开场
数据飞轮这个词，你可能听过一百遍了。
车队跑得越多 → 数据越多 → 模型越好 → 车卖得越多 → 车队越大。一个漂亮的闭环。每家自动驾驶公司的 PPT 里都有这张图。
这个图没有撒谎。但它是从一万米高空拍的。它不回答一个问题：数据，到底怎么从车上跑到训练集里的？
降到地面，你会看到一个完全不同的东西。不是一台优雅自转的飞轮，是四台日夜不停的榨油机。每一台都在榨不同的东西——架构、信号密度、人力、时间。
先从一个具体的场景讲起。
一辆特斯拉在高速匝道上遇到一辆斜停的厢式货车。FSD 犹豫了 0.6 秒。驾驶员接管了。
接管前后各 30 秒的数据被记录下来——多路摄像头视频、系统日志、CAN 总线报文，加起来 1.2 GB。（如果你的车还带雷达——比如 2021 年前的旧款特斯拉或某些国内量产方案——这一包里还会多一份毫米波雷达点云。）
这 1.2 GB 接下来要走一段很长的路。而这条路，就是数据飞轮的全部真相。
但在这条路的起点，有一个被所有 PPT 省略的问题：车上这套硬件，凭什么能把这 1.2 GB 捞出来？
第零幕：架构之榨 —— 飞轮在云上转，但底座在车上
那 1.2 GB，不是天上掉下来的。
在 Shadow Mode 决定"这个场景值得存"之前，在标注员打开这个片段之前，在它进入训练队列之前——这辆特斯拉上的一套硬件管线，已经在做一件被飞轮叙事系统性省略的事：从每秒几十 Gbps 的传感器洪流里，把值得留下的像素捞出来。
这不是一个软件问题。这是一个硬件问题。
你不可能什么都存
一辆搭载 HW3/HW4 的特斯拉，HW3 的 8 路摄像头约 120 万像素（1280×960），HW4 主摄提升到了 500 万像素级别。再往后看——高端 ADAS 传感器普遍在往 800 万像素走，国内一些新势力已经在量产 8MP 前视方案。取个代表性的中段范围，按每路 3-8 MP 估算。
来算一笔账。
8 路 × 3-8 MP × 30 fps × 12 bit，RAW 数据流速大约在 10-23 Gbps 之间。这是还没压缩、还没裁切、还没经过 ISP 的 demosaic 和降噪的原始洪流。（你可能会问：RAW 流速这么高，为什么录下来的片段才 1.2 GB？因为 ISP 处理、H.265 压缩、以及触发级别的选择性记录——不是每路摄像头都全量存——在数据碰到 NVMe 之前已经过滤掉了 90% 以上。）
车载 NVMe SSD 的持续写入带宽，最好的消费级产品大约 3-5 GB/s（24-40 Gbps）。看起来刚好够？
不。持续写入会触发 thermal throttling。车内没有数据中心那种强制风冷，消费级 NVMe 控制器在 70°C 左右就开始自动降速——车规级存储的温度上限会更高（-40~85°C 甚至 105°C），但写入性能仍然受热管理约束。夏天暴晒后车内温度轻松突破 60°C，留给写入头的温度裕量不到 10 度。
而且这还只是摄像头。Radar 点云、IMU/GPS 报文、CAN 总线日志、超声波传感器——都还没算。
*结论是反直觉的：车上不是在"存储所有数据"，而是在"从洪流里捞数据"。存储只是一只手，另一只手必须在 SoC 上做实时筛选。*
这就是为什么"触发器"不是一个算法优化问题——它是一个硬件约束问题。如果一辆车每小时产生 4-10 TB 的传感器数据（这是按上述配置估算的理论最大值，对应 10-23 Gbps 的 RAW 速率——实际落盘因 ISP 处理、压缩和选择性采集会小得多），而你的 NVMe 只有 128 GB 循环缓冲区，那你必须在数据进入存储的 60 秒内决定留还是扔。
所谓数据飞轮的硬件底座，本质上是一套"60 秒判决系统"。 那 1.2 GB 的货车片段，只因为驾驶员踩了一脚刹车，才在 60 秒的窗口里击败了缓冲区里其他几百个同样合格的片段——这是飞轮的第一圈碾压。
从传感器到 SoC，像素能不能信？
决定留还是扔的前提是：你留下的数据本身是对的。
这句话听起来像废话。但在 15 米长的同轴电缆上传输 6 Gbps 的差分信号时，比特错误不是一个理论问题。
