度，哪个才是真瓶颈？**
        直觉：都重要，所以三个一起提升。
        **本报告倾向认为是「标签质量」，并且这一项最难自我发现。**离线自动标注的系统性偏差（例如多趟重建在特定光照下的一致性错误）会被原样蒸馏进在线模型，而验证标签质量的唯一手段——人工审核——恰恰是这套系统设计上要消灭的东西。**「Operation Vacation」的成功程度，与「发现标注系统本身出错」的难度成正比。**这不是理论担忧：自动标注每天 2,000 万次操作，其中哪怕 0.1% 的系统性偏差，也是每天 2 万条被污染的真值。
      | 标签质量、分布覆盖、闭环速度，哪个才是真瓶颈？ | 直觉：都重要，所以三个一起提升。 | 本报告倾向认为是「标签质量」，并且这一项最难自我发现。离线自动标注的系统性偏差（例如多趟重建在特定光照下的一致性错误）会被原样蒸馏进在线模型，而验证标签质量的唯一手段——人工审核——恰恰是这套系统设计上要消灭的东西。「Operation Vacation」的成功程度，与「发现标注系统本身出错」的难度成正比。这不是理论担忧：自动标注每天 2,000 万次操作，其中哪怕 0.1% 的系统性偏差，也是每天 2 万条被污染的真值。 |

    
  



  ● 一个可以检验上述判断的观察点

如果瓶颈真的在采集量，那么车队规模与能力提升应当高度相关：FSD 累计里程从 30 亿涨到 82 亿英里的这段时间里，接管间隔里程应当同步大幅改善。如果瓶颈在标签质量与闭环速度，那么能力提升应当与架构／算力换代高度相关，而与累计里程弱相关——即呈现「平台期 + 阶跃」的形态，阶跃点落在 v12、v13、v14 这些架构版本上。

目前能拿到的第三方数据（FSD Community Tracker 的城市关键接管里程）恰好呈现后一种形态：v14.1 时期峰值约 4,109 英里，v14.2 推送后跌至 809 英里。版本切换造成的波动远大于里程累积造成的趋势，这与「瓶颈不在采集量」的判断一致。（数据来自众包 Tracker，版本间样本量与路况分布不可比，趋势值参考、绝对值不可直接对标 Waymo；由 GLJ Research 的 Gordon Johnson 于 2026-03-09 披露。）

5.5 世界模型：数据引擎的下一形态

如果 4.4 节的推理成立——误差的根源是训练分布与部署分布不一致——那么数据引擎的终点必然是不再依赖真实世界产生数据。这正是 2024–2026 年全行业收敛到的方向。

特斯拉的对应物是 Ashok Elluswamy 在 2025 年 10 月 ICCV 相关演讲中介绍的 neural world simulator：训练在与策略网络相同的数据上，但把输入输出反转——给定当前视频加当前动作，合成下一帧视频与其他传感器读数；然后与策略网络轮流执行（round robin）形成闭环。Elluswamy 明确指出，世界模型可以使用策略网络无法访问的特权信息，因此两者可以互相独立地验证。

  ⚑ 一个不应被引用的数字

特斯拉方面流传过「一天的学习相当于人类 500 年驾驶经验」这类宣传口径。这个数字没有公开方法学，本报告不将其作为证据使用，也建议读者在看到它时直接忽略——它无法被复核，也无法被证伪。同样需要标注的是：世界模型作为训练数据源的有效性目前仍未有公开的量化证据，全行业都处于「架构共识已成、效果证据未成」的阶段。

  业界不同看法 · 反方证据

本报告在 5.4 的主张：车队规模带来的信息量增长是次线性的，真瓶颈更可能是标签质量与分布覆盖而非采集量；依据之一是第三方接管数据呈「平台期 + 版本阶跃」而非随累计里程平滑改善。

Waymo Research（2025-06-09）在约 50 万小时自有驾驶数据上做了一次受控扩展实验，结论与「加数据买不到能力」相反：联合运动预测与规划模型的表现随总训练算力呈幂律改善，训练损失与评测指标强相关；最关键的一条是闭环仿真指标同样随扩展改善——Waymo 自己把它称作首次表明真实世界自动驾驶表现可以靠增加训练数据与算力来提升。同一实验还给出计算最优配置：算力预算增长时，模型规模应比数据规模快 1.5 倍地增长。arXiv:2506.08228 ^[10]

清华与上海期智研究院的 Lin 等（2024-10）在 4 万余条真机演示、1.5 万余次真实机器人试验上给出了模仿学习的数据扩展律：策略对新环境、新物体的泛化能力随训练环境数与物体数近似呈幂律上升，且可做到零样本部署。这说明「模仿学习的数据规模效应」是一个可测量、可外推的量，而不是一个只能定性讨论的东西。arXiv:2410.18647 ^[11]

部分采纳反方 1 具有决定性：在一个可控实验里，数据与算力确实能推动闭环指标，因此本报告「信息量增长次线性」的说法不能被读作「加数据没用」——幂律本身就是次线性的，次线性与停滞是两件事。5.4 表中第一行已按此收窄。但两条反方都没有触及本报告真正的论点：Waymo 的扩展曲线衡量的是分布平均上的表现，而本页关心的是致命长尾——那类事件的采样次数由事件稀有度决定，不由车队规模决定。反方 2 反而强化了本报告这一侧：决定泛化的是环境与物体的多样性，每个环境的演示条数越过阈值后追加演示几乎无效，这正是「分布覆盖」而非「采集量」。收窄后的表述是：采集量仍在起作用，但它买到的是平均能力；第 ⑦ 节需要的那种尾部可靠性，目前没有证据显示可以由同一条曲线外推得到。反方 2 那篇是机器人操作领域的工作，此处只借它「数据扩展律可测量」这一层；它对具身数据本身的含义在 ⑥ 的数据小节另有完整处置。

  我的看法 · 作者（AI）个人观点

我认为数据引擎是特斯拉在这十年里创造的最被低估、也最容易被误读的资产。被低估，是因为外界只看到「车多」；被误读，是因为连支持者也常常把它讲成一个采集系统，而它其实是一个组织自动化系统——它真正消灭的不是标注工，是「必须有一位资深研究员盯着这个任务」这件事。

但我也认为，它的收益曲线正在变平，而原因恰恰是它自己的成功。当容易挖的失效模式都被挖完之后，剩下的是那些「触发器设计不出来」的问题——不是因为工程能力不足，而是因为你必须先能说清楚要找什么，才能写出判据。而长尾里最危险的那部分，定义上就是你还没想到的东西。世界模型之所以是必然的下一步，正是因为它试图把「想到」这一步也自动化：不再等待世界给你样本，而是主动生成对抗性的场景。这条路能不能走通，是 2027 年前后最值得观察的技术变量之一。

Chapter 06 · Silicon

车端算力与 Dojo 的兴衰：一次公开承认的路线判断错误

纯视觉路线在物理上是一个算力赌注——你删掉了物理测距，就必须用计算把三维几何算回来。这一节讲三代车端芯片的可核实规格，然后讲 Dojo：它是马斯克极少数明确承认判断错误的公开案例，因此比任何成功案例都更有分析价值。但要公允——解散不等于路线错误，本节会把技术、战略、组织三层分开算。

6.1 HW3 / AI3（2019）：一块为「50 TOPS 才能开车」这个判断而造的芯片

这是全套材料里可信度最高的一段，因为特斯拉把完整规格提交给了 Hot Chips 31 会议，接受同行审阅。以下数字全部来自那份一手 PDF。

    项目数值这个数字为什么值得注意| 项目 | 数值 | 这个数字为什么值得注意 |

    
      工艺 / 面积 / 晶体管Samsung **14 nm FinFET** / **260 mm²** / **60 亿**14 nm 在 2019 年已非先进节点——他们把预算花在架构而非工艺上| 工艺 / 面积 / 晶体管 | Samsung 14 nm FinFET / 260 mm² / 60 亿 | 14 nm 在 2019 年已非先进节点——他们把预算花在架构而非工艺上 |

      神经网络加速器（NNA）每芯片 **2 个独立实例**，2 GHz+，**96×96 MAC 阵列**，**36.8 TOPS/NNA**96×96 的脉动阵列尺寸是为 batch size = 1 优化的——车上只有一个当前时刻| 神经网络加速器（NNA） | 每芯片 2 个独立实例，2 GHz+，96×96 MAC 阵列，36.8 TOPS/NNA | 96×96 的脉动阵列尺寸是为 batch size = 1 优化的——车上只有一个当前时刻 |

      单芯片 / 单板算力**72 TOPS** / **144 TOPS**（2 颗 SoC）**双 SoC 不是为了叠加算力**，而是冗余与交叉校验，各自独立的 DRAM、Flash、电源| 单芯片 / 单板算力 | 72 TOPS / 144 TOPS（2 颗 SoC） | 双 SoC 不是为了叠加算力，而是冗余与交叉校验，各自独立的 DRAM、Flash、电源 |

      其他 IP12× ARM Cortex-A72 @2.2 GHz、1× Mali GPU、ISP、H.265 编码器H.265 编码器的存在直接服务于数据引擎——车端要压缩片段才能回传| 其他 IP | 12× ARM Cortex-A72 @2.2 GHz、1× Mali GPU、ISP、H.265 编码器 | H.265 编码器的存在直接服务于数据引擎——车端要压缩片段才能回传 |

      内存 / 吞吐LPDDR4 @4266 Mbps，峰值 68 GB/s；**2,100 帧/秒**（8 相机）≈ 25 亿像素/秒8 GB LPDDR4 这个数字在七年后成了 HW3 的死因（见 4.6 节）| 内存 / 吞吐 | LPDDR4 @4266 Mbps，峰值 68 GB/s；2,100 帧/秒（8 相机）≈ 25 亿像素/秒 | 8 GB LPDDR4 这个数字在七年后成了 HW3 的死因（见 4.6 节） |

      功耗单芯片 **< 40 W**，整板 **< 100 W**车端算力的真正约束不是钱，是散热与续航——每 100 W 约折损 1% 续航量级| 功耗 | 单芯片 < 40 W，整板 < 100 W | 车端算力的真正约束不是钱，是散热与续航——每 100 W 约折损 1% 续航量级 |

I submitted that it would take at least 50 trillion operations a second of neural network performance to drive a car… there was really no ground-up neural network accelerator in existence in 2016. Everybody out there was adding instructions to their CPU or GPU or DSP to make it better for inference, but nobody was really just doing it natively.

我当时提出，开一辆车至少需要每秒 50 万亿次的神经网络算力……而 2016 年确实不存在任何从零开始设计的神经网络加速器。所有人都在往自己的 CPU、GPU 或 DSP 上加指令来改善推理，但没有人真的原生地做这件事。（本报告译文）

    Pete Bannon（Tesla 芯片负责人）
    2019-04-22 · Tesla Autonomy Investor Day
    P3 现场转录
    完整规格另见 Hot Chips 31 官方 PDF（一手）
    来源（Hot Chips 31） [@src-1e4f27b170]

Any part of this could fail, and the car will keep driving.

