当前位置：首页>自动驾驶>真正的自动驾驶,为什么只能是纯视觉

真正的自动驾驶,为什么只能是纯视觉

2026-06-20 01:15:37

真正的自动驾驶,为什么只能是纯视觉

先问你一个问题。

如果要造一辆能自己开的车，你会给它装多少「眼睛」？

大多数人的第一反应都差不多：当然是越多越好。装上摄像头，让它能看；再装上激光雷达，让它把周围的一切扫描成精确的三维图像；最好再加上毫米波雷达，下雨大雾也不怕；能多一个传感器，就少一个盲区。眼睛越多，看得越全，自然也就越安全。

这个想法，听上去几乎无懈可击。

可偏偏，在这条路上跑得最远、最早让普通人在自家车上用上「辅助驾驶」的那家公司，做了一件完全相反的事：它没有在量产车上用激光雷达，还把毫米波雷达拿掉了，连倒车用的超声波传感器也拿掉了，最后只留下一圈摄像头。

它主动把自己「致盲」了一部分。

这就是今天想聊的那个谜题：当所有直觉都在喊「传感器越多越好」的时候，为什么真正可能跑到完全自动驾驶终点的，反而是那个只靠一双「眼睛」的方案？

这件事，得从硬件和模型两层，一层一层拆开来看。

市面上的两条路

今天的自动驾驶，路线虽然多，但归到底，是两大流派。

第一条路，叫多传感器融合。

这是当下的主流，也是大多数玩家选的路。它的思路很朴素：摄像头、激光雷达、毫米波雷达，能上的传感器都给我上齐，再配上一套提前测绘好的高精地图，把每条车道、每个红绿灯的位置都预先标好。多种感官互为备份，地图给车「划好跑道」，车只要按图索骥地开就行。

这条路最大的底气，是「确定」和「精确」。Waymo 就是这一派的代表。靠着这一整套重装备，它确实已经在美国好几个城市，跑起了真正没有安全员的无人出租车。这是实打实的成绩，不容否认。

第二条路，叫纯视觉。

这是少数派，特斯拉是它最坚定的旗手。它的思路偏执到近乎冒险：不要激光雷达，不要高精地图，就靠一圈摄像头当眼睛，把看到的画面，统统交给一个神经网络去处理，让它自己学会判断、自己学会开车。

一边是「武装到牙齿」，一边是「只留一双眼睛」。

如果只看此刻的成绩单，第一条路明显更领先：人家的无人出租车，现在已经有两千多辆跑在马路上了。那为什么还会有人坚信，第二条那个看起来更「简陋」的方案，才是通往终点的正路？

要回答它，得先看清第一层：那些被拿掉的传感器，到底是干什么的。

硬件这一层：眼睛，从来不是瓶颈

先说说被奉为「安全标配」的激光雷达。

它的工作方式，是主动向四周发射激光，再根据反射回来的时间，算出每个物体的距离，最后拼出一张厘米级精确的三维点云图。它的长处非常突出：测距极准，没有光也能看清物体的形状和远近。

但它有一个致命的短板，很少被人提起：

它能看见「形状」，却读不懂「意思」。

激光雷达能告诉你前方两百米有一个一人多高的柱状物，却没法告诉你那是一根灯杆，还是一个正要过马路的人；它能扫出前方有一块平整的方形物体，却读不出上面写的是「前方施工」还是「限速 60」；红灯和绿灯在它眼里，是没有区别的；一个被风吹起来的塑料袋，和一块飞过来的石头，在它的点云里，长得几乎一模一样。

更别说，激光遇上雨、雾、雪会发生散射，性能大打折扣；而且它贵，曾经一颗就要几千甚至上万美元，要装到每一辆量产车上，成本高得吓人。

再说毫米波雷达。它便宜，能穿透雨雾，还擅长测速。可它的分辨率太低了，低到分不清一辆停在前方的车，和一座横在头顶的天桥。正因为如此，它常常会把静止的路牌、井盖误判成障碍物，让车莫名其妙地一脚急刹。这种「幽灵刹车」，恰恰是当年特斯拉下决心把雷达拿掉的直接原因。