车载 SerDes 芯片——比如 TI 的 FPD-Link 系列——负责把 MIPI CSI-2 数据打包，通过单根同轴电缆传到 SoC。每对差分线跑 4-6 Gbps。电缆上的任何电磁干扰——电机启动、火花塞点火、甚至旁边车道一辆大巴的无线电——都可能翻转一两个比特。
如果 SerDes 在中间环节重新计算 CRC，那错误像素就会被"合法化"——SoC 收到的是一帧 CRC 正确但内容已被污染的图像。你用错误的数据训练模型，模型会把物理噪声学成"特征"。
TI 的 FPD-Link 应用笔记（SNLA474A，2025 年 10 月修订版）直接回答了这个焦虑：CSI-2 数据包的 CRC 校验和是隧道透传的。串行化器不拆包，解串器不重算，CRC 原封不动地随像素数据一起穿过整条链路。 任何在电缆上发生的比特翻转，到达 SoC 时都会触发 CRC 不匹配。
*从传感器到 SoC 的每一个像素，都带着一个不可伪造的"身份证"。链路任何一处出错，SoC 知道，然后丢弃这一帧。*
这是一个容易被忽略但极其重要的工程细节。数据飞轮的前提是"你采集到的数据反映的是真实世界"——如果连这一层都不能保证，后面所有关于"数据质量"的讨论都是建在沙滩上。
存储芯片会死，而且比你想象的快
现在，假设 SoC 已经收到了正确的像素数据，也决定了这段数据值得留。接下来：写进 NVMe，等下一次充电时上传。
但 NVMe 不是无限写的。NAND 闪存有一个物理寿命上限——每个存储单元只能承受有限次数的擦写（P/E cycles）。消费级 TLC NAND 大约 3000 P/E cycles。每写满一次全盘算一个 cycle。
NVIDIA DRIVE OS 的官方文档给出了存储寿命的估算方法。一块闪存芯片能写多少数据才报废，由三个变量决定：它的擦写次数上限、容量大小、以及一个叫写放大因子（WAF，Write Amplification Factor）的系数。WAF 越高，意味着每写入 1 GB 有用数据，芯片内部实际磨损了几 GB——它把实际写入"放大"了。这个系数不是理论值，是真实硬件上测出来的。
NVIDIA 文档提供了 eMMC 存储的实测数据（eMMC 和 NVMe 在控制器架构上不同，但 WAF 的跨厂商差异逻辑是通用的）：同样的工作负载下，Micron eMMC 的 WAF 是 3.6，Samsung eMMC 是 1.19。 差了 3 倍。
翻译成人话：同样的数据写入量，一颗 Micron 芯片比一颗 Samsung 芯片多磨损 3 倍。如果你选错了存储芯片，数据采集系统可能在车还在保质期的时候，NVMe 已经写穿了。
而车的寿命比手机长一个数量级。手机两年换一次，车十年不换。一辆 2024 年的 Model Y 上的 NVMe，可能在 2030 年还在工作——每天被循环缓冲区覆盖写入一两个小时，连续六年。
选择数据飞轮用什么存储介质，不是一个"能存多少"的问题，是一个"能存几年"的问题。 第一台压机碾过了硬件：传感器带宽在压、NVMe 温度在压、WAF 写放大在压——每一层都在淘汰数据。
Shadow Mode 到底怎么跑？
这是"数据飞轮"这个话题里最常被提及、但最容易被误解的一个词。
互联网上流传的标准说法是这样的："特斯拉在后台偷偷跑着一个完整版 FSD，一旦发现 Shadow Model 的决策和驾驶员的实际操作不一样，就触发数据采集。"
这个说法被深度研究交叉验证之后，结论是：不成立。 触发机制的具体实现，没有任何公开可信的原始来源。
我们能确认的是（来自 Karpathy 在 Autonomy Day 2019、CVPR 2021、ScaledML 2020 的多次公开演讲）：Shadow Mode 在相同的摄像头/Radar/IMU 传感器输入上运行候选模型，比较输出，但候选模型不控制车辆。
至于"如何决定哪些结果值得存"——这是一个各家高度保密的问题。
但我们可以从算力约束反推它的设计边界。