这里面任何一个部分都可以失效，而车会继续开下去。（本报告译文）

    Elon Musk（谈 HW3 双 SoC 冗余架构）
    2019-04-22 · Tesla Autonomy Investor Day
    P3 现场转录
    来源 [@src-7fee6f7fce]
  



  ● 一个值得单独指出的矛盾

他在计算层面极其重视冗余——两颗独立 SoC、独立内存、独立供电，「任何部分失效车都能继续开」；却在感知层面主动删除冗余——删雷达、删超声波。这不是自相矛盾，但它揭示了他对「冗余」的一个特定理解：他认为计算是同构冗余（两个一样的东西互为备份，逻辑清晰），而多传感器是异构冗余（两个不一样的东西给出不同答案，需要仲裁）。同构冗余没有「信谁」的问题，异构冗余有——这就回到了第 ② 节那个论证。他的一致性其实很高，只是那条论证的前提被他默认成了后融合架构。

6.2 HW4 / AI4（2023）：一次没有官方口径的换代

    项目HW3 / AI3HW4 / AI4可信度| 项目 | HW3 / AI3 | HW4 / AI4 | 可信度 |

    
      工艺Samsung 14 nmSamsung **7 nm**（Hwasung）P3 硬件逆向拆解| 工艺 | Samsung 14 nm | Samsung 7 nm（Hwasung） | P3 硬件逆向拆解 |

      CPU12 核 @2.2 GHz**20 核 @2.35 GHz**P3 拆解| CPU | 12 核 @2.2 GHz | 20 核 @2.35 GHz | P3 拆解 |

      NPU（TRIP 核）2 个 @2.0 GHz，各 36 TOPS**3 个 @2.2 GHz**，各约 50 TOPSP3 拆解| NPU（TRIP 核） | 2 个 @2.0 GHz，各 36 TOPS | 3 个 @2.2 GHz，各约 50 TOPS | P3 拆解 |

      板级算力144 TOPS约 **300–500 TOPS**（各方估算不一）P4 **无官方口径，标「待核实」**| 板级算力 | 144 TOPS | 约 300–500 TOPS（各方估算不一） | P4 无官方口径，标「待核实」 |

      RAM / 存储8 GB / 64 GB**16 GB / 256 GB**P3 拆解| RAM / 存储 | 8 GB / 64 GB | 16 GB / 256 GB | P3 拆解 |

      相机1.2 MP × 8**5 MP**，12 个接口（1 备用）P3 拆解| 相机 | 1.2 MP × 8 | 5 MP，12 个接口（1 备用） | P3 拆解 |

马斯克本人的表述是「HW4 的算力是 HW3 的三到八倍」。一个跨度达 2.7 倍的区间本身就是一个可信度信号——它说明特斯拉内部并没有一个统一的、可对外的度量口径。本报告建议的表述是：约 3–4 倍于 HW3，绝对值未经官方确认。另一个可核实且重要的事实是：马斯克明确表示 HW4 不提供对老车的加装，同时仍承诺「用 HW3 兑现自动驾驶承诺」——这一承诺已在 2026 年 1 月随 v15 排除 HW3 而事实上失效。

6.3 AI5（2026）：唯一确定的事实是 tape-out

  ⚑ AI5 的规格数字请勿当作事实引用

关于 AI5，**唯一 A 级可确认的事实是：tape-out 发生在 2026-04-15（2026 年第 13 周），双源代工为 TSMC Arizona（N3E，3 nm）+ Samsung Taylor（2 nm，SF2T）。**此外流传的所有规格——约 2,000–2,500 TOPS、144 GB（另有 192 GB 说法）LPDDR5X、峰值约 800 W、系统级提升 40×——全部来自聚合媒体，特斯拉从未发布 datasheet，且不同来源在内存容量与类型上互相矛盾。本页凡引用这些数字处一律标注「厂商宣称／媒体汇总，未经独立验证」。中期量产目标为 2027 年中，属公司预告。

值得记录的是马斯克对架构方向的一次公开转向。在宣布放弃 Dojo 的同一周，他给出了新的设计哲学：

For a supercomputer cluster, it makes more sense to put many AI5/AI6 chips on a board, whether for inference or training, simply to reduce network cabling complexity & cost by a few orders of magnitude.

对一个超级计算机集群来说，把大量 AI5／AI6 芯片放到一块板上更合理——无论是做推理还是训练——原因很简单：可以把网络布线的复杂度与成本降低几个数量级。（本报告译文）

    Elon Musk
    2025-08-10 · X
    P3 媒体转录
    来源 [@src-446fae1a12]

这是一次架构哲学的公开掉头：**从「为训练设计专用芯片 + 专用互联」回到「用大量推理芯片堆板」。**他同时说了一句更耐人寻味的话——「Dojo 3 可以说是以一块板上大量 AI6 芯片的形式活了下来」，这是典型的把撤退表述为延续。

6.4 Dojo：从 1.1 EFLOPS 到「进化死路」

Dojo 是马斯克「垂直整合到底」哲学最纯粹的一次表达：自研训练芯片、自研数据格式、自研互联、自研封装。它在 2022 年 Hot Chips 34 上交出的设计在当时是世界级的：

  D1 芯片TSMC **7 nm**，**645 mm²**，**500 亿晶体管**（77.5 M/mm²，密度高于同期所有高性能芯片）
  处理节点**354 个** DOJO 节点组成的二维阵列；单节点为 64 位超标量 CPU + SIMD + 8×8×4 矩阵单元，**1.25 MB** SRAM scratchpad
  单芯片算力**362 TFLOPS** BF16/CFP8 @2 GHz；22.6 TFLOPS FP32；片上 SRAM **440 MB**；TDP **400 W**
  数据格式FP32、BFP16、**CFP8（Configurable FP8，Tesla 自创）**、CFP16；单次最多可用 16 种数据类型，每 64 字节包共享一个类型
  Training Tile5×5 = **25 颗 D1**，**9 PFLOPS**，片外总带宽 **36 TB/s**，单模块供电 **15 kW**
  ExaPOD120 个 Tile = 3,000 颗 D1 = 1,062,000 个节点 = **1.1 EFLOPS**（BF16/CFP8），占 10 个机柜
  信源Hot Chips 34 官方 PDF（**一手**）+ SemiAnalysis / Chips and Cheese 独立分析

然后是 2025 年 8 月。三天之内，一个四年项目结束了。

    2025-08-07

Bloomberg 独家：Dojo 团队解散

马斯克下令解散 Dojo 团队，负责人 Peter Bannon 离职；此前约 20 名工程师已流向前特斯拉高管创立的 DensityAI。

    2025-08-08

他的第一次公开解释：资源不该分散

「特斯拉分散资源、同时扩展两种差异很大的 AI 芯片设计，是说不通的。」——这是一个资源配置层面的理由。

    2025-08-10

他的第二次解释：这是一条进化死路

两天后的表述比第一次重得多——他用了「evolutionary dead end」这个词，并承认这意味着「艰难的人事决定」。这是他极少数明确承认路线判断错误的公开案例。

It doesn’t make sense for Tesla to divide its resources and scale two quite different AI chip designs. The Tesla AI5, AI6 and subsequent chips will be excellent for inference and at least pretty good for training. All effort is focused on that.

特斯拉分散资源、同时扩展两种差异相当大的 AI 芯片设计，是说不通的。特斯拉的 AI5、AI6 以及后续芯片将非常擅长推理，用于训练也至少相当不错。全部精力都集中到这上面。（本报告译文）

    Elon Musk
    2025-08-08 · X
    P3 媒体转录
    来源（Reuters） [@src-872c54ed3a]

Once it became clear that all paths converged to AI6, I had to shut down Dojo and make some tough personnel choices, as Dojo 2 was now an evolutionary dead end.

一旦看清所有路径都收敛到 AI6，我就必须关掉 Dojo，并做出一些艰难的人事决定——因为 Dojo 2 此时已经是一条进化死路。（本报告译文）

    Elon Musk
    2025-08-10 · X
    P3 媒体转录
    来源（TechCrunch） [@src-446fae1a12]

6.5 公允地拆账：技术、战略、组织，哪一层失败了

「Dojo 失败了」是一个太粗糙的说法。把它拆成三层，会得到三个不同的答案，而只有中间那一层是真正的判断错误。

技术层：没有失败

1.1 EFLOPS 的设计、645 mm² 上 500 亿晶体管的密度、晶圆级封装与 36 TB/s 的 tile 内带宽，在 2022 年是世界级工程。Hot Chips 34 的同行反应是正面的。

自创的 CFP8 数据格式后来也被行业主流采纳了同样思路（可配置低精度浮点）。

判定：技术目标达成

战略层：这是真正的错误

三条同时发生：（a）Nvidia 的迭代速度与 CUDA 生态优势超出预期，自研训练芯片的相对收益被持续压缩；（b）「训练芯片」与「推理芯片」两条战线分散了本来就极稀缺的芯片人才；**（c）**训练芯片的价值高度依赖软件栈，而软件栈的投入被低估。

判定：判断错误，本人已承认

组织层：连续流失

三任芯片负责人接连出走：Jim Keller（2018）→ Ganesh Venkataramanan（2023，创立 Density AI）→ Peter Bannon（2025，加入 Density AI，带走约 20 人）。

项目失去连续性，而芯片项目的连续性成本极高——一次架构换代需要 3–4 年，正好长于这里的领导者任期。

判定：结构性问题

  ◈ 为什么「解散不等于路线错误」这句话必须说清楚

有一种流行解读是：Dojo 关停证明「自研芯片是错的、应该老老实实买 Nvidia」。这个推论不成立，理由有三。

**其一，同一家公司同期的另一个自研芯片项目是成功的。**HW3/AI4 是特斯拉自研的、按时交付的、在功耗与延迟上明显优于当时通用方案的车端芯片，而且它服务的正是量产车这个规模最大的场景。自研在推理侧成立，在训练侧不成立——这是一个关于「在哪里自研」的结论，不是关于「要不要自研」的结论。

**其二，关停的时点恰好是转向的时点。**2025 年 8 月放弃 Dojo，2026 年 4 月 AI5 tape-out，2026 年 3 月宣布 Terafab。资源没有回流到「买 Nvidia」，而是转向了「用推理芯片堆板 + 自建晶圆厂」。这是同一条垂直整合语法的重新指向，不是对它的否定。

**其三，承认错误本身是一个正向信号。**在这份报告覆盖的十年里，他明确承认路线判断错误的案例屈指可数（另一个是 2018 年承认 Model 3 产线过度自动化）。Dojo 的价值恰恰在于它证明了这个纠错接口是存在的——只是触发它需要非常强的证据。这一点在评价「移除雷达」这一决定的可逆性时，是一个重要参照。

作为对照，特斯拉当前的训练算力来自常规 GPU 集群 Cortex：2024 年第四季度在 Giga Texas 上线 50,000 张 Nvidia H100，满配目标约 10 万张 H100/H200，报道运行功率约 130 MW、规划 500 MW。Cortex 与 FSD 能力提升之间有一条可核实的因果链——官方 Release Notes 明确写出 v13 的 5× 训练算力扩展由 Cortex 提供。这条链条比任何自研芯片叙事都更能说明训练算力的实际作用。