绕了一圈，再回头看摄像头。

它被动地接收光线，便宜，而且最关键的是：它能读懂这个世界的全部「意思」。红绿灯的颜色，路牌上的文字，前车的刹车灯，交警的手势，旁边那辆车要并线时打的转向灯，所有一个人类司机开车时依赖的信息，几乎都藏在可见光里，而摄像头，把它们全都接收了进来。

这里藏着一个最容易被忽略、却最根本的事实：

我们脚下这套道路系统，从红绿灯到路牌到车道线，本来就是为「人眼」设计的。

红灯之所以是红的，是为了让人眼可以一眼看到；路牌之所以印着字，是为了让人读懂。也就是说，一辆车想开好路，所需要的全部信息，原则上都已经被编码进了「可见光」里。一套能真正看懂画面的视觉系统，理论上，就已经掌握了开车所需的一切。

至于很多人担心的「摄像头不会测距」，这恰恰是这些年神经网络进步最快的地方。今天的视觉系统，已经能仅凭一圈摄像头的画面，在脑子里实时重建出一个三维的空间，哪里有障碍、距离多远，它都算得出来，就像人闭着一只眼，照样能判断车距一样。

把这一层捋下来，结论其实有点反直觉：

在「看见」这件事上，车早就不是瓶颈了。一圈摄像头在很多维度上，甚至比人看得更全：它有 360 度的环视视野，它从不眨眼，从不分神，从不会因为低头看了一眼手机而错过路况。

自动驾驶真正难的地方，从来不是「看不清」，而是「看到了，却不知道该怎么办」。

而这，是一个关于「大脑」的问题，不是一个关于「眼睛」的问题。

那融合不是更保险吗：当信号开始打架

讲到这儿，你大概会冒出一个最自然的反驳：就算摄像头够用，那我把「眼睛」和「激光雷达」都装上，多一重保险，不是更稳吗？错了再纠正，总比漏看强吧？

这恰恰是融合方案那个最隐蔽的代价。

多一个传感器，从来不是「免费」多一重保险，而是多一个需要被仲裁的「分歧」。

想象一个瞬间：摄像头说前方畅通，激光雷达却报了一个障碍物，毫米波雷达又给出第三种读数。这时候，车该信谁的？

你必须再写一套逻辑，去裁决这场分歧：什么时候信摄像头，什么时候信雷达。可这套裁决逻辑本身，就是一个全新的、极其复杂的难题，也是一个全新的出错点。马斯克有一个说法，我觉得点得很透：往系统里塞进越多互相冲突的信号，反而会抬高整个系统的「熵」，也就是混乱度。

最好的证据，就是当年特斯拉拿掉雷达那一仗。

在很长一段时间里，特斯拉的车也是「摄像头 + 雷达」的融合方案。可工程师发现，每当摄像头和雷达读数打架，尤其是雷达频繁误报、引发「幽灵刹车」的时候，那个所谓的「冗余」传感器，非但没帮上忙，反而成了麻烦的来源。

于是他们做了一个当时被很多人看作疯狂的决定：把雷达干脆拿掉，只信摄像头。

结果呢？系统不仅没有变得更危险，反而更稳定、更顺了。

这件事特别违反直觉，却特别真实：

有时候，减掉一个传感器，比加上一个，更安全。

因为真正的可靠，不来自感官的数量，而来自那颗能把单一感官的信息彻底吃透的大脑。

模型这一层：是给车「写规则」，还是教它「学会开车」

如果说硬件之争，是「眼睛」之争，那模型之争，就是「大脑」之争。而后者，才是这两条路真正分道扬镳的地方。

传统的自动驾驶，大脑是这么造的：把开车这件事，拆成一节一节的流水线，先感知（看到了什么），再预测（它们要往哪去），再规划（我该怎么走），最后控制（打方向、踩刹车）。每一节，都由工程师写下海量的规则：「如果前方有行人，就刹车」「如果是这种路口，就这样让行」。

