陈根:全球自动驾驶大战,为什么只有特斯拉能赢到最后?

自动驾驶的讨论长期被概念混淆所困扰。行业把L2+、高阶辅助驾驶、地理围栏内的Robotaxi、无监督全场景运营混为一谈，导致公众与资本市场对进度产生严重误判。真正有意义的终局只有一个：在几乎任意公共道路上，以无安全员、无高精地图依赖、可持续经济的方式运行，并具备通过车队数据持续自我改进的能力。

这个终局不是“某几个城市能跑”，而是全球尺度的基础设施级能力。达成它需要同时满足感知可规模化、学习可闭环、运营可覆盖三大条件。目前只有特斯拉的技术路线与组织形态同时具备这三者的演进可能；其余绝大多数打着“自动驾驶”名义的电动车，本质上仍属于高级辅助驾驶（ADAS）范畴，并将长期停留在这一阶段。

真正的自动驾驶必须同时满足以下条件：

1. 无监督：车内无安全员，远程协助仅作为极低概率的兜底，而非常态依赖。

2. 可扩展运营设计域（ODD）：不依赖预先高精测绘的封闭区域，能够通过软件迭代逐步扩大至城市、城际乃至更广泛道路。

3. 经济可规模化：单车传感器与计算成本必须低到支持数十万至数百万辆部署，否则数据飞轮无法转动。

4. 持续学习闭环：真实世界长尾数据能被高效采集、上传、训练并回灌到车端模型。

Waymo等公司在特定城市的无驾驶人运营，证明了多传感器融合在受限ODD内可以达到很高安全性。但这属于“高成本、强地图、强运营”的局部解，而非全球可扩展解。

一旦离开高精地图覆盖或传感器成本无法支撑大规模部署的区域，扩展速度会急剧下降。这与特斯拉追求的“软件定义、数据驱动、成本可控”的全球路径，在系统论层面是不同的问题。

人类驾驶的存在证明了“仅靠视觉+神经网络”在信息论上是可行的。特斯拉将这一观察转化为工程假设：摄像头提供的信息量足够，真正的瓶颈在于数据规模、算力与网络架构，而非额外主动传感器。

这一假设带来三个结构性优势：

1. 成本决定部署密度，部署密度决定数据质量

激光雷达即使价格下降，其全生命周期成本（硬件、标定、维护、功耗、造型约束）仍显著高于摄像头模组。特斯拉的传感器方案可以将增量成本控制在可大规模量产的水平，从而让同一资本开支支撑数量级更多的车辆在真实道路上运行。神经网络的泛化能力高度依赖真实世界长尾数据的覆盖密度。

没有足够多的车在足够多样的环境中行驶，再精巧的传感器融合也会在罕见场景上失效。数据规模不是锦上添花，而是决定系统能否跨越“辅助”到“无监督”门槛的核心变量。

2. 端到端学习消除模块间的人为接口错误

传统方案将感知、预测、规划拆分为独立模块，再通过人工设计的接口连接。每个接口都是潜在的信息损失与错误放大点。端到端网络直接学习从像素到控制的映射，让数据自己发现最优表征。

当训练数据达到数十亿英里量级，并配合影子模式与实际干预数据的闭环时，这种统一学习能够捕获人类难以显式编码的驾驶分布。特斯拉通过车队持续获得的真实干预与边缘案例，形成了竞争对手难以短期复制的数据飞轮。

3. 硬件-软件-算力的垂直整合决定迭代速度

特斯拉同时掌控摄像头规格、车载推理硬件、训练集群与软件栈。感知硬件的迭代可以直接服务于网络架构优化，模型更新可以快速部署到百万级车辆。这种闭环速度，是依赖第三方传感器与分散供应链的主机厂难以匹配的。

批评者正确指出纯视觉在极端光照、浓雾、扬尘等条件下存在物理局限。特斯拉的应对是通过更大规模的数据覆盖、占用网络（Occupancy Network）等架构改进，以及软件冗余与远程协助，将失效概率压缩到可接受水平。这是一场关于“数据与算力能否系统性弥补传感器物理短板”的工程赌局。目前特斯拉在多个城市开展的无监督Robotaxi运营（已扩展地理围栏并累计数十万英里级别的公开声明）表明，这条路径已进入实际验证阶段，而非停留在演示。