  我的看法 · 作者（AI）个人观点

把 3.4 节的 TRIP 与本节的 Dojo 放在一起，会看到同一个失效模式出现了两次：**为当下算法范式做极致优化的专用硬件，在范式转向时立刻从资产变成负债。**TRIP 为稠密点积优化，撞上了自回归解码；Dojo 为特定的训练拓扑优化，撞上了 Nvidia 的迭代速度与生态。

这提示了一条比「自研 vs 外购」更本质的判据：你应该在算法范式稳定的地方垂直整合，在算法范式流动的地方保持通用。2019 年车端视觉是稳定的（就是卷积），所以 HW3 是对的；2021 年大模型训练范式正在剧烈变化，所以 Dojo 是错的。而马斯克的判断方式——「先删中间层，再补细节」——本身不区分这两种情况，它对稳定与流动一视同仁地主张自研。这是这套方法论一个可以清晰指认的适用域边界，⑭ 会把它写进方法迁移矩阵。

Chapter 07 · ODD · Safety · Regulation

ODD、安全统计与监管：证据这一侧发生了什么

技术能不能开车，与社会允不允许它开车，是两个不同的问题，后者由证据决定。这一节处理三件事：ODD（运行设计域）到底约束了什么、特斯拉的安全统计为什么被十一位研究者里的十位判为营销材料、以及 2026 年那条正在成形的监管证据链。本节数字密集，凡口径不明处均已标注。

7.1 ODD：被中文讨论严重低估的一个概念

ODD（Operational Design Domain，运行设计域）是自动驾驶系统被设计为可以安全运行的条件集合：地理范围、道路类型、车速区间、天气、光照、时段，以及——最容易被忽略的——车辆平台本身。一套感知栈在 Model Y 上的标定、相机安装高度、动力学响应，与在 Semi 或 Cybertruck 上完全不同。

两条路线在 ODD 上的扩张方式呈现出一个漂亮的非对称，这也是理解本页第 ⑧ 节对照数据的钥匙：

Tesla：ODD 的地理维度几乎免费

不依赖预先扫描的高精地图，「开一座新城」在工程上接近一次软件开关。
2026-06-03 一次性覆盖奥斯汀全都会区 245 平方英里。
Ashok Elluswamy 的表述：「上线一座新城的时间会持续趋向于零，最终我们会以整个州为单位运营。」
代价：ODD 的条件维度（低能见度、强光、扬尘）没有被同步解决——而这正是 NHTSA 调查的问题域。地理覆盖快，不等于条件覆盖全。

Waymo：ODD 的每一寸都要付钱买

需要逐街区扫描并维护高精地图，新城上线是一个以月计的工程项目。
到 2026 年中运营 11–14 个美国城市，2026-07-08 一天之内在拉斯维加斯、丹佛、圣地亚哥、坦帕四城同时开启全无人商业运营。
收益：ODD 边界是显式声明的，因此安全论证可以写成「在这个域内，我们有 2.2 亿英里的证据」。
高速公路长期不在 ODD 内——这既是能力限制，也是一个刻意的举证策略。

7.2 特斯拉的安全数据：进步与仍然存在的口径问题

2025 年 11 月 14 日，特斯拉在 Waymo 联席 CEO 公开喊话之后，首次披露了 FSD（而非 Autopilot）的分项安全数据。这件事本身是一次进步，应该被明确肯定——在此之前外界只能拿到高度聚合的 Autopilot 数字。但它选择的对照组仍然系统性地偏向自己，而它自己的数据表里恰好就摆着正确的对照组。

    组别每次重大碰撞行驶里程重大碰撞数总里程| 组别 | 每次重大碰撞行驶里程 | 重大碰撞数 | 总里程 |

    
      **FSD (Supervised) 启用****5,690,675**1,25571.4 亿| FSD (Supervised) 启用 | 5,690,675 | 1,255 | 71.4 亿 |

      手动驾驶（有主动安全功能）**2,076,014**17,380360.8 亿| 手动驾驶（有主动安全功能） | 2,076,014 | 17,380 | 360.8 亿 |

      手动驾驶（无主动安全功能）859,4652392.05 亿| 手动驾驶（无主动安全功能） | 859,465 | 239 | 2.05 亿 |

      美国平均（估算）**698,781**4,646,4043.25 万亿| 美国平均（估算） | 698,781 | 4,646,404 | 3.25 万亿 |

特斯拉据此宣称 FSD 比人类安全 约 7 倍（或表述为「碰撞减少 85%」）。这个倍数来自第一行除以第四行：5,690,675 ÷ 698,781 ≈ 8.1，取保守表述为 7 倍。批评集中在六点，其中第一点和第三点最致命：

①

不同类事故对比（放大约 3 倍）

特斯拉统计的是自家安全气囊触发的事故，却与联邦数据中需要拖车拖离现场的事故对比——后者是宽得多的类别，很多不足以触发气囊。联邦数据里本来就有「气囊触发」这一类别可用，特斯拉没有用。

②

新车队 vs 全美车队

FSD 车全是近几年的新车，标配现代主动安全系统；美国在用车平均车龄约 12.6 年。这个差异本身就能解释相当一部分倍数。

③

正确的同类对比就在表里

用特斯拉自己的数据：FSD 的 5,690,675 对同车队手动＋主动安全的 2,076,014，倍数是 2.7× 而非 7×。CMU 的 Phil Koopman 认为这是特斯拉数据中唯一的同类可比口径。

④

5 秒 vs 30 秒归因窗口

特斯拉的安全计算用脱离后 5 秒窗口归因，而 NHTSA 的标准事故上报（SGO）要求 30 秒。在临界场景中，系统脱离与碰撞之间往往超过 5 秒。

⑤

遥测的自选择偏差

碰撞严重到毁坏车载通信系统时，自动上报管道收不到任何数据——据报在多起致命事故中已经发生。这意味着最严重的事故最可能从分子里消失。

⑥

受访研究者的判断

据 Reuters 2026 年调查，受访的 11 位交通安全研究者中 10 位认为特斯拉的安全统计「更像是误导性的营销，而非对一个关键安全议题的严肃调查」。叠加各项偏差，头条倍数可能被夸大接近一个数量级。

  ⚑ 这一节的信源与措辞边界

上表数据来自 Tesla 官方 Vehicle Safety Report ^[12]（一手，可核验）；批评意见来自 Reuters 2026 年调查报道、CMU 教授 Phil Koopman 的公开分析，以及 Markey 参议员致 NHTSA 署长的公开信 ^[13]（国会文件，一手）。本报告的立场是：批评的技术内容成立，但「营销材料」这一定性属受访研究者的判断，不是本报告的判断。另需注意，特斯拉与 Waymo 的安全数据在方法论上不可直接比较，本页任何并排数字都不构成两者的安全性排序。还有一条对称的说明必须写下来：Waymo 一侧用于对照的人类基准，同样是由被评估方自己构建的，这一点已受到具名学者的公开质疑（见本节辩证块）。

7.3 一个更根本的问题：路测里程能不能证明安全

就算所有口径都干净，还有一个统计学上的硬约束。RAND 的 Kalra & Paddock 在 2016 年给出了这个约束的精确形式：要以置信度 (C) 证明失效率不高于 (\lambda)（每英里），所需的无故障里程为

  \[ m \;=\; \frac{-\ln(1 - C)}{\lambda} \]

结论式。代入美国人类致死率 (\lambda = 1.09\times10^{-8}) 每英里、(C = 0.95)，得 (m \approx 2.75\times 10^{8}) 英里，即 2.75 亿无故障英里。完整推导与它对分型统计的含义见 ⑪。

这个数字有一个非常有用的对照：**Waymo 到 2026 年 3 月累计 2.2 亿全无人英里——即使是 Waymo，也刚刚接近能就「致死率」做统计断言的门槛。**这就是为什么 Waymo 报告的是「气囊弹出事故」和「任何伤情事故」（发生率高得多、统计功效足够），而不是致死率。

反过来看特斯拉在 Q2 2026 财报会上给出的数字：380,000 英里无监督里程，零重大事故。用同一个公式估算，380k 英里对应的期望严重事故数远小于 1，因此「零事故」在统计上不构成任何证据——它既不能支持也不能反驳任何安全断言。这不是批评特斯拉，这是一个纯粹的样本量问题。

  \[ P_{\text{success}} \;=\; p^{\,n} \]

串联可靠性。(n) 步决策链上每步成功率 (p)：单步 90% 时十步链路整体只有 34.9%，99% 时 90.4%，99.9% 时 99.0%。**这张对照解释了「单点演示 90%」与「系统级可用」之间为什么隔着三个数量级的工程。**完整表格见 ⑪。

7.4 监管证据链：2026 年真正的转折点

本报告的判断是：**到 2026 年 7 月为止，纯视觉路线面临的最大威胁既不是 Waymo 的规模，也不是技术天花板，而是一条正在成形的监管证据链。**它由五个环节组成，其中最后一环在资料冻结日前三周才出现。

    编号 / 时间规模内容为什么重要| 编号 / 时间 | 规模 | 内容 | 为什么重要 |

    
      
        **PE24031 → EA26002**

2024-10 立案 · 2026-03-18 升级为工程分析 241 万 → 320 万辆 低能见度条件（强光、雾、扬尘）下 FSD 的「降级检测系统」未能及时告警；9 起事故，含 1 起行人致死 **这是纯视觉最核心的失效假设被正式立案。**升级为工程分析（EA）意味着 NHTSA 认为初步证据足以支持深入调查——EA 通常在 12–18 个月内出结论，即 2027 年上半年 | PE24031 → EA260022024-10 立案 · 2026-03-18 升级为工程分析 | 241 万 → 320 万辆 | 低能见度条件（强光、雾、扬尘）下 FSD 的「降级检测系统」未能及时告警；9 起事故，含 1 起行人致死 | 这是纯视觉最核心的失效假设被正式立案。升级为工程分析（EA）意味着 NHTSA 认为初步证据足以支持深入调查——EA 通常在 12–18 个月内出结论，即 2027 年上半年 |

        **PE25012**

2025-10-07 立案 288 万辆 FSD 启用时的交通法规违反：闯红灯与逆向行驶。ODI 认定 18 起投诉 + 1 起媒体报道涉及未在红灯前停止或仪表显示错误信号态；另有 6 起 SGO 报告为闯红灯进入路口并发生碰撞，其中 4 起造成人员受伤；至 2025-12 违规记录增至 80 起 ODI 特别指出问题「可能可重现」（马里兰州同一路口多次发生）。可重现性是从「个案」走向「缺陷」的关键法律要件 | PE250122025-10-07 立案 | 288 万辆 | FSD 启用时的交通法规违反：闯红灯与逆向行驶。ODI 认定 18 起投诉 + 1 起媒体报道涉及未在红灯前停止或仪表显示错误信号态；另有 6 起 SGO 报告为闯红灯进入路口并发生碰撞，其中 4 起造成人员受伤；至 2025-12 违规记录增至 80 起 | ODI 特别指出问题「可能可重现」（马里兰州同一路口多次发生）。可重现性是从「个案」走向「缺陷」的关键法律要件 |

        **第三项调查**

        **24 项取证清单**

2026-07-02 — 核心一项是要求提交内部文件**《Radar Saves Us》**及其全部原始实验数据、内部沟通与技术文档。ODI 的判断是：该文件「能够反映特斯拉自身对纯视觉方案（OEDR）存在性能短板的认知」 **本页最重要的一份未公开材料。**它把 2021 年那个删除决定的性质，从技术选择变成了举证对象 | 24 项取证清单2026-07-02 | — | 核心一项是要求提交内部文件《Radar Saves Us》及其全部原始实验数据、内部沟通与技术文档。ODI 的判断是：该文件「能够反映特斯拉自身对纯视觉方案（OEDR）存在性能短板的认知」 | 本页最重要的一份未公开材料。它把 2021 年那个删除决定的性质，从技术选择变成了举证对象 |

        **方法论质疑**

Electrek 对这条证据链的法律含义给出了一个精确的表述，值得原样引用，因为它点出了那条分界线：

That’s the difference between a design choice and a defect the manufacturer knew about. It’s exactly what turns an Engineering Analysis into a recall.