这套「写规则」的打法，问题出在哪？

真实世界的路况，是写不完的。

总有你没预料到的情况：一个孩子追着皮球突然冲出来，一辆车用了你没见过的方式别过来，一个路口的标线被磨得模糊不清。这些千奇百怪的「长尾」场景，多到无穷无尽，你永远也写不完那最后一条规则。规则写得再多，也总有漏网的那一个，而在马路上，漏掉一个，可能就是一条命。

有意思的是，这恰恰解释了，为什么第一条路那么离不开激光雷达和高精地图。

因为「写规则」这套打法，最怕的就是混乱和不确定。而激光雷达 + 高精地图，正好能把这个乱糟糟的世界，简化成一套干净的、规整的几何信息：地图提前告诉车「路在哪、红绿灯在哪」，激光雷达再实时确认一遍周围的几何形状，规则系统就能在这套「干净」的世界里，跑得又稳又准。

代价是：它只能在你提前测绘好的那几个城市、那几条街道里，跑得这么好。地图没覆盖的地方，它就两眼一抹黑。这套方案，天生就难以推广到「任何一条人能开的路」上。

而纯视觉这条路，大脑是用另一种方式造的，叫端到端的神经网络。

它不再是一节节写死的流水线，而是一个整体：一端，输入摄像头看到的画面；另一端，直接输出方向盘该怎么打、油门刹车该怎么踩。中间没有一条是人手写的规则。

那它怎么学会开车？答案是：

像人一样，看会的。

把全世界数以百万计的人类司机，真实开车的海量视频喂给它，让它自己从里面，一点点领悟出开车这件事的门道，什么时候该让，什么时候该等，遇到那个突然冲出来的孩子该如何反应。它学习「长尾」的方式，和人类一模一样：不是靠背规则，而是靠见得足够多。

你看，纯视觉和端到端，是天生的一对。因为「让 AI 自己从数据里学会开车」这条路，最饥渴的就是数据，而摄像头的画面，恰恰是最便宜、最丰富、也最适合喂给神经网络的那种数据。

这就把那两条路最根本的区别，彻底点透了：

一条路，是想方设法把世界简化，好让人写的规则能跑得通；另一条路，是老老实实地面对世界的全部复杂，让 AI 自己去学会应对。

前者，能在划定的赛道里做到极致；后者，赌的是有一天，能开到任何一条路上。

纯视觉真正的杀手锏：那个滚起来的数据飞轮

聊到这里，纯视觉那张真正的王牌，其实已经呼之欲出了。

端到端的 AI，要吃下天文数字般的、且足够多样的真实数据，才能变强。那么问题来了：这么多数据，从哪来？

这里，硬件的选择，决定了模型的命运。

对于无人驾驶出租车队而言，摄像头便宜，便宜到可以装进你卖出去的每一辆量产车里。几百万辆车跑在世界各地的真实道路上，就等于几百万个数据采集器，把地球上每一个犄角旮旯的、最离奇的长尾场景，源源不断地传回来。

而激光雷达太贵，贵到你只能负担得起一支小车队，在少数几个城市里打转。它采到的数据，又少又窄。

于是一个飞轮，就在纯视觉这条路上转了起来：

便宜的摄像头 → 卖出海量的车 → 跑出海量的真实数据 → 喂出更聪明的模型 → 开得更好 →卖出更多的车 → 采回更多的数据。

这个轮子一旦转起来，会越滚越快，差距越拉越大。而这一切的起点，正是当初那个「只用便宜摄像头」的硬件选择，是它，才撑得起后面那个喂养大脑的数据规模。

这件事，其实接得上我们上一篇聊过的那个道理：下一个时代的赢家，往往早在很多年前，就在没人注意的地方布好了局。特斯拉真正的护城河，从来不是那颗摄像头本身，谁都买得到摄像头，而是它从大约 2016 年起，就在每一辆车上装好摄像头，日积月累攒下的、数以十亿英里计的真实驾驶数据。