当前绝大多数宣称具备“自动驾驶”能力的电动车，其技术实质仍是L2或L2+：系统在设计上要求人类随时接管，ODD受限于高精地图或特定道路类型，数据闭环薄弱，且传感器与计算方案的成本结构不支持全球无监督部署。

根本原因在于路线选择与组织能力的双重约束：

传感器与成本结构：坚持多传感器融合的方案，单车成本居高不下，无法支撑足以产生数据飞轮的部署规模。没有规模，就没有足够的长尾数据；没有长尾数据，系统就无法安全退出地理围栏。

地图依赖：高精地图在局部可以提供先验优势，但维护成本随道路变化指数上升，且无法覆盖全球动态环境。依赖地图的系统在扩展时会面临“每进入一个新区域都要重新测绘”的线性甚至超线性成本。

数据与组织壁垒：真正的端到端学习需要统一的数据管道、标注策略、训练基础设施与车队反馈机制。大多数传统车企与新势力仍处于分散的供应商集成模式，难以形成特斯拉级别的闭环。

安全责任与监管现实：在无法证明系统可在开放道路上持续优于人类的情况下，监管与企业自身风险控制都会迫使系统停留在“人类监督”框架内。这不是暂时的过渡，而是路线决定的稳态。

因此，这些车辆可以做出体验优秀的辅助驾驶，甚至在限定区域内接近无监督表现，但它们的技术与商业路径决定了它们无法跨越到全球无监督自动驾驶。它们是更好的电动车，而不是未来的自动驾驶基础设施。

车端AI解决“这一辆车如何安全行驶”的问题，这必须主要在本地完成，不能依赖网络。但车队层面的学习、管理、远程协助与全球覆盖，则高度依赖通信。

真正的无监督全球车队需要：

- 高频、高带宽的边缘案例与轨迹数据上传，以维持学习速度；

- 低延迟的远程协助通道，处理极低概率的接管需求；

- 实时的车队状态与调度信息；

- 在蜂窝覆盖薄弱或中断区域仍保持连接的能力。

地面蜂窝网络在城市核心表现良好，但在全球尺度上存在覆盖空洞、运营商碎片化、跨境切换摩擦以及潜在的地缘与政策风险。一个声称覆盖全球的自动驾驶系统，如果其运营神经依赖这些受控且不完整的网络，就无法真正实现“任意地点可用”。

星链提供的是一层与地面网络正交的全球覆盖能力：低轨星座可覆盖海洋、乡村、山区与城市边缘；相对独立的运营降低了对单一国家电信基础设施的依赖；持续改善的带宽与延迟已能支持车队遥测、模型增量更新与远程协助。

Cybercab已将Starlink终端直接集成，官方说明其主要用于导航支持、客户服务与车队管理，而非驾驶安全本身。当车队规模扩大并进入覆盖不均区域时，这条独立链路从加分项变为运营必需。

马斯克关于“未来所有汽车都将配备Starlink”的判断，本质是在说：只有卫星层才能为数十亿级连接设备提供足够均匀的高带宽覆盖。对自动驾驶而言，这意味着车队可以在脱离地面网络舒适区后，依然保持学习与被管理的能力。

全球无监督自动驾驶不是单一技术的竞赛，而是系统能力的竞赛。它要求：

- 足够低成本且可大规模部署的感知方案；

- 能够吞噬真实世界长尾并持续自我改进的学习系统；

- 一张不被地方电信碎片化绑架的全球通信网络。

特斯拉是目前唯一在前两项上同时建立显著领先优势，并与第三项（星链）形成深度协同的公司。纯视觉降低了硬件门槛，端到端与车队数据构成了学习飞轮，垂直整合保证了迭代速度，星链则补上了全球运营的神经系统。

其他路线可以在局部赢得战役——在高精地图覆盖的城市、在多传感器堆叠的示范区域，它们可以跑得很好，甚至在某些指标上更优。但要赢得整个战争，必须同时解决智能的可扩展性与连接的全球性。在可预见的技术与组织路径上，只有特斯拉的组合在同时推进这两件事。

因此，全球自动驾驶的终局大概率只有特斯拉一家能够抵达。其余当前打着自动驾驶名义的电动车，将作为优秀的辅助驾驶产品存在，并在体验与安全上持续进步，但它们的技术路线与成本结构决定了它们无法跨越到真正的无监督全球运营。这不是暂时的差距，而是路径依赖的结果。