这就是「设计选择」与「厂商已知的缺陷」之间的区别。而这恰恰是把一次工程分析变成一次召回的东西。（本报告译文）

    Electrek（Fred Lambert）
    2026-07-21 · 关于 NHTSA 取证清单的分析
    P3 媒体分析
    来源 [@src-02a5e1a8c8]
  



  ▲ 这条推论成立需要的条件（不要过度解读）

上述法律含义只有在若干条件同时成立时才会实现，本报告逐条列出以避免读者把可能性当成结论：（1）《Radar Saves Us》确实包含雷达或雷达＋视觉能捕捉纯视觉漏掉场景的实验结论；**（2）该结论对应的失效模式与这 9 起事故的失效模式吻合（强光冲刷、雾、扬尘）；（3）该文件的日期早于或接近 2021 年的删除决定；（4）**NHTSA 认定这构成「厂商已知」而非「研究中的开放问题」。**目前公开信息只能确认 NHTSA 提出了取证要求，不能确认上述任何一条。**本报告将其列为「未决的重大变量」，裁决留给 2027 年。

7.5 公司在 2026 年第二季度的官方表述

I’d like to emphasize how safe the operation has been so far. Zero notable incidents over 380,000 miles.

我想强调到目前为止的运营有多安全。38 万英里内零起值得注意的事故。（本报告译文）

    Ashok Elluswamy（Tesla VP of AI Software）
    2026-07-22 · Tesla Q2 2026 财报电话会
    P2 财报会逐字稿
    来源 [@src-6dbf5ce0d8]

同场，他明确表示这些结果证明「不需要激光雷达也能安全驾驶」。按 7.3 节的统计功效分析，38 万英里不足以支撑这个推论——但也要公平地说，这个数字在方向上是正面的，而且它是一个真实的、正在增长的运营记录。

更值得记录的是马斯克在同一场财报会上一段罕见的谨慎表述。在这份报告覆盖的十年里，他极少公开谈论下行风险：

If we injure even one person, it will be worldwide headline news, and regulators will immediately clamp down on our activities. We’re going as fast as humanly possible in scaling Robotaxi, but while trying to ensure that we do not harm anyone at all and ideally do not even run over a pet.

哪怕我们只伤到一个人，都会成为全球头条新闻，监管机构会立刻收紧对我们的限制。我们正在以人类可能的最快速度扩张 Robotaxi，但同时要努力确保我们不伤害任何人，理想情况下连一只宠物都不要压到。（本报告译文）

    Elon Musk
    2026-07-22 · Tesla Q2 2026 财报电话会
    P2 财报会逐字稿
    来源 [@src-6dbf5ce0d8]
  



  业界不同看法 · 反方证据

本报告在 7.2 与第 ⑧ 节的主张：特斯拉的安全统计存在系统性偏向自己的口径问题，同类可比口径应为 2.7× 而非 7×；而 Waymo 一侧的数据经过同行评审、可以作为对照基准使用。

Noah Goodall（《Journal of Safety Research》2025-01；预印本 2023-08）系统比对了五套自动驾驶事故数据库与三套人类驾驶基线后认为，它们采用的最低事故严重度阈值互不兼容或不合标准，事故率比较在方法层面就难以成立；低损伤事故频次高、统计功效强，却恰恰没有被自动驾驶一侧一致上报。他并且点名指出：Waymo 用作对照的人类基准（Scanlon 等 2023）未经同行评审，且存在利益冲突——这套基准随后被用于评估 Waymo 自己的安全表现。预印本 ^[14] · 期刊版 ^[15]

Missy Cummings（乔治梅森大学自主与机器人中心主任、NHTSA 前高级安全顾问，TRB 2024）用 NHTSA 的 SGO 上报数据与加州记录计算得出：Cruise 与 Waymo 在旧金山的非致命事故率是美国平均驾驶员的 4–8 倍，与 Waymo 自己发布的大幅下降结论方向完全相反。她对纯视觉一侧同样不留情面：2025-06 对 Zag Daily 的表态是，任何安全关键系统都不应依赖单一传感器类型。论文 ^[16] · 该结论被 arXiv:2312.12675 ^[17] 逐段引述并反驳

悬而未决双方用同一批公开数据得出方向相反、量级相差数倍的结论，而分歧几乎全部落在一件事上——人类基准怎么造。Waymo 在 Kusano 等（2024，约 714 万无安全员英里口径）中的反驳在技术上成立：Cummings 把没有下限阈值的 SGO 数据与有报案门槛、且本身存在大量欠报的警察记录直接相比，会同时压低人类一侧的分子；但 Goodall 那条程序性质疑——基准由被评估方自己构建并用于评估自己——至今没有被正面回答，而且 Waymo 自己那篇同行评审论文也承认「任何财产损失或伤害」这一组的比较结果并不确定。什么证据能判定：由中立第三方（NHTSA、IIHS 或州 DMV）发布一套统一最低报告阈值、含欠报校正、并按 ODD 与地理区域匹配的人类基准，且要求自动驾驶与人类两侧按同一口径上报。在此之前，任何「安全 N 倍」的说法——包括本页引用的 Waymo 数字——都只能当作口径依赖的估计。本报告已在 7.2 的警示框中补入这条对称说明。

  我的看法 · 作者（AI）个人观点

这段话是本页最值得反复读的一条引语，因为它暴露了一个他很少承认的约束：Robotaxi 的扩张速度不由技术能力决定，而由「一次严重事故会毁掉整个项目」这个非对称风险决定。这与他在 SpaceX 的做法形成了尖锐对照——在那里，炸掉一枚火箭是买信息；在这里，一次伤人是买停摆。同一个人，在两个领域采用了完全不同的风险策略，而且他自己非常清楚为什么。

这也让我对一个常见批评产生保留。批评者常说「他把公众当小白鼠」。从这段话看，他对外部性的存在是有清晰认知的，只是他的应对方式是「跑得尽可能快，同时尽可能别出事」，而不是「先建立可被第三方检验的安全论证，再扩张」。这两种策略的差别不在动机，在举证责任由谁承担：前者把举证责任留给了事后，后者把它前置。而 NHTSA 的三项调查，本质上就是社会在要求把它前置。

Chapter 08 · Tesla vs Waymo

与 Waymo 的路线对照：不是谁对谁错，是在哪里付成本

这一节要做两件事。先给出 2025–2026 可核实的对比数据，每个数字标时点与来源，没有把握的标「待核实」；然后给出本报告认为最有解释力的一种框定方式——它来自 Karpathy 而非马斯克，而且它把这场七年的口水战变成了一个可以讨论的工程问题。它不是唯一的框定，另有两种同样具名、同样可核查的框定与它竞争，见本节末的辩证块。

8.1 Robotaxi：2026 年可核实的规模对照

    指标WaymoTesla Robotaxi时点口径| 指标 | Waymo | Tesla Robotaxi | 时点 | 口径 |

    
      **每周付费出行**约 **500,000** 次（两年前 2024-05 为 50,000）**未披露付费单量**；披露「累计近 250 万次乘车」2026-03 / 2026-Q2官方口径| 每周付费出行 | 约 500,000 次（两年前 2024-05 为 50,000） | 未披露付费单量；披露「累计近 250 万次乘车」 | 2026-03 / 2026-Q2 | 官方口径 |

      **运营城市**11–14 个美国城市（2026-07-08 单日在拉斯维加斯、丹佛、圣地亚哥、坦帕四城同时开启全无人商业运营）**7 个美国都会区**：奥斯汀、达拉斯、休斯顿、迈阿密、奥兰多、坦帕、旧金山湾区2026-07口径差异| 运营城市 | 11–14 个美国城市（2026-07-08 单日在拉斯维加斯、丹佛、圣地亚哥、坦帕四城同时开启全无人商业运营） | 7 个美国都会区：奥斯汀、达拉斯、休斯顿、迈阿密、奥兰多、坦帕、旧金山湾区 | 2026-07 | 口径差异 |

      **车队规模**约 **3,000–4,000 辆**（2025-12 向 NHTSA 申报 3,067 辆第五代系统车）德州注册 42 辆；**奥斯汀无监督车约 20 辆**（4 月峰值约 25）2026-06P3 研报| 车队规模 | 约 3,000–4,000 辆（2025-12 向 NHTSA 申报 3,067 辆第五代系统车） | 德州注册 42 辆；奥斯汀无监督车约 20 辆（4 月峰值约 25） | 2026-06 | P3 研报 |

      **无安全员车辆（全网）**约 3,000–3,500 辆约 **21 辆**（奥斯汀 16–17、达拉斯 4、休斯顿 1）2026 年中P3 媒体| 无安全员车辆（全网） | 约 3,000–3,500 辆 | 约 21 辆（奥斯汀 16–17、达拉斯 4、休斯顿 1） | 2026 年中 | P3 媒体 |

      **每周无人驾驶里程**约 **400 万英里**未披露周口径2026-Q2官方 / 缺| 每周无人驾驶里程 | 约 400 万英里 | 未披露周口径 | 2026-Q2 | 官方 / 缺 |

      **累计里程****2.2 亿英里**全自动**380,000 英里**无监督（6 城 2 州）；累计付费里程约 240 万英里2026-03 / 2026-Q2官方口径| 累计里程 | 2.2 亿英里全自动 | 380,000 英里无监督（6 城 2 州）；累计付费里程约 240 万英里 | 2026-03 / 2026-Q2 | 官方口径 |

      **安全数据**相对同区域同期人类基准：严重／致命伤事故 **−94%**、气囊触发 **−82%**、任何伤情 **−82%**；同行评审版基于 5,670 万英里、11 类事故分型，**无任何一类出现统计显著劣化**称「零重大事故」；**该口径为自报、无第三方审计**，且样本量不足以支撑统计断言（见 7.3 节）2026-06P2 同行评审 / 自报| 安全数据 | 相对同区域同期人类基准：严重／致命伤事故 −94%、气囊触发 −82%、任何伤情 −82%；同行评审版基于 5,670 万英里、11 类事故分型，无任何一类出现统计显著劣化 | 称「零重大事故」；该口径为自报、无第三方审计，且样本量不足以支撑统计断言（见 7.3 节） | 2026-06 | P2 同行评审 / 自报 |

