不认识世界,就不会过马路?——自动驾驶的谬误
- 2026-07-29 04:05:56
一个山村的学龄前儿童，以前从来没出过门，突然被带到城市，他会过马路吗？
会。尽管他没见过汽车，不认识公交车，更不懂红绿灯，但照样会过马路——既不会自己主动撞车，更不会被车撞。
这不是科幻，而是常识。儿童尽管不识物，跌跌撞撞地走路也不会撞上板凳、饭桌，更不会撞墙或被门槛绊倒。
如果我是这个学龄前儿童，我就想弱弱地问一句：难道我不认识全世界，我就不配过马路吗？
可如今自动驾驶行业的回答，偏偏是"认识不了全世界，就不配上路"。
一、世界模型：一场"先识物、再避障"的算力军备竞赛
所谓"世界模型"，就是要让AI先认识汽车、公交车、三轮车、二轮车、马车……再认识交通标志牌、标线、红绿灯……还得认识狗、猫、鸡……不够，还要认识砖头、石块、石头蛋子……结果还不行，还有长尾，还不认识马路塌方、道路维修机械等等。
不仅要认识它们，还得知道它们的运动规律，从而做出躲避动作。
于是乎，为了自动驾驶，大模型都不够，还要世界模型，算力不断被拔高，H100不够上H200，一片不够上千片，到最后，连电力都不够了，还要向太空要能源（马斯克要将AI中心搬上太空），太疯狂了！
这像不像一个准备出门的人，非要先把全世界每一粒沙子都认清楚，才敢抬脚？
幼儿走路和山区儿童进城两例都表明：不认识障碍物，不影响对它的躲避。
二、照片里的"病态问题"：为什么单张图片会"看错"
老李：照片是二维的（左右、上下），应该缺乏远近的三维信息。
老张：不对，明明白白包括远近呀。当你站在马路中间放眼望去，能够清楚地看出远近。
老李：对，你说的对，远处的图像偏上偏小，而近处的图像偏大偏下。但问题恰恰出在这里——图像的上下与远近是混在一起的，区分时可能会出错。例如，网上流传的经典视觉错觉图中，下图左中误认为女士站在空中讲话、下图右的鹦鹉长出牙齿。
老张：是呀，确实出错了，人不可能漂浮在空中、鹦鹉也不可能有牙齿，这是怎么回事？
老李：根本原因就在于，二维的图像信息中混合进了三维信息，非要从单张照片中提取远近信息是病态问题（ill-posed）——会出错。
老张：那怎么办？
老李：单张照片会出错，多张呢？因为有移动，尤其是目测者本人就在移动，则远近与上下将能够明确区分。
老张：我明白了，对于讲话的女士，第一眼可能看成了她浮在空中，但是当你走两步后再看，就能分清楚女士是站在沙滩上，木板比旗帜的影子稍远而已。
老李：对了。人的眼睛分辨远近，靠的不是"认识"物体，而是靠移动前后的多张图像来提取远近——这在视觉科学里叫"运动视差"。老鹰抓兔子，它在树上时看到了草原上的兔子，它一定要飞起来，才能准确判断兔子的远近，而不是在树上"认识"兔子就知道。
老张：我知道了，为什么老虎不抓静物——只有动起来，才能一招锁喉。
老李：差不多是这意思。生物视觉的底层逻辑是"运动感知"，不是"物体识别"。
三、视频才是正解——"透视"更简单
视频每秒至少30帧，即一秒30幅照片，并且，目测者在移动，足以分辨远近信息。
事实上，分辨图像中的物体属于深度网络，而物体在视频中的远近信息属于工业数据，而不是图像数据。
让我们重温工业数据：连续物理量，如温度、流量、功率等，被等间隔数字测量，所得数据。
可见，视频中物体的远近数据也是连续物理量被等间隔（=1/帧频）测量——这就是工业数据。
在"工艺科学化"的前序推文中，我们介绍了要挖掘工业数据中规律需要"工业ANN"——它不是深度学习那种黑箱大模型，而是挖掘连续物理量变化规律的小模型。我们还将其物化为DCT，如同设备心电图，能够"透视"工业设备，获得设备内部物料的状态量变化曲线。
所以，将视频中物体的位置数据训练工业ANN，能够得到关于物体的运动模型——对时间的常微分方程：
场景 | 数据特征 | 工业ANN输出 | 模型阶 |
输电线路 | 电气量等间隔采样 | 线性14阶微分方程 | 14阶 |
真空回潮机 | 热工量等间隔采样 | 非线性4阶微分方程 | 4阶 |
视频中物体 | 位置和前后的等间隔采样 | 线性2阶微分方程 | 2阶 |
注：物体的运动方程通常2阶（距离、速度、加速度）就够，最多3阶（加加速度，即jerk）。
可见，如果用工业ANN来挖掘视频中物体的运动规律易如反掌，不费吹灰之力，它就能从物体的图像结果数据中区分出上下、前后、远近等信息。
四、结论
1. “世界模型”是舍近求远
世界模型的思路是：先认识障碍物"是什么"，再说"它会怎么动"。
没必要。不认识障碍物，不影响对它的躲避——这是儿童过马路的常识。
并且，视频中区分远近和位置信息依靠的更不是大模型，而是工业ANN。可以肯定，"世界模型"是舍近求远、缘木求鱼。
2. 特斯拉的FSD，官方从未说过用了"大模型"
这两天特斯拉刚宣布它的模型Grok4.5，而它的FSD第14.3版肯定在大模型之前。从时间前后就能得知，FSD的核心并非大模型。
需要澄清：特斯拉官方从未说过FSD或BMS用了"大模型"（large model / foundation model），是外界在这么猜、这么传。 马斯克虽提过十倍参数的新模型，但用词始终是"end-to-end neural network"或"AI model"，从未用"大模型"定性FSD。
在电池新国标落地，但有两个技术问题想聊聊中，我们已介绍了工业ANN和DCT，并暗示特斯拉有类似方法用于BMS。同样，也用于视频的区分位置和远近信息。
由此推断，HW4和HW5也没必要堆大算力。FSD在HW3上也能实现，因为工业ANN不是大模型、不需要多大算力。FSD Lite是营销宣传，与HW4上的FSD没有本质区别。
3. PNN、工业ANN、设备具身智能等都是小模型
特斯拉的视频自动驾驶，HW3、HW4和HW5都不需要大算力；特斯拉的BMS也不需要大算力。
我们的DCT也不需要大算力。
交流的话题：
如果自动驾驶不需要"认识世界"，只需要知道"障碍物"和"如何避免碰撞"，那么：
英伟达万亿市值的根基是什么？ 是技术必需，还是"没有大模型就讲不出新故事"的资本焦虑？
国内车企纷纷上马Orin、Thor芯片的军备竞赛，有多少是真需求，有多少是"别人有我不能没有"的恐慌性采购？
HW4和HW5都是大算力吗，真需要，还是HW3都足够？
当前行业每年数百亿美元的"大算力+大模型"投入，有多少是真需求，有多少是为营销目的而包装的？
你的行业有没有类似的"堆量不如挖质"的误区？
欢迎在评论区分享。
本文是"工艺科学化"系列推文之一。前文我们讨论了APC不是先进工艺、工艺不是熟练工的诀窍，今天我们把同样的追问投向自动驾驶——当AI行业也在用"堆量"代替"挖质"时，常识还能不能发声？
关联阅读：
1.APC：是真先进，还是营销宣传？（1140阅读）
2.工艺的本质（下）：认知偏差的根子已达百年之久（888阅读）
3.电池新国标落地，但有两个技术问题想聊聊（工业ANN与DCT）