HW3 FSD Computer 提供约 144 TOPS 的 INT8 算力，HW4 更高。但这块算力首先要负担实时感知、规划、控制的完整管线——不能全部拿来"影分身"。如果 Shadow Mode 真的"完整地"跑一个候选模型，算力根本不够。
更可能的设计是：只在关键决策点做一次前向推理比对。 变道前、匝道前、检测到前方障碍物时、模型置信度骤降时——在这些时刻，候选模型只用跑一步（one-step）的前向推理，不是全程双开。一步推理的算力开销远小于全程，但足够给出一个"如果是新模型，这里会怎么判断"的差异信号。
这是从工程约束反推出来的，不是从特斯拉公开文档里读出来的。
*诚实地讲：所有 OEM 的数据触发机制，都是它们最核心的竞争壁垒之一。我们只能看到输入端（传感器数据）和输出端（被标注好的训练样本），中间那个"怎么选"的黑箱，是每家自动驾驶公司最贵的商业机密。*
现在，数据已经从传感器走到了 NVMe。那 1.2 GB 的片段安静地躺在存储芯片上，等着下一次充电。
但它旁边，还躺着几百个同样通过了 CRC 校验、同样触发了采集条件、同样被写入缓冲区的片段。
接下来要回答的问题不再是"怎么存"，而是：这 1.2 GB，配得上占用多少上传带宽？
第一幕：效率之榨
"数据越多越好"——这个假设，在飞轮的第一圈就出问题了。
一辆车每天在路上跑几个小时，传感器在不停地看、不停地听。但到底哪些数据值得留下来？这不是一个"存不存得下"的问题——第零幕已经讲过了，硬件会逼你做选择。这是一个"凭什么选 A 不选 B"的问题。
所谓效率之榨，榨的不是数据量，是信号密度。 怎么从海量的"正常驾驶"里，把那些真正能让模型进化的片段捞出来。
要理解这件事，得先搞清楚飞轮到底在吃什么样的数据。
飞轮吃的是什么？
一辆 L2+ 以上的车，每次触发数据采集时，记录下来的不是一个文件，是一包"时间切片"：触发时刻前后各 N 秒（特斯拉的做法是前后各 30 秒）的多模态数据。
这一包里有五样东西：
- 多路摄像头视频。 前视、后视、侧视——不是给人看的画质，是给模型吃的 RAW 或近 RAW 格式，保留了 ISP 处理之前的像素信息。因为模型要学的是物理世界的光线分布，不是"美化过"的画面。
- 毫米波雷达点云。 每个目标的位置、径向速度、RCS（雷达反射截面积）。一帧里面几十到几百个点，每个点带着速度信息——这是摄像头没有的维度。
- IMU + GPS 报文。 车辆自身的加速度、角速度、位置。没有这个，摄像头视频就是一段不知道自己在哪、正在往哪转的盲视频。
- CAN 总线日志。 方向盘转角、油门开度、刹车压力、车速、档位——驾驶员在做什么，系统在做什么，所有的"动作"都记在这里。
- 系统内部状态。 感知输出的障碍物列表、预测的轨迹、规划的路径、置信度分数。不是传感器数据，是模型自己的"想法"。
五样东西，时间对齐到同一个时钟域，打包成一个"场景片段"。特斯拉把这叫一个 clip，Waymo 叫一个 segment，叫法不同，结构类似。
但关键是：这五样东西不是每次触发都全量记录。 一次轻微的 AEB 预警，可能只记录前后各 5 秒、只存前视摄像头和 CAN 日志。一次驾驶员接管，才触发前后各 30 秒、全传感器全量记录。存储空间是有限的，系统在做一种隐式的"重要性分级"——不同级别的触发事件，数据包的厚度不同。
触发器怎么决定"这个值得存"？
这才是飞轮最核心的工程问题。你在路上开着车，系统凭什么在那一瞬间决定"这个场景，留"？
触发器的类型，大致可以分成三类：
第一类：规则触发。 最原始、最可靠、也最笨。定义一个硬阈值——比如 TTC（碰撞时间）低于 2 秒、AEB 激活、方向盘转角变化率超过某个值——满足条件就记录。好处是确定性高，不会漏。坏处是死板。一辆车在空旷的高速上急刹车（前面有只鹿跑过去），TTC 触发条件完全满足，但这个场景可能没有训练价值——因为鹿跑过马路已经是一个被充分覆盖的长尾场景。