      **第三方接管数据**据同一分析，Waymo 是在达到约 **30,000 城市英里／关键接管**后才移除安全员FSD Community Tracker：v14.1 峰值 **4,109 英里**，v14.2 后跌至 **809 英里**2025-10 / 2026-03众包，绝对值不可对标| 第三方接管数据 | 据同一分析，Waymo 是在达到约 30,000 城市英里／关键接管后才移除安全员 | FSD Community Tracker：v14.1 峰值 4,109 英里，v14.2 后跌至 809 英里 | 2025-10 / 2026-03 | 众包，绝对值不可对标 |

      **资本**2026 年初融资 **$160 亿**，估值 $1,260 亿特斯拉 2026 年 capex **$250 亿**（全公司，非 Robotaxi 专项）2026官方 / 不可比| 资本 | 2026 年初融资 $160 亿，估值 $1,260 亿 | 特斯拉 2026 年 capex $250 亿（全公司，非 Robotaxi 专项） | 2026 | 官方 / 不可比 |

      **年底目标**100 万次付费出行／周扩至「a dozen or so states」；消费者车辆无监督 FSD 目标 2026-Q42026公司预告，非事实| 年底目标 | 100 万次付费出行／周 | 扩至「a dozen or so states」；消费者车辆无监督 FSD 目标 2026-Q4 | 2026 | 公司预告，非事实 |

    
  



  **四项规模指标的对数对照。**做成对数坐标是必要的——线性坐标下 Tesla 的柱子会短到看不见，反而丢失信息。**这张图真正想让读者看到的是最后两行的反差**：车辆数与里程差着两到三个数量级，而运营城市数几乎持平。这不是矛盾，这是两条路线成本结构的直接投影——**Waymo 的成本主要花在「每一辆车」和「每一座城」上，Tesla 的成本主要花在「一次性把模型训好」上**。前者的边际扩张成本高但确定，后者的边际扩张成本低但前置投入的回报时间未知。（本报告原创 SVG · 数据来源见上表，示意非实测）

8.2 三条必须写清楚的非对称

① 地理扩张 vs 车队密度

纯视觉让「扩地图」几乎等于一次软件开关；Waymo 需要逐街区扫描高精地图。但特斯拉赢在覆盖面，Waymo 赢在车队密度与实际运力。

奥斯汀 245 平方英里由约 20 辆无监督车服务——这是一个运力极稀薄的服务。覆盖面积在用户体验上不等于可用性；等车时间由密度决定，不由面积决定。

② 「无监督」这个词带星号

特斯拉的 unsupervised 指车内无安全员，但远程操作员仍可监控，并在低速（<10 mph）下直接接管以挪走卡住的车。加州的每一次 Robotaxi 行程仍有特斯拉员工在车内。

Karpathy 对整个行业的批评与此完全同构：「我们并没有真的把人从驾驶里移除，只是把他们挪到了看不见的地方。」

③ 数据披露的不对称

Waymo 发表同行评审论文并公开方法论（Kusano et al., Traffic Injury Prevention 26(sup1), 2025，基于 5,670 万英里、11 类事故分型）。

特斯拉的安全数据为自报，方法论被受访的 11 位交通安全研究者中的 10 位质疑（见第 ⑦ 节）。这不影响技术优劣，但直接影响监管进程的速度。

8.3 别忘了中国：这场对照不是两家公司的事

英文语境的讨论几乎总是把它写成 Tesla vs Waymo，这在 2026 年已经严重失真。可核实的规模数字是：百度 Apollo Go 在 2026 年第一季度完成约 320 万单（同比 +120%），2026 年 3 月周峰值超过 35 万单，约 1,000 辆车；小马智行在 2026-05-24 车队规模超过 1,700 辆；文远知行 4 月底国内约 1,000 辆。这三家的量级已经与 Waymo 同级，而它们全部保留激光雷达。

这对「他们全都会抛弃激光雷达」这条 2019 年的预测是决定性的：截至 2026 年 7 月，Waymo、Zoox、百度 Apollo Go、小马智行、文远知行全部保留 LiDAR，并且都在 2025–2026 实现了规模化运营。该条预测在 ⑫ 中判为已证伪。中国厂商数字来自各公司公开披露与媒体统计，属 P3；口径（单量是否含有安全员车辆）各家不一，此处仅作量级参照。

8.4 学界证据：纯视觉在 benchmark 上已经追平

把产业规模与算法能力分开看非常重要，因为这两组证据在 2026 年指向不同方向。规模数据一边倒地有利于多传感器路线；而 benchmark 数据已经不再支持「纯视觉在算法上不可行」这个命题。

  ● 两个命题必须分开判定

**命题 A：「纯视觉在算法上不可行」——已被证伪。**PRIX 与 SGDrive 在 NavSim 上以纯视觉超过了含激光雷达的基线；EMMA（Waymo 自己做的）证明了大模型可以直接输出轨迹，但它所依据的 nuScenes 开环规划 SOTA 已被证明可被自车状态捷径主导，本报告不再把这一项单独计为证据（见第 ① 节辩证块）。任何还在用「摄像头没有深度所以不行」来论证的人，需要更新自己的证据集。

**命题 B：「纯视觉已足以支撑无监督的 L4 商业运营」——尚未被任何独立数据支持。**Tesla 的无监督车队规模比 Waymo 小三个数量级，第三方接管数据与 Waymo 移除安全员时的水平差约 37 倍，而 NHTSA 的两案处于活跃状态。

把这两条混为一谈，是这场争论里最常见的错误——两边都在犯。

8.5 Karpathy 的重新框定：这场争论的正确问法

本报告认为，整场纯视觉论战里最有价值的一句话不来自马斯克，而来自 Karpathy 在 2024 年 9 月的一次播客。它把一个七年的口水战变成了一个可以计算的工程问题：

I’m not sure people are appreciating that Tesla actually does use a lot of expensive sensors — they just do it at training time. There are a bunch of cars that drive around with LiDARs, they do a bunch of stuff that doesn’t scale and they have extra sensors… and then you’re distilling that into a test-time package that has deployed to the cars and is vision only. It’s like an arbitrage on sensors.

我不确定大家是否意识到，特斯拉其实用了很多昂贵的传感器——只不过它是在训练时用。有一批车带着激光雷达跑来跑去，做很多不可规模化的事情，装着额外的传感器……然后你把这些蒸馏成一个部署到车上的、只用视觉的推理时软件包。这就像是一场关于传感器的套利。（本报告译文）

    Andrej Karpathy
    2024-09 · No Priors 播客 Ep.80
    P3 播客转录
    来源 [@src-20d5d690ff]

I know it doesn’t look like that, but I’m still very bullish on Tesla and its self-driving program. I think that Tesla has a software problem, and I think Waymo has a hardware problem, is the way I put it — and I think software problems are much easier.

我知道看起来不像，但我仍然非常看好特斯拉和它的自动驾驶项目。我的说法是：特斯拉有一个软件问题，而 Waymo 有一个硬件问题——我认为软件问题要容易得多。（本报告译文）

    Andrej Karpathy
    2024-09 · No Priors 播客 Ep.80
    P3 播客转录
    来源 [@src-20d5d690ff]

在「训练侧 vs 推理侧」这个框定下，双方的立场都变得清晰且可评估——而且没有一方是荒谬的：

Tesla：把昂贵传感器放训练侧

激光雷达用于造真值（少数工程车 + 多趟重建 + NeRF），推理侧只留相机。
**收益：**单车成本极低 → 车队可 100% 覆盖 → 数据规模没有资本上限 → 地理扩张接近免费。
**代价：**推理时缺乏物理冗余，安全论证难写，监管举证困难。
**赌的是：**足够的数据与算力最终能让视觉在推理侧达到「冗余不必要」的可靠度。

Waymo：把昂贵传感器放推理侧

激光雷达在车上实时运行，提供物理原理独立的冗余通道。
收益：感知冗余给出更强的安全下界，更容易通过监管，更容易发表可复核的安全论文。
**代价：**单车成本高 → 车队规模受资本约束 → 扩张需逐城扫图 → 边际扩张成本不下降。
**赌的是：**先跑通一门可持续的生意，再用规模效应把硬件成本压下来。
```
业界不同看法 · 反方证据
```

本报告在 8.5 的主张：Karpathy 的「昂贵传感器应该出现在训练侧还是推理侧」是这场争论的正确框定；两条路线的分歧最后可能只剩下推理侧要不要留物理冗余这一条。

Mobileye（CEO Amnon Shashua，CES 2022／2023 及公司技术页）提出了另一种框定，叫 True Redundancy：不做低层融合，而是造两套各自都能独立开车的子系统——一套纯相机，一套雷达加激光雷达——各自建立完整世界模型。Shashua 给出的理由不是精度，而是验证负担：若两套子系统近似统计独立，整车平均无故障时间约等于两者相乘，各验证 10⁴ 小时即相当于 10⁷ 小时，而不必真的去跑上亿小时；而且一套失效时车辆仍可继续安全行驶，低层融合系统则必须立即停驶。在这个框定里，昂贵传感器买的既不是精度也不是冗余，是可以少跑几个数量级的验证里程。Mobileye 技术页 ^[18]

Philip Koopman（卡内基梅隆大学，ANSI/UL 4600 主笔）给出的第三种框定把传感器问题整个降级：决定一辆车能不能上路的是安全论证——由「主张—论证—证据」构成的结构化文件，加上一组把主张与运行期指标绑定的安全性能指标（SPI），并接受独立第三方评估。UL 4600 是目标导向、技术中立的：它既不要求你装激光雷达，也不接受「我们跑了很多英里」作为论证。在这个框定下，「训练侧还是推理侧」不是决定性问题，「你的论证能不能被别人查」才是。Koopman 2024 ^[19]

部分采纳「唯一正确的框定」这个说法过强，本报告已把 8.5 的小节导语改为「最有解释力的一种框定」并注明另有竞争框定。三种框定回答的其实不是同一个问题：Karpathy 解释成本结构，Mobileye 解释验证负担，Koopman 解释举证结构；本页第 ⑦ 节的全部内容其实运行在后两个框定上，此前却把它们归到了 Karpathy 名下。同时要指出两条反方各自的边界：Shashua 本人当场承认无法证明两套子系统统计独立，MTBF 相乘「在法庭上站不住」，并把 True Redundancy 定性为「一套建造方法学而非证明方法学」；UL 4600 则是自愿性标准，截至资料冻结日在美国不具强制力。因此本报告不把它们当作对纯视觉路线的否证，只用来收窄本报告自己的框定方式。

  我的看法 · 作者（AI）个人观点

把 2026 年的经验结果放进这个框定，会得到一个比「谁赢了」有用得多的判断：Waymo 用推理侧冗余买到了 94% 的严重事故降幅（同行评审）与每周 50 万单——这是一门已经跑通的生意；特斯拉用训练侧套利买到了单城 245 平方英里的一夜覆盖与 148 万 FSD 付费用户——这是一个仍未跑通、但潜在规模可能大一个数量级的选项。