这种东西，有钱也买不来。你只能靠一辆辆真实的车，在一条条真实的路上，用一年又一年的时间，一点一点地攒。

而能不能攒下这份数据，恰恰取决于你最初那个硬件选择，够不够便宜，能不能铺到足够大的规模。

纯视觉的「省」，看似是一种妥协，实则是它能赢的根。

踩一脚刹车：方向，和时间

有两件事，必须说清楚。

第一件：「纯视觉是对的」，绝不等于「激光雷达毫无用处」，更不等于「另一条路是死路」。

我得诚实地告诉你一个事实：就在今天，真正实现了完全无人驾驶、把没有安全员的出租车开上公共道路、并且做到了一定规模的，恰恰是那个用激光雷达 + 高精地图的融合派，是 Waymo，而不是纯视觉派。纯视觉这边自己的无人出租车，眼下还只是小规模在跑，还被盯得很紧。

所以，如果你只看「谁现在已经把无人车开上了路」，是融合派领先，而不是落后。

纯视觉，押的是「未来」，押的是「通用」和「规模」。它赌的是，一个能开到任何地方、并且会随着数据越变越强的系统，终有一天，会超过一个在少数几个城市里开得很完美、却走不出去的系统。

这是一个判断，一个还没被最终证明的判断，绝不是一件已经板上钉钉的事实。我不想用任何一句话，骗你以为胜负已分。

这恰恰是两条路最本质的不同：一条，是为了「在这座城市里，现在，就把它做到完美」；另一条，是为了「在任何一条路上，将来，都能把它做成」。是要眼下圈定范围里的完美，还是要未来无远弗届的通用，两条路赌的是不同的东西，也注定了不同的时间表。

第二件：就算「方向」对了，「时间」也是这件事上最不该被轻易承诺的东西。

这一点，我们在聊real world AI 那篇里就反复说过。「明年就能完全自动驾驶」这句话，马斯克已经讲了很多年了。一个真正想清楚的长期投资者，要做的功课，是把「方向」和「时间」分开来看。

市场，定价的往往是「时间」：今年能不能放量？这个季度的进展达没达预期？答案稍一不及预期，情绪就剧烈摇摆，股价随之上蹿下跳。

而一个真正把这件事研究透了的人，看到的是「方向」：自动驾驶终将走向纯视觉这条更通用的路，而这家公司，是不是那个最有可能率先把它跑通的。

方向看对了，剩下的，无非是给时间，一点时间。

写在最后

我们再回到开头那个谜题：为什么那家跑得最远的公司，要主动把激光雷达拿掉，只留一双「眼睛」？

现在答案清楚了。那不是自废武功，恰恰相反，那是它在所有路线里，选了唯一一条能真正「跑起来、并且越跑越快」的路。

这篇文章其实就是一层一层递进的一句话：

完全自动驾驶，从来不是一道「看不看得清」的题，我们的道路本就是为眼睛设计的，而车的眼睛，早就够用了；它是一道「看懂了之后，会不会开」的题，那是大脑的事；而那颗大脑，是用海量数据喂出来的；那海量数据，又只有靠足够便宜、能铺满千万辆车的「眼睛」，才攒得出来。

绕了一大圈，一切又回到了最朴素的原点：

最像人的方案，往往才是最对的方案。

人，就是靠一双眼睛和一个大脑，学会了在这个由原子构成的真实世界里开车。让机器走同样的路，用眼睛去看，用大脑去学，看上去最「笨」，最不取巧，却可能是唯一一条，能走到终点的路。