第二类：模型置信度触发。 这是现在最主流的做法。系统实时监控感知和预测模块的输出——比如检测到一个障碍物但分类置信度只有 60%，或者预测一条轨迹但预测不确定性的方差突然变大。置信度低到一定程度，触发采集。这类触发器的好处是"系统知道自己在什么时候没把握"，采集回来的数据直接就是当前模型的弱点。坏处是模型必须有足够好的置信度校准（calibration）——一个过度自信的模型，在它最该触发的时候反而沉默。
第三类：Shadow Mode 对比触发。 第零幕讲过，候选模型在相同输入上跑推理但不控制车辆。当候选模型的决策和驾驶员的操作出现显著差异——比如候选模型决定变道但驾驶员保持直行——这条差异被标记为"值得关注"。但这里有一个关键细节：不是所有的差异都值得存。 如果候选模型决定变道、驾驶员也变道，只是变道的时机差了 0.3 秒——这个差异可能只是一个标定参数的问题，不是模型理解错了场景。真正的"高价值差异"是候选模型的决策方向和驾驶员完全相反：一个要加速，一个要刹车；一个要左转，一个要直行。
这三种触发器不是互斥的，是叠加的。一套成熟的数据采集系统通常同时跑着几十条触发规则：地理围栏（进入高接管率区域就提高采集频率）、天气条件（雨天、夜间、逆光自动加权）、场景新颖性（跟历史数据对比，相似的场景已经存够了就抑制）——这些叠加在一起，才构成了真正的"触发策略"。
然后呢？筛选还没完
触发只是第一道门。数据从车上到了云端之后，还有一道更安静、但同样重要的筛选。
这道筛选的核心问题是：你已经有了几百亿英里的数据（特斯拉的全队累计里程），新来的这 1.2 GB，跟你已有的数据到底有多不一样？
这在工程上叫新颖性检测（Novelty Detection）。不是判断数据好不好，是判断数据新不新。方法有很多——把新片段的 embedding（一种将场景压缩为一串特征数字的向量表示）跟已有数据集的 embedding 做相似度比对、用聚类找这个片段落在已有分布的哪个区域——但本质上在做同一件事：避免花昂贵的人力和算力去标注一段模型已经学过的场景。
这个机制有一个残酷的副作用：随着数据集的增长，越来越多新采集的片段会被判定为"不够新"。飞轮转得越久，进入训练集的门槛越高。早期 100 英里高速公路就能进训练集，后期 10 万英里才出一条有价值的片段。
这才是"效率之榨"的真正含义：不是从海量里找信号，是在海量已经被标注过的、已经学过的数据洪流里，找那几条还没被覆盖的。 而随着时间推移，没被覆盖的只会越来越少、越来越奇怪——就像那辆斜停在匝道上的厢式货车，附带一块倒在地上的警示牌。
CVPR 2025 上 NVIDIA 有个研究，用 8000 小时、10 个国家的真实驾驶数据做了个实验，结论一点不意外：继续堆"普通数据"，模型提升会越来越慢，最终停滞——因为直道和标准换道它已经学透了。但少量长尾场景——斜停的货车、倒地的警示牌、暴雨夜逆光的行人——每一条的边际收益远超一万条高速直道。 换成人话：你与其再跑 100 万英里高速公路，不如找到 1000 个真正奇特的场景。
同一个研究的数据还揭示了另一个残酷事实：边缘场景在所有驾驶里程里占比极低，但在导致伤亡的事故里，它们贡献的比重完全不成比例——普通事故伤亡率约 10%，边缘场景事故的伤亡率高达 27%。
飞轮的效率，不取决于你采了多少数据，取决于你在多快的时间内覆盖了多大比例的事故场景。 这是完全不同的两个指标。前者是 PR 稿里的数字，后者是安全工程师盯着的那条曲线。
那根针，现在已经被捞出来了。
但它还不是训练数据。它只是 1.2 GB 的原始片段。
接下来，它要遇到第二台压机。
第二幕：人力之榨
"自动化数据飞轮"——这个词让人想象一套不需要人介入的自循环机器。
Karpathy 在特斯拉 AI Day 上曾展示这个系统的工程蓝图：神经网络自动标注、Shadow Mode 自动发现分歧、一体化数据工厂全程自动化。让这幅图景更有说服力的是 2022 年的一条新闻——特斯拉裁掉了湾区圣马特奥办公室约 200 名数据标注员，官方表示"自动化程度已经提高到足以替代这部分人力"。
这条新闻里有一个常被省略的数字：裁员发生时，特斯拉在自动驾驶团队里的数据标注相关员工，总共有 1500 人。