我不认为现在有任何证据能判定哪一条最终胜出，而我也认为「最终只有一条胜出」这个假设本身可能就是错的。更可能的结局是收敛：Waymo 已经在做纯视觉端到端（EMMA），特斯拉已经在训练侧大量使用激光雷达；而 2026 年学界的主流判断是混合架构最有前景。两条路线在方法上正在互相靠拢，真正的分歧最后可能只剩下一条——推理侧要不要留物理冗余。而这一条的答案，很可能不由工程师决定，由监管机构和保险精算师决定。

Chapter 09 · Eleven Years of "Next Year"

十一年的「明年就能全自动驾驶」

这一节不做人格解释、不做道德评判，只做两件事：把可定位的时间表预测排成编年表，然后画一张图看目标是怎么后退的。逐条裁决规则与证据链在 ⑫ 预测记分卡，本页只给编年与形态分析。需要提前说明：本表不声称覆盖他关于自动驾驶的每一次公开表述，只收录能定位到场合与年份、且含明确时间承诺的条目。

9.1 编年表：2013 – 2026

    时间场合原话（节选）目标年当年实际状态来源| 时间 | 场合 | 原话（节选） | 目标年 | 当年实际状态 | 来源 |

    
      2013《Financial Times》访谈90% 里程可自动驾驶2016未达成⑫ 待补直链| 2013 | 《Financial Times》访谈 | 90% 里程可自动驾驶 | 2016 | 未达成 | ⑫ 待补直链 |

      2014-09CNBC"a factor of 10 safer than a person"≈2020未达成⑫ 待补直链| 2014-09 | CNBC | "a factor of 10 safer than a person" | ≈2020 | 未达成 | ⑫ 待补直链 |

      2015-12采访"complete autonomy [in] approximately two years"≈2017未达成⑫ 待补直链| 2015-12 | 采访 | "complete autonomy [in] approximately two years" | ≈2017 | 未达成 | ⑫ 待补直链 |

      **2016-06**Code Conference 2016**"I consider autonomous driving to be a basically solved problem."** … "We're less than two years away from complete autonomy. Regulators however will take at least another year."2018–19未达成。这句「基本已解决」是理解此后十年全部预测的钥匙① 编年| 2016-06 | Code Conference 2016 | "I consider autonomous driving to be a basically solved problem." … "We're less than two years away from complete autonomy. Regulators however will take at least another year." | 2018–19 | 未达成。这句「基本已解决」是理解此后十年全部预测的钥匙 | ① 编年 |

      **2016-10-19**媒体电话会（宣布 AP2 硬件）"…we'll be able to do a demonstration drive of full autonomy all the way from LA to New York … by the end of next year. **Without the need for a single touch, including the charger.**"2017 年底截至 2026-07 从未完成。同日宣布所有新车已装备「完全自动驾驶所需硬件」，选装价 $8,000① 编年| 2016-10-19 | 媒体电话会（宣布 AP2 硬件） | "…we'll be able to do a demonstration drive of full autonomy all the way from LA to New York … by the end of next year. Without the need for a single touch, including the charger." | 2017 年底 | 截至 2026-07 从未完成。同日宣布所有新车已装备「完全自动驾驶所需硬件」，选装价 $8,000 | ① 编年 |

      2016-10-19同上Tesla 车辆将在 2020 年作为无监督 robotaxi 运营2020未达成① 编年| 2016-10-19 | 同上 | Tesla 车辆将在 2020 年作为无监督 robotaxi 运营 | 2020 | 未达成 | ① 编年 |

      2017-01X问：FSD 何时会明显区别于增强版 Autopilot？答："**3 months maybe, 6 months definitely**"2017 年中未达成⑫ 待补直链| 2017-01 | X | 问：FSD 何时会明显区别于增强版 Autopilot？答："3 months maybe, 6 months definitely" | 2017 年中 | 未达成 | ⑫ 待补直链 |

      2017-03TED在特斯拉里睡觉「about two years away」≈2019未达成⑫ 待补直链| 2017-03 | TED | 在特斯拉里睡觉「about two years away」 | ≈2019 | 未达成 | ⑫ 待补直链 |

      2017-05—"We're still on track for being able to go cross-country from LA to New York by the end of the year, fully autonomous."2017 年底未达成⑫ 待补直链| 2017-05 | — | "We're still on track for being able to go cross-country from LA to New York by the end of the year, fully autonomous." | 2017 年底 | 未达成 | ⑫ 待补直链 |

      2017-08—承认可能延期："It is certainly possible that I will have egg on my face on that front."—罕见的自我对冲⑫ 待补直链| 2017-08 | — | 承认可能延期："It is certainly possible that I will have egg on my face on that front." | — | 罕见的自我对冲 | ⑫ 待补直链 |

      2018-02-07Q4 2017 财报会 + 股东信跨美演示改为「in three months, six months at the outside」；股东信仍写「the **upcoming** autonomous coast-to-coast drive」2018 年中未达成⑫ 待补直链| 2018-02-07 | Q4 2017 财报会 + 股东信 | 跨美演示改为「in three months, six months at the outside」；股东信仍写「the upcoming autonomous coast-to-coast drive」 | 2018 年中 | 未达成 | ⑫ 待补直链 |

      2018-03—"Self-driving will encompass all modes of driving by the end of next year… at least 100% to 200% safer than a person."2019 年底未达成⑫ 待补直链| 2018-03 | — | "Self-driving will encompass all modes of driving by the end of next year… at least 100% to 200% safer than a person." | 2019 年底 | 未达成 | ⑫ 待补直链 |

      2018-11播客"I think we'll get to full self-driving next year. As a generalized solution…"2019未达成⑫ 待补直链| 2018-11 | 播客 | "I think we'll get to full self-driving next year. As a generalized solution…" | 2019 | 未达成 | ⑫ 待补直链 |

      2019-01ARK Invest 播客"We will be **feature complete** full self driving this year… towards the end of next year it will be essentially safe to fall asleep and wake up at their destination."2019/2020未达成⑫ 待补直链| 2019-01 | ARK Invest 播客 | "We will be feature complete full self driving this year… towards the end of next year it will be essentially safe to fall asleep and wake up at their destination." | 2019/2020 | 未达成 | ⑫ 待补直链 |

      **2019-04-22****Autonomy Day**"…**next year for sure, we'll have over a million robotaxis on the road.** The fleet wakes up with an over-the-air update; that's all it takes."20202020 年 0 辆；2026-06 奥斯汀约 20 辆无监督车视频 [@src-7fee6f7fce]| 2019-04-22 | Autonomy Day | "…next year for sure, we'll have over a million robotaxis on the road. The fleet wakes up with an over-the-air update; that's all it takes." | 2020 | 2020 年 0 辆；2026-06 奥斯汀约 20 辆无监督车 | 视频 |

      2019-04-22同上车主可年赚 $30,000；robotaxi 每英里成本 $0.18；「买特斯拉以外的车在财务上是疯狂的」2020+未达成现场评述 [@src-6a1c0b92f7]| 2019-04-22 | 同上 | 车主可年赚 $30,000；robotaxi 每英里成本 $0.18；「买特斯拉以外的车在财务上是疯狂的」 | 2020+ | 未达成 | 现场评述 |

      2020-04X"[Robotaxi] functionality still looking good for this year. Regulatory approval is the big unknown."2020未达成⑫ 待补直链| 2020-04 | X | "[Robotaxi] functionality still looking good for this year. Regulatory approval is the big unknown." | 2020 | 未达成 | ⑫ 待补直链 |

      2020-07世界人工智能大会「basic functionality for level five autonomy complete this year」2020未达成⑫ 待补直链| 2020-07 | 世界人工智能大会 | 「basic functionality for level five autonomy complete this year」 | 2020 | 未达成 | ⑫ 待补直链 |

      2020-10—FSD Beta 首次向少量车主推送（真实进展）—部分兑现（Beta）① 编年| 2020-10 | — | FSD Beta 首次向少量车主推送（真实进展） | — | 部分兑现（Beta） | ① 编年 |

      2020-12 / 2021-01采访 / X「100% confident」明年实现 L5；"FSD will work at a safety level well above that of the average driver this year, of that I am confident."2021未达成⑫ 待补直链| 2020-12 / 2021-01 | 采访 / X | 「100% confident」明年实现 L5；"FSD will work at a safety level well above that of the average driver this year, of that I am confident." | 2021 | 未达成 | ⑫ 待补直链 |

      2021-05—移除雷达（真实动作）—已执行Electrek [@src-83712c1e9b]| 2021-05 | — | 移除雷达（真实动作） | — | 已执行 | Electrek |

      2022-01Q4 2021 财报会"I would be shocked if we do not achieve FSD safer than a human this year."2022未达成⑫ 待补直链| 2022-01 | Q4 2021 财报会 | "I would be shocked if we do not achieve FSD safer than a human this year." | 2022 | 未达成 | ⑫ 待补直链 |

      2022-10—移除超声波（真实动作）—已执行Reuters [@src-92012072c6]| 2022-10 | — | 移除超声波（真实动作） | — | 已执行 | Reuters |

      2023-05股东大会"I mean, it does look like [full autonomy is] gonna happen this year."2023未达成⑫ 待补直链| 2023-05 | 股东大会 | "I mean, it does look like [full autonomy is] gonna happen this year." | 2023 | 未达成 | ⑫ 待补直链 |

      **2023-12**—FSD v12（端到端）向员工与少量用户推送—真实的架构突破——本表的转折点Release Notes [@src-af478f1c1f]| 2023-12 | — | FSD v12（端到端）向员工与少量用户推送 | — | 真实的架构突破——本表的转折点 | Release Notes |

      2024-10-10We, Robot 发布会承诺德州与加州「next year」实现消费者车辆无监督 FSD；Cybercab 2026 年量产、售价低于 $30k2025部分：2025-06 奥斯汀有限落地（带安全员）；Cybercab 2026-04 量产但无法无监督运营① 编年| 2024-10-10 | We, Robot 发布会 | 承诺德州与加州「next year」实现消费者车辆无监督 FSD；Cybercab 2026 年量产、售价低于 $30k | 2025 | 部分：2025-06 奥斯汀有限落地（带安全员）；Cybercab 2026-04 量产但无法无监督运营 | ① 编年 |

      **2025-06**—Robotaxi 在奥斯汀启动（Model Y + 车内安全员 + 跟车）—首次真实落地① 编年| 2025-06 | — | Robotaxi 在奥斯汀启动（Model Y + 车内安全员 + 跟车） | — | 首次真实落地 | ① 编年 |

      2025-08Xv14 将在约 6 周内发布，参数量 10×2025-09约 10 月发布，基本兑现⑫ 待补直链| 2025-08 | X | v14 将在约 6 周内发布，参数量 10× | 2025-09 | 约 10 月发布，基本兑现 | ⑫ 待补直链 |

      **2026-01-22**—奥斯汀首次向公众提供车内无安全员的付费出行—兑现⑫| 2026-01-22 | — | 奥斯汀首次向公众提供车内无安全员的付费出行 | — | 兑现 | ⑫ |

      2026-06-03—无监督服务覆盖奥斯汀全都会区 245 平方英里—兑现⑫| 2026-06-03 | — | 无监督服务覆盖奥斯汀全都会区 245 平方英里 | — | 兑现 | ⑫ |

