前不久外網有個視頻很火，一臺特斯拉Model 3在深夜突然急剎，躲過了一只郊狼，車主在屏幕上的視覺畫面里，看見了狼尾巴擺動的清晰痕跡。

而國內某廠商的激光雷達智駕，在測試場內仍然在把塑料袋當“移動障礙物”，上演了一出尷尬的空氣急剎。

從堅持純視覺的技術方案開始，特斯拉的爭議就沒斷過。有的企業爭相模仿，純視覺路線和端到端的大模型成為了員工的KPI，而有人仍在堅持激光雷達的路線，不過更多的，是二者相結合。

根據2024年的數據顯示，國產新能源智駕車型對激光雷達的依賴仍然嚴重，越是高端的車型越是如此，但同樣也礙于激光雷達的降價速度緩慢，平均2024年激光雷達的成本仍然占據全車5%。

這個價格，夠買16顆攝像頭，裝配兩臺Model 3。

只用8個攝像頭的特斯拉，為什么仍然能耀武揚威，甚至說這才是真正的“遙遙領先”？

試想你如果擁有8個能看清不同方向的眼睛，而且你還能記住你見過的每一片樹葉，那恭喜你，你也擁有了跟特斯拉純視覺系統一樣的本領。

特斯拉的8個攝像頭，每秒能采集100萬個像素點，這相當于1秒24幀中的每一幀都有100萬個信息點，而這些都會被輸入進入“神經視覺網絡”。

然后再經過50層的算法過濾、2D到3D的場景重建，最終生成一個比激光雷達點云更細膩的環繞模型。

單是如此，在“感知層面”就已經要強于大部分的激光雷達。

如果再加上一個在初期，就用了300萬臺車行駛視頻喂出來的AI呢？

在數據感知之后，特斯拉的智駕會在超算Dojo上模擬各種極端場景，最終產生直覺反應，即便這一場景從未遇見，也能用“推理”解決。

對于特斯拉的純視覺技術方案來說，最難的部分已經過去了，端到端的大模型一旦建立，只需要用各種各樣的數據去喂它成長就好，現在的重點是如何采集更細膩的“數據點”。

在采集這方面，即便強如激光雷達的測距+精準，也不如攝像頭采集“像素”來的更清晰。

所以特斯拉的工程師在努力更新攝像頭清潔系統，而國內的車企仍在用著激光雷達的同時，在背后鉆研視覺方案背后的“條條規則”。

這一點很有意思，為什么我們的企業明明已經有了視覺方案，但仍然需要激光雷達？有的車企給出的回應是“彌補不足”。

所謂不足，激光雷達缺點不光是“貴”，在雨天激光雷達如果打在雨滴上會產生“鬼影”，不僅失去了精準的有點，甚至比攝像頭采集的信息還要“糊”。

而國產的視覺方案，雖然攝像頭沒有什么差別，但背后的決策執行層面卻盡顯疲態。

前面說了，特斯拉的決策執行層面是靠數據喂養的“AI”，更貼近于人腦的智慧，而國產的很多智駕，決策執行仍然要靠一行行的代碼規則，而要想讓智駕更智能，比的是誰家的程序員寫的“限制代碼”更多。

在這里沒有誰對誰錯，可以說特斯拉的智駕全扔給AI有些不負責任，而一行行的限制性代碼更加安全，但智駕的目的是更加智能安全，不管黑貓白貓，能抓耗子就行。

但這就有個問題，雖然攝像頭限制性代碼+激光雷達點陣云的方案看起來更加完善，但即便是電腦，也需要“物理時間”，以及更重要的“算力”。

激光點云+視覺畫面需要復雜的融合算法，再加上限制性代碼的篩選需要一行一行逐層篩檢，電腦雖然算得夠快，時間的增加也不過毫秒級別，先不說這個時間在某些事故上會發生截然不同的結果，系統的負載量就需要更強力的算力芯片，一旦卡機，后果更是不堪設想。

國內很多廠商的工程師自然知道這個邏輯，所以有些“物理外掛”就會格外重要。

除了用激光雷達的測距彌補視覺算法精度不足外，高精地圖提前記住道路信息、遇到復雜場景就變“高級定速巡航”等方案，都是內嵌在智駕方案中。

這樣的差距等于，我們的智駕不過就是帶著計算器去做題，而人家特斯拉的AI早就會了心算。

不過，國內也有廠商開啟了與特斯拉一樣的純視覺方案，甚至也造出了屬于自己的端到端大模型，但在效果上卻很難如意。

首先，特斯拉的端到端從初期建立就已經喂了全球300萬車輛的行駛視頻進行學習，而現在全球每日平均3.2億公里的行駛數據，就已經是國產廠商的200倍，再加上超算中心Dojo的算力每十個月就會翻倍，目前為止200EFLOPS的算力已經能趕上30萬臺PS5，這樣的投入放在國內的廠商中，近乎沒人能夠做到。

這場關于智能駕駛技術路線的斗爭永遠沒有錯對之分，我們比的仍然是智能和安全，但就以目前來看，特斯拉在舊金山教會區的復雜路況精準預判外賣小哥的突然變向，怎么都已經強過在陸家嘴直直撞上突然開門的出租車。

當年諾基亞潰敗前，面對iPhone的800萬像素，一怒之下用上一顆堪比單反的4100萬像素攝像頭試圖對抗時，iPhone就已經用優化算法排除了更真實世界的計算攝影。

這場戰爭雖然沒有對錯，但電子時代，淘汰會比對錯更為殘忍。