裁掉 200 人，是 13%。
剩下的 1300 人，在做什么？
答案是：更难的标注。
Shadow Mode 能告诉你"这个场景里，新模型和旧模型的判断出现了显著分歧"。它不能告诉你"正确答案是什么"。
对于那辆斜停的厢式货车，Shadow Mode 记录了系统的 0.6 秒犹豫，记录了驾驶员接管。但接下来这个更难的问题，它没有办法回答：驾驶员接管之前，FSD 应该怎么处理才算"对"？
如果 FSD 选择继续行驶、慢速绕行左侧，会发生什么？绕行右侧呢？如果在 150 米外就开始减速，而不是 80 米才犹豫呢？
这类问题有一个技术名字：反事实标注（Counterfactual Labeling）。不是记录发生了什么，而是标注"如果做了 X，结果会是什么"。这是训练 E2E 模型里最昂贵的一类知识——它不能众包，不能用低时薪大规模生产，它需要具备深度驾驶理解和场景判断能力的专家，在每一个接管事件上给出有依据的决策。
特斯拉截至目前积累了 1.5 PB 的标注数据集，包含 100 万个 10 秒视频片段，共计 60 亿个带有边界框、深度和速度信息的标注对象。这 60 亿个标注背后，是一条混合流水线：先用已有模型做自动预标注，再把置信度低的片段推送给人工复核队列，复核后送专家裁决，裁决后进行多标注员交叉验证。
整条流水线的重点，正是在这条链路的末端——"置信度低的片段"那部分。这部分占比最少，标注成本最高，也是整个系统里最难被自动化的部分。
自动化在说：人力成本越来越少。
现实在说：剩下的那些人，每人每天在处理更复杂的判断。
*飞轮里的自动化是真实的。但每一圈的底部，永远有一队人在确认机器不敢确认的答案。*
标注完成了。这个片段通过了所有筛选，进入了下一轮训练队列。
但在它真正被用上之前，还有一台压机在等它。
第三幕：时间之榨
这是最少被讨论的压机，可能也是最贵的一台。
道路在变。 城市在扩张，施工路段在移动，新的立交桥每年都在出现。两年前在某个路口采集的数据，对应的那个路口今天可能已经加宽了、加了一条分流匝道、把路面重新画了线。地图在更新，但旧的驾驶数据记录的是旧的世界。
驾驶行为在变。 中国市场的新能源车比例从 2020 年到 2025 年翻了数倍。路上的其他车辆的加速特性、跟车距离习惯、十字路口博弈方式都在随之改变。用三年前数据训练出来的预测模型，今天在路上遇到的是一群陌生人。
不止道路和驾驶行为在变——模型本身也在变。 这是最棘手的一条。传统模块化架构下，感知模块的标注数据可以独立复用——2021 年标注的障碍物边界框，2024 年还有效。但 E2E 模型的训练需要"驾驶片段 + 驾驶决策"的完整配对，标注格式完全不同。切换到 E2E 架构，意味着大量历史标注数据需要重新走一遍标注流水线，才能送进新的训练管线。好比你的仓库堆满了 VHS 录像带，但你现在只有蓝光播放器——这些录像带就是数据债，你付过钱存储了它们，但要用得先全部翻录一遍。
这三条加在一起，有一个正式的工程术语叫 数据债（Data Debt）：已经付过成本采集的、但因为各种原因还没有被充分利用的数据。标注格式过时的是债，采集区域与当前模型不匹配的是债，被数据主权法规锁在某个国家境内无法跨境共享的也是债。
最后一条在中国市场有非常具体的含义。《数据安全法》要求境内采集的驾驶数据必须留存在中国境内。特斯拉在上海建立了独立的数据处理中心，中国车队数据走独立的训练管线，服务于独立的中国市场模型。这意味着在数据层面，特斯拉其实在维护两套飞轮、两套压机、两套标注体系——在声称"全球车队、数据规模最大"时，这个隔墙效应通常不会被提起。
*数据不是资产，除非你持续维护它。搁置不管，它会变成负债。*
诚实时间：谁的榨油机效率更高？
前面拆了三台压机——效率、人力、时间。但还有一个问题：不同公司的飞轮，设计目标不一样。把特斯拉和 Waymo 放在一起比，最容易犯的错误是拿一家最长的尺子去量另一家最短的短板。但比还是要比的——不是比谁更好，是比谁在为不同的目标设计飞轮。
比较数据策略的时候，最容易犯的错误是把不可比的数字放在一起比。