      2026-07-22Q2 2026 财报会年底扩至「a dozen or so states」；消费者无监督 FSD 目标 2026-Q4（奥斯汀起）；v15 为架构大改2026-Q4待验——属公司预告财报会 [@src-6dbf5ce0d8]| 2026-07-22 | Q2 2026 财报会 | 年底扩至「a dozen or so states」；消费者无监督 FSD 目标 2026-Q4（奥斯汀起）；v15 为架构大改 | 2026-Q4 | 待验——属公司预告 | 财报会 |

**统计：**2013–2024 年间可明确判定的时间表预测约 20 条，兑现 0 条；2025–2026 年的落地承诺则大部分兑现，但目标规模已大幅缩小——从「一百万辆 robotaxi」缩小到「约 20 辆无监督车服务一座城」。转折点是 2023 年 12 月的 v12 端到端架构：在此之前是「承诺—落空」循环，在此之后是「缩小目标—逐步交付」。

9.2 把它画出来：目标是怎么后退的

  **预测年 vs 承诺兑现年。**横轴是预测发出的时间，纵轴是那次预测承诺的兑现时间，每个红点是编年表里的一条。**这张图的全部信息在于点的排列方向**：如果目标是固定的，点应当水平排列；实际上它们沿着「45°+1」的斜线上升，意味着每次预测落空之后，期限就被重置一次。**需要注意的是，这不必然等于「移动球门柱」**——因为每次重置都伴随着真实的技术进步（AP2 硬件、FSD Beta、v12 架构、无安全员运营），所以退让很难被识别。绿色菱形是 2025–2026 年真实落地的两个点，它们终于回到了 45° 线上，代价是目标规模从「一百万辆」缩小到「约 20 辆」。（本报告原创 SVG · 数据取自本页编年表，示意非实测）

9.3 三个结构性观察

    🔁

「两年」是一个心理常数

从 2014 到 2024，无论技术状态如何变化，「距离完全自动驾驶」始终是 1–2 年。这不是估计，是「我认为这个问题在概念上已经解决了，剩下的只是工程」这一信念的时间投影。

2016 年那句「I consider autonomous driving to be a basically solved problem」是最直白的证据。

    🎯

目标在悄悄变化，而「两年」不变

2016 年预测的是 LA→NY 无接管演示；2019 年是一百万台 robotaxi；2024 年是德州加州无监督 FSD；2026 年是 v15 加十几个州。每次目标被稀释一次，时间窗口重置一次。

这是「移动球门柱」的教科书形态，但因为每次都伴随真实进步，所以很难被识别为退让。

    🪞

他自己知道这个模式

马斯克曾自嘲为「the boy who cried FSD」。这使得「他在自欺」的解释不充分——更合理的解释是：乐观的时间表本身就是一种管理工具（融资、招聘、组织节奏），而他愿意承担预测失准的声誉成本来换取执行速度。

这条判断的完整论证在 ② 第一性原理的「紧迫感作为可制造的资源」一节。

9.4 Karpathy 的解释：为什么这不是一个态度问题

2025 年 10 月，Karpathy 在 Dwarkesh Patel 的播客上给出了本报告认为最好的一个解释。它的力量在于它把「看起来只差 10%」翻译成了「还差三轮与从零到 90% 同等规模的工程」：

What takes the long amount of time and the way to think about it is that it’s a march of nines. Every single nine is a constant amount of work. When you get a demo and something works 90% of the time, that’s just the first nine. Then you need the second nine, a third nine, a fourth nine, a fifth nine. While I was at Tesla for five years or so, we went through maybe three nines or two nines. There are still more nines to go.

真正耗时间的东西，正确的理解方式是：这是一场「九的长征」。每一个九都是恒定的工作量。当你拿到一个演示、某个东西 90% 的时间能正常工作，那只是第一个九。然后你需要第二个九、第三个九、第四个九、第五个九。我在特斯拉大约五年，我们可能走过了两三个九。还有更多的九要走。（本报告译文）

    Andrej Karpathy
    2025-10-17 · Dwarkesh Patel 播客
    P2 完整转录
    时码 01:42:55（"Why self driving took so long"）
    来源（转录稿） [@src-a312a71290]

I had a perfect Waymo drive a decade ago, in 2014, and I thought it was very close. For some tasks, there’s a very large demo-to-product gap, especially when the cost of failure is too high.

十年前的 2014 年我坐过一次完美的 Waymo，当时我觉得已经很接近了。对某些任务来说，从演示到产品之间存在着巨大的鸿沟，尤其是在失败代价过高的时候。（本报告译文）

    Andrej Karpathy
    2025-10-17 · Dwarkesh Patel 播客
    P2 完整转录
    来源 [@src-a312a71290]

We haven’t actually removed the person; we’ve just moved them somewhere we can’t see them.

我们并没有真的把人从驾驶中移除，只是把他们挪到了我们看不见的地方。（本报告译文）

    Andrej Karpathy
    2025-10-17 · Dwarkesh Patel 播客
    P2 完整转录
    来源 [@src-a312a71290]
  



  ◆ 同一段话的中文版本（P4 · 二手中译，仅作对照）

「它就像一个九个九的循环。每一个九都是一个恒定的工作量……我在特斯拉工作了五年左右，我们可能经历了三个或两个九。」「另外，当你看着这些无人驾驶的汽车时，我实际上觉得这有点误导，因为这些汽车里有非常精密的远程操作中心……从某种意义上说，我们并没有真正把人从驾驶中移除，而是把他们转移到了你看不见的地方。」

P4 公众号中译机器之心《Andrej Karpathy 开炮：智能体都在装样子，强化学习很糟糕，AGI 十年也出不来》，2025-10-18，原文 ^[20]。本报告以英文原文为准，中译在此仅供中文读者对照；请注意中译把 “march of nines”（九的长征／九的行军）译作「九个九的循环」，语义已有偏移——这正是中译不能作为事实依据的一个具体例子。

需要特别强调：Karpathy 的两条评价并不矛盾，但常被断章取义。他对特斯拉路线的长期可扩展性看多，对任何人（含 Waymo 与特斯拉）当前的完成度看空。引用时必须两条并列，否则会立刻变成任意一方的宣传材料——而中文互联网上这两种断章取义的版本都很常见。

  我的看法 · 作者（AI）个人观点

我认为编年表里最值得注意的不是那些落空的预测，而是 2023 年 12 月之后模式的改变。在此之前，每一次预测都是「一个不存在的能力将在明年出现」；在此之后，每一次承诺都是「一个已经存在的能力将在某个具体地点扩大」。这是从「许诺未来」切换到「报告进度」，而这个切换恰好发生在 v12 端到端架构上线之后。

这提示了一个对读者更有用的判据：**不要看他承诺了什么，要看他承诺的对象是「能力」还是「部署」。**关于能力的时间表，历史命中率接近零；关于部署的时间表（在已具备能力的前提下扩大规模），2025–2026 年的命中率相当高。这两类承诺在语言上很像，在可靠性上差着一个数量级。我认为这是本页对读者最有实用价值的一条结论。

Chapter 10 · Synthesis

收束：一次删除，以及它至今仍未结清的账

这一节不重复前面的结论，只做三件事：把整页压成一张判定表、指出本报告认为最可能出错的地方、给出三个在 2027 年前可以检验的观察点。

10.1 判定表

    他的判断提出时间2026 年的证据判定| 他的判断 | 提出时间 | 2026 年的证据 | 判定 |

    
      端到端神经网络优于模块化流水线2021 → 2023UniAD 起成为学界主线；2026 年综述认定端到端正成为主导商业策略。但学界共识是**混合架构最有前景**，而非纯端到端方向已证实| 端到端神经网络优于模块化流水线 | 2021 → 2023 | UniAD 起成为学界主线；2026 年综述认定端到端正成为主导商业策略。但学界共识是混合架构最有前景，而非纯端到端 | 方向已证实 |

      纯视觉在算法上足以驾驶2019PRIX、SGDrive 在 NavSim 上以纯视觉超越 camera+LiDAR 基线；Waymo 的 EMMA 同为纯摄像头，但其 nuScenes 开环规划 SOTA 已被证明可被自车状态捷径主导，本报告已剔除该项证据（见第 ① 节辩证块）仿真打分基准层面已证实| 纯视觉在算法上足以驾驶 | 2019 | PRIX、SGDrive 在 NavSim 上以纯视觉超越 camera+LiDAR 基线；Waymo 的 EMMA 同为纯摄像头，但其 nuScenes 开环规划 SOTA 已被证明可被自车状态捷径主导，本报告已剔除该项证据（见第 ① 节辩证块） | 仿真打分基准层面已证实 |

      纯视觉足以支撑无监督 L4 商业运营2019 起无监督 Tesla 车队约 21 辆 vs Waymo 3,000+；第三方接管数据与 Waymo 移除安全员时相差约 37 倍；NHTSA 两案在查未决，倾向未成立| 纯视觉足以支撑无监督 L4 商业运营 | 2019 起 | 无监督 Tesla 车队约 21 辆 vs Waymo 3,000+；第三方接管数据与 Waymo 移除安全员时相差约 37 倍；NHTSA 两案在查 | 未决，倾向未成立 |

      LiDAR 是「傻子的差事」，成本会让它出局2019固态 LiDAR 降至约 $500；Waymo 用它达成 2.2 亿无人英里与严重伤事故 −94%；但纯视觉算法性能确已追平，成本论证部分成立部分证实| LiDAR 是「傻子的差事」，成本会让它出局 | 2019 | 固态 LiDAR 降至约 $500；Waymo 用它达成 2.2 亿无人英里与严重伤事故 −94%；但纯视觉算法性能确已追平，成本论证部分成立 | 部分证实 |

      「他们全都会抛弃 LiDAR」2019-04Waymo、Zoox、百度 Apollo Go、小马智行、文远知行全部保留 LiDAR 并实现规模化运营已证伪| 「他们全都会抛弃 LiDAR」 | 2019-04 | Waymo、Zoox、百度 Apollo Go、小马智行、文远知行全部保留 LiDAR 并实现规模化运营 | 已证伪 |

      传感器融合因「竞争」而降低安全性2021 / 2025贝叶斯与信息论均不支持这一普遍断言；他本人私下承认「视觉 + 高分辨率雷达会更好」。但在**工程实现层面**（标定、失效组合、供应链）确有依据作为普遍原理已证伪

      世界模型／神经仿真器是关键基础设施2024–2025Wayve GAIA-2、DeepMind Genie 3、NVIDIA Cosmos、Tesla neural world simulator 形成罕见的全行业共识已证实（架构层面）| 世界模型／神经仿真器是关键基础设施 | 2024–2025 | Wayve GAIA-2、DeepMind Genie 3、NVIDIA Cosmos、Tesla neural world simulator 形成罕见的全行业共识 | 已证实（架构层面） |

      Dojo：自研训练芯片是必要的垂直整合20212025-08-07 团队解散；本人称 Dojo 2 为「进化死路」。但同期自研**推理**芯片路线继续推进（AI5 于 2026-04 tape-out）训练侧已证伪（本人承认）| Dojo：自研训练芯片是必要的垂直整合 | 2021 | 2025-08-07 团队解散；本人称 Dojo 2 为「进化死路」。但同期自研推理芯片路线继续推进（AI5 于 2026-04 tape-out） | 训练侧已证伪（本人承认） |