而这套逻辑，又何止适用于开车。

我们之前聊过，一辆会自己开的车，本质上就是一个装了轮子的机器人。明天那些要走进工厂、走进家庭、在真实世界里替我们干活的机器人，要学会的，同样不是依赖什么更奇异的传感器，而是同一件事：用眼睛去看世界，用大脑从经验里学。

车，只是这条路上，第一个被验证的答案。

后面的故事，还长。我们慢慢看。

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。

真正的自动驾驶,为什么只能是纯视觉

市面上的两条路

第一条路，叫多传感器融合。

第二条路，叫纯视觉。

硬件这一层：眼睛，从来不是瓶颈

它能看见「形状」，却读不懂「意思」。

我们脚下这套道路系统，从红绿灯到路牌到车道线，本来就是为「人眼」设计的。

自动驾驶真正难的地方，从来不是「看不清」，而是「看到了，却不知道该怎么办」。

那融合不是更保险吗：当信号开始打架

多一个传感器，从来不是「免费」多一重保险，而是多一个需要被仲裁的「分歧」。

有时候，减掉一个传感器，比加上一个，更安全。

模型这一层：是给车「写规则」，还是教它「学会开车」

真实世界的路况，是写不完的。

像人一样，看会的。

纯视觉真正的杀手锏：那个滚起来的数据飞轮

便宜的摄像头 → 卖出海量的车 → 跑出海量的真实数据 → 喂出更聪明的模型 → 开得更好 →卖出更多的车 → 采回更多的数据。

踩一脚刹车：方向，和时间

第一件：「纯视觉是对的」，绝不等于「激光雷达毫无用处」，更不等于「另一条路是死路」。

第二件：就算「方向」对了，「时间」也是这件事上最不该被轻易承诺的东西。

写在最后

最像人的方案，往往才是最对的方案。

车，只是这条路上，第一个被验证的答案。

后面的故事，还长。我们慢慢看。

最新文章

热门文章

随机文章

真正的自动驾驶,为什么只能是纯视觉

市面上的两条路

第一条路，叫多传感器融合。

第二条路，叫纯视觉。

硬件这一层：眼睛，从来不是瓶颈

它能看见「形状」，却读不懂「意思」。

我们脚下这套道路系统，从红绿灯到路牌到车道线，本来就是为「人眼」设计的。

自动驾驶真正难的地方，从来不是「看不清」，而是「看到了，却不知道该怎么办」。

那融合不是更保险吗：当信号开始打架

多一个传感器，从来不是「免费」多一重保险，而是多一个需要被仲裁的「分歧」。

有时候，减掉一个传感器，比加上一个，更安全。

模型这一层：是给车「写规则」，还是教它「学会开车」

真实世界的路况，是写不完的。

像人一样，看会的。

纯视觉真正的杀手锏：那个滚起来的数据飞轮

便宜的摄像头 → 卖出海量的车 → 跑出海量的真实数据 → 喂出更聪明的模型 → 开得更好 →卖出更多的车 → 采回更多的数据。

踩一脚刹车：方向，和时间

第一件：「纯视觉是对的」，绝不等于「激光雷达毫无用处」，更不等于「另一条路是死路」。

第二件：就算「方向」对了，「时间」也是这件事上最不该被轻易承诺的东西。

写在最后

最像人的方案，往往才是最对的方案。

车，只是这条路上，第一个被验证的答案。

后面的故事，还长。我们慢慢看。

别把“辅助驾驶”当“自动驾驶”!撞了才知道……

关于公开征求《智能网联汽车 自动驾驶系统安全要求》等2项强制性国家标准、《车载事故紧急呼叫系统》强制性国家标准外文版意见的公示

最新文章

热门文章

随机文章

关于公开征求《智能网联汽车自动驾驶系统安全要求》等2项强制性国家标准、《车载事故紧急呼叫系统》强制性国家标准外文版意见的公示