*特斯拉：大规模热压*
规模优势无可争议。每天 1000 万英里的 Shadow Mode 数据，是全球范围内规模最大的驾驶行为采集实验。加州 DMV 的 2024 年报告显示，特斯拉在高速公路上平均 213 英里触发一次驾驶员接管。
但热压的特点是出油快、杂质多。这些数据绝大多数来自 L2 辅助驾驶场景：驾驶员在场，系统不需要独立决策，接管的含义是"驾驶员决定自己来"而不是"系统无法继续"。这类数据对训练"在监督下辅助驾驶"价值极高，对训练"在无人监督的情况下独立决策"的泛化能力，效用打了折扣。
*Waymo：精品冷压*
截至 2025 年 3 月，Waymo 历史上累计完成约 7100 万英里全自动驾驶里程。特斯拉 Shadow Mode 一天就能跑这么多——差了将近三个数量级。
但这 7100 万英里每一段都是 L4 全自动驾驶：车在没有驾驶员监督的真实城市环境里独立做出所有决策。每次接管，是系统真的到了边界，而不是驾驶员决定不等了。Waymo 2024 年加州报告：平均 9793 英里才触发一次接管。
Waymo 的传感器套件（摄像头 + 激光雷达 + 毫米波）成本约 12,700 美元/辆，特斯拉纯视觉方案约 400 美元/辆。Waymo 在一场凤凰城沙尘暴里，激光雷达探测到了摄像头完全看不见的行人。更贵的感知，换来的是质量更高的数据标签起点。
（以上评分为基于公开数据的工程判断，非官方评级。星星数反映的是两家的相对位置，不是绝对分数。）
这两张打分卡描述的，是两种完全不同的榨法——不是谁更好，而是在榨不同的东西。特斯拉在用热压法从海量里程里提炼辅助驾驶的模式；Waymo 在用冷压法从精品里程里提炼全自动决策的边界。至于合规——特斯拉的全球数据飞轮被各国数据主权法切成了碎片（中国、欧洲、美国各自独立），Waymo 虽然只在少数城市运营，但地理集中反而意味着合规成本更低。
中国的新势力——蔚来、小鹏、理想、华为——没有公开披露过类似的 PB 级标注数据规模，但它们在中国道路上每天跑着数百万公里的数据采集里程。数据主权法把全球最大单一市场变成了一个独立的飞轮实验场：每家 OEM 在中国都必须维护独立的数据管线。讽刺的是，这意味着中国 OEM 天然就在"合规飞轮"这条赛道上起跑——不是因为他们更懂合规，而是因为他们没有"全球飞轮"可以拆。
*两者都是真实的飞轮。驱动它们的压机，设计目标不同。*
收束：那 1.2 GB，进训练集了吗？
回到那辆斜停在匝道上的厢式货车。
1.2 GB 原始数据在充电时上传到了云端，通过了触发器的第一道筛选——驾驶员接管是明确的高价值信号。进入了难度评分队列，被判为高不确定性片段。通过了新颖性检测——斜停货车加倒地警示牌，组合出现过，但占比极低。
然后进了人工复核队列。一名标注员打开了这个片段。他需要决定：对于这个场景，"正确"的处理方式是什么？
这个问题没有唯一答案。他标注了"需要升级"。
高级裁判员和另外两名标注员进行了交叉确认，三轮讨论后给出了反事实标注：在 120 米外开始减速，以 30 公里/小时慢速绕行左侧。
这条标注进入了训练队列。
数据飞轮又转了一圈。
但让这一圈成立的，不只是一台压机。
在那 1.2 GB 进入效率之榨——在 500 亿英里里等待那辆货车以奇怪角度出现——之前，它先穿过了一条 15 米长的同轴电缆，CRC 校验和原封不动地通过了 FPD-Link 隧道；它被 SoC 判定为"高价值"，在 60 秒的判决窗口里击败了缓冲区的其他片段；它写入了 NVMe，在 thermal throttling 的边缘，在优先级队列里排到了最前面。
然后才是效率之榨。人力之榨——在复核队列里确认"向左绕行"而不是"向右绕行"。时间之榨——在下次路网更新后确认这段匝道的几何结构没有改变。
飞轮的叙事是对的：数据越多，系统越好。但这个循环每转一圈，都要付一遍硬件、人力、时间的账单。
这些压机一刻不停。能跑起这台机器的，世界上没几家。能同时跑好所有压机的——一只手数得过来。
10个月宝宝每天需要喝多少奶粉？