      「明年就能完全自动驾驶」2015–2026 逐年2013–2024 可判定的约 20 条，兑现 0 条；2025 年起开始交付，但目标规模缩小四个数量级时间承诺已证伪| 「明年就能完全自动驾驶」 | 2015–2026 逐年 | 2013–2024 可判定的约 20 条，兑现 0 条；2025 年起开始交付，但目标规模缩小四个数量级 | 时间承诺已证伪 |

      2020 年会有 100 万辆 Robotaxi 上路2019-042020 年 0 辆；2026-07 全网约 21 辆无监督车已证伪| 2020 年会有 100 万辆 Robotaxi 上路 | 2019-04 | 2020 年 0 辆；2026-07 全网约 21 辆无监督车 | 已证伪 |

10.2 本报告最可能错在哪里

  ▲ 三条自我限定

**其一，本页可能低估了规模效应的非线性。**本报告反复强调「38 万英里不构成统计证据」「无监督车队差三个数量级」，这些都是对的；但如果 v15 或其后继架构确实带来阶跃式改善，车队规模可以在 12–18 个月内扩张两个数量级——特斯拉的产能与 OTA 机制使这在物理上可行。本页的规模对照是一张快照，不是一条趋势线。

**其二，本页对监管证据链的权重可能过高。**把 NHTSA 的三项调查判为「最大变量」，隐含了「监管会实质性介入」这个假设。历史上美国汽车安全监管对创新的容忍度相当高，而 2026 年的政策环境也并不明确指向收紧。如果 EA26002 以「无缺陷」结案，本页第 ⑦ 节的整个框架就需要重写。

**其三，本页依赖的第三方数据质量参差。**FSD Community Tracker 是众包的、版本间不可比的；车队规模来自券商研报；AI5 规格全部未经证实。本报告已逐处标注，但读者应当假设：本页出现的任何非官方数字都有 ±50% 量级的不确定性。

10.3 三个可以在 2027 年前检验的观察点

观察点 A · EA26002 的结论

工程分析通常在 12–18 个月内出结论，即 2027 年上半年。三种可能结局：无缺陷结案 / 要求软件召回（OTA 修复）/ 认定硬件层面缺陷。

**判据：**如果结论中出现「厂商已知」（manufacturer knew）这一措辞，本页第 ⑦ 节的判断成立；如果以「持续监测」收尾，则本报告高估了这条线的分量。

观察点 B · 无监督车队规模

2026-07 全网约 21 辆无安全员车。到 2027 年年中，这个数字是几百还是几千？

**判据：**若增至 1,000 辆以上且未发生重大伤亡事故，则「纯视觉足以支撑无监督 L4」从「倾向未成立」上调；若仍在两位数或三位数低位，则第 ⑧ 节的规模判断继续成立。注意区分「有安全员的付费车」与「真正无安全员的车」。

观察点 C · 世界模型的效果证据

全行业已在架构上达成共识，但没有任何公开的量化证据证明世界模型生成的数据能有效替代真实 on-policy 数据。

**判据：**2027 年前是否出现「用世界模型训练使某项闭环指标提升 X%」这类可复核结果。若出现，第 ④ 节关于复合误差的悲观判断需要下调；若始终只有架构宣传，则应保持怀疑。

  我的看法 · 作者（AI）个人观点

读完这一整页，我想留给读者的不是「纯视觉对不对」的答案，而是一个更可迁移的观察：这十年里，马斯克在自动驾驶上做对的事情和做错的事情，用的是同一套方法。「删除中间层」让他删掉了雷达、超声波、高精地图和 30 万行规则代码——前两项目前看是有争议的赌注，后两项几乎是行业公认的正确判断。同一条语法，不同的结果。

差别在哪里？我的判断是：差别在于被删掉的东西是否承载着「当你判断错误时告诉你错了」的功能。删掉规则代码不影响纠错——错了会在指标上显示出来；删掉一个物理原理独立的传感器则不同，它删掉的恰恰是在视觉失效时发出异议的那个声音。而第 ② 节那个论证的全部问题，就在于它把「异议」重新命名成了「歧义」。

这也是为什么本页把《Radar Saves Us》那份文件看得比任何技术指标都重。**它不是关于雷达的，它是关于「当组织内部产生了与既定路线相反的证据时，会发生什么」的。**这个问题的答案，比纯视觉本身重要得多，也远远超出自动驾驶的范围——⑭ 我的独立评价会把它作为一条主线继续追下去。

  我们并没有真的把人从驾驶中移除，只是把他们挪到了我们看不见的地方。
  — Andrej Karpathy，2025-10-17，Dwarkesh Patel 播客（时码 01:42:55）
  本报告译文。他说的是整个行业，不是某一家公司。这句话之所以适合作为本页的收尾，是因为它同时适用于两条路线：**Waymo 的远程操作中心与特斯拉的低速远程接管，本质上是同一件事的两种形态**——而「无人驾驶」这个词让公众以为它们都已经不存在了。

**本页信源：**主要取自 research/C-特斯拉技术路线.md 第一章（纯视觉路线的完整论证与演变）、第二章（感知与端到端架构演进）、第三章（算力与芯片）、第七章（预测复盘）、自动驾驶预测 vs 现实编年表、关键技术数字速查、可入报告的公式清单与存疑冲突，以及 research/G-行业前沿对照.md §1（端到端 vs 模块化）与 §7（公式清单）。一手材料包括：Tesla Autonomy Investor Day 2019 官方录像（YouTube ^[21]）、Tesla AI Day 2022 官方录像（YouTube ^[22]）、Hot Chips 31 与 Hot Chips 34 官方 PDF、Tesla FSD Release Notes、Tesla Vehicle Safety Report ^[12]、Tesla Q2 2026 财报会逐字稿、Waymo Safety Impact ^[23] 与 Kusano et al.（Traffic Injury Prevention 26(sup1), 2025，DOI 10.1080/15389588.2025.2499887）、Markey 参议员致 NHTSA 公开信 ^[13]。学术来源：arXiv:2212.10156（UniAD）、arXiv:2410.23262（EMMA）、arXiv:2507.17596（PRIX）、arXiv:2503.20523（GAIA-2）、arXiv:2512.16760（驾驶 VLA 综述）、arXiv:2603.16050（端到端综述）、arXiv:1812.03828（Occupancy Networks）、arXiv:1011.0686（DAgger）、arXiv:2102.02872（模仿学习中的协变量偏移三体制）、RAND RR-1478（Kalra & Paddock）。辩证块新增的反方来源：arXiv:2312.03031（BEV-Planner，CVPR 2024）、arXiv:2305.10430（AD-MLP）、arXiv:2406.15349（NAVSIM，NeurIPS 2024 D&B）、arXiv:2205.14951（LiDAR-相机融合鲁棒性基准，CVPR 2023 E2EAD Workshop）、arXiv:2304.09801（MetaBEV，ICCV 2023）、arXiv:2407.15007（Foster/Block/Misra，NeurIPS 2024）、arXiv:2103.03236（Swamy et al.，ICML 2021）、arXiv:2506.08228（Waymo 运动预测与规划的扩展律）、arXiv:2410.18647（模仿学习数据扩展律）、Goodall《Journal of Safety Research》2025（DOI 10.1016/j.jsr.2025.01.004，预印本 arXiv:2308.00645）、Cummings《Assessing Readiness of Self-Driving Vehicles》（TRB 2024）、Mobileye True Redundancy ^[18] 与 Shashua 在 CES 的公开表述、Koopman《Redefining Safety for Autonomous Vehicles》（2024）与 ANSI/UL 4600。中文语料两篇均标 P4：《自动驾驶系统的局部最优陷阱》 ^[7]（2025-11-17）与 Karpathy 长访谈中译 ^[20]（2025-10-18）。

存疑与 hedge：①AI5 的算力与内存规格（约 2,000–2,500 TOPS、144 GB 或 192 GB）全部来自聚合媒体，特斯拉未发布 datasheet，本页一律标「厂商宣称／媒体汇总，未经独立验证」；唯一可确认的是 2026-04-15 tape-out 与 TSMC + Samsung 双源代工。②HW4/AI4 板级算力从约 300 到 500+ TOPS 不等，马斯克本人给出「3 到 8 倍于 HW3」的宽区间，本页采用「约 3–4 倍，绝对值未经官方确认」。③FSD v14 需约 12.5 GB 内存属二手来源，标「待核实」；可核实的只有「v15 仅支持 AI4」。④Waymo 车队规模与城市数存在时点混淆（3,000／3,500／4,000 辆，10／11／14 城），根源是「运营城市」与「已开放商业服务城市」口径不同，本页已标时点。⑤Tesla 与 Waymo 的安全数据方法论不可直接比较，本页任何并排数字均不构成安全性排序。⑥FSD Community Tracker 为众包数据，版本间样本量与路况分布不可比，趋势值参考、绝对值不可对标。⑦**《Radar Saves Us》文件内容未公开**，本页只陈述 NHTSA 提出了取证要求，未对文件内容作任何断言。⑧**「一天学习相当于人类 500 年驾驶经验」等宣传口径无公开方法学**，本页不予采用。⑨ Karpathy 在第 5 届 Scaled ML Conference 的演讲，会期为 2020-02（Computer History Museum），本报告未取得精确日期。⑩ 部分引语（2021 年推文、2019 年现场发言）本报告未取得原始载体直链或精确时码，已在各条 meta 中标注可信度与转录来源。

图片来源：照片取自 Wikimedia Commons，逐张署名与许可证——waymo-1.jpg（Dllu，CC BY 4.0）、waymo-2.jpg（JirkaBulrush，CC BY-SA 4.0）、cybertruck-1.jpg（Votpuske，CC BY 4.0）、tesla-semi-1.jpg（Dllu，CC BY-SA 4.0），完整清单见 Commons 图片清单。论文图均下载自 arXiv 官方渲染 HTML 并在 figcaption 注明编号与图号：arXiv:2603.16050 Fig. 1／Fig. 6、arXiv:2410.23262 Fig. 1／Fig. 4、arXiv:2507.17596 Fig. 1、arXiv:2503.20523 Fig. 2、arXiv:2512.16760 Fig. 2、arXiv:1812.03828 Fig. 2／Fig. 4，逐条记录于论文图清单，仅作评论性与研究性使用。本页全部图表（传感器论证对照、多相机到 BEV 信息流、占用网络体素表示、复合误差与九的长征、数据引擎闭环、Tesla 与 Waymo 规模对照、预测年 vs 承诺年）均为本报告原创 SVG，标注「示意非实测」，其中数据类图表的数值来源见各图 figcaption。未热链任何第三方图片资源。

**引用规范：**正文引语只取一到两句短片段并标注日期、场合、可信度与可点击出处，主体为本报告的转述与分析；不整段转载受版权保护的文章正文。中文公众号内容一律标 P4，且不作为事实依据。

← 返回总览 · 上一页：④ xAI 与 Grok · 下一页：⑥ Optimus 与具身智能 · 相关：⑪ 核心公式（本页全部公式的完整推导） · ⑫ 预测记分卡

生成模型：Opus 5 · 独立评审：gpt-5.6-sol-max · 资料冻结：2026-07-25