L2 es cámara y radar; los vehículos autónomos incluyen LiDAR: el estándar de conducción autónoma se convierte en una arquitectura multicapa de sensores. El breve video publicado por NVIDIA DRIVE no es una exhibición de especificaciones. En la pantalla de un Mercedes circulando por el centro de San Francisco, aparece la inferencia: “Ceder el paso a peatones en el cruce antes de girar a la derecha”. El mensaje es claro: no se trata de cómo girar el vehículo, sino de por qué se tomó esa decisión. Al examinar el hardware subyacente, se vuelve aún más evidente hacia dónde se dirige la industria actualmente. No es un solo conjunto, sino dos capas. La discusión típica de Tesla durante mucho tiempo fue: “¿Son suficientes solo las cámaras?”. Pero los productos reales ya han abandonado esta dicotomía. El demo L2++ de NVIDIA y Mercedes (CLA / https://t.co/7lbuc4Uypz Assist Pro) que circula por las carreteras actualmente incluye aproximadamente 10 cámaras, 5 radares y 12 sensores ultrasónicos. No hay LiDAR. Como se trata de un sistema supervisado, donde el conductor sigue siendo el responsable final, aquí se detienen los costos y la complejidad. Por el contrario, la plataforma de alta gama DRIVE Hyperion que NVIDIA impulsa para L4 y robótaxis incluye 14 cámaras, 9 radares, 1 LiDAR y 12 sensores ultrasónicos. Esta configuración garantiza que el vehículo no se detenga incluso si uno de los sensores falla. La próxima generación del S-Class preparado para L4 sigue la misma estructura: “Diversidad de sensores + redundancia de cálculo + redundancia de software” es un requisito previo. 🚨 La razón por la que esta división se convertirá en estándar es simple: L2 y L4 tienen costos de fallo diferentes. En los sistemas supervisados, el ser humano es el escudo. En los vehículos sin conductor, la empresa es el escudo. Imponer una filosofía de sensor único a un producto sin escudo no es una preferencia técnica, sino un problema de estructura de responsabilidad. Los números honestos del FSD de Tesla no son 7 veces, sino del orden de 2 veces. Los grandes números en la página de seguridad de Tesla comparan con el promedio nacional estadounidense. Se mezclan vehículos antiguos, diferentes tipos de carreteras y definiciones distintas de accidentes. Cuando se compara con la conducción manual del mismo vehículo (con seguridad activa activada), la historia cambia. En los datos más recientes de Norteamérica, los kilómetros recorridos hasta un choque grave (nivel airbag) son aproximadamente 5,69 millones para FSD supervisado y unos 2,08 millones para conducción manual del mismo vehículo. La ventaja es aproximadamente 2,7 veces. En intervalos anteriores era alrededor de 2,4 veces. En Europa, en carreteras no autovías, también es del orden de 2,7 veces. Sin embargo, esos 2 veces son el rendimiento de un sistema que tiene un conductor observando. Tesla cuenta como FSD cualquier choque ocurrido mientras FSD estuvo activo hasta 5 segundos antes del impacto. Aun así, que la ventaja siga siendo del orden de 2 veces comparado con el mismo vehículo sugiere que el margen de seguridad disponible cuando se sube el modelo a modo autónomo es más delgado de lo que se pensaba. Aquí radica precisamente la crítica central que Reuters hizo al método comparativo de Tesla: no se trata de una multiplicación exagerada, sino del enfoque que presenta el rendimiento supervisado como si fuera capacidad autónoma. El fenómeno de que los accidentes ADAS acumulados en la NHTSA se concentren en Tesla es un problema de confianza separado. Puede deberse simplemente a que hay más unidades en uso. Al mismo tiempo, Tesla dificulta que terceros verifiquen el denominador real (kilómetros reales recorridos) para esos accidentes. Aunque no se puede afirmar con certeza que el riesgo por kilómetro esté empeorando, simplemente el hecho de que “los datos no estén disponibles” erosiona la confianza regulatoria y pública. Los datos del segmento autónomo ya están inclinándose hacia los sensores múltiples. La conducción completamente autónoma aún no es el futuro que Tesla dice que “está a punto de lograr”. Waymo ya opera comercialmente con más de 200 millones de kilómetros recorridos en conducción autónoma pagada y un volumen semanal de 500.000 viajes. Sobre esa experiencia, Waymo reconoce que las cámaras son “excelentes”, pero concluye categóricamente que “no son suficientes solas”. Como ejemplo citan casos en los que el LiDAR detectó peatones junto a la vía mientras las cámaras quedaban ciegas por tormentas de polvo. Las cámaras son sensores pasivos que reciben luz; LiDAR y radar son sensores activos que emiten sus propias señales. Tienen diferencias físicas fundamentales. Tesla también comenzó a operar robótaxis autónomos en Austin y otras ciudades desde principios de 2026 y ha anunciado 1 millón de kilómetros autónomos. Es un inicio significativo. Sin embargo, en escala y tiempo de validación aún hay una diferencia de al menos un orden de magnitud respecto a Waymo. El FSD para consumidores sigue siendo supervisado. Es demasiado pronto decir que “el enfoque solo con visión ya resolvió la conducción autónoma”. El antiguo argumento de que “el LiDAR es demasiado caro para instalarlo” también ha perdido fuerza. El costo del LiDAR automotriz ha caído a alrededor de 200 dólares por unidad. La lógica basada únicamente en ventaja de costos para mantener las cámaras como única opción ha perdido credibilidad, al menos en L4.En China, cada vez más vehículos incluyen LiDAR incluso en etapas de conducción asistida urbana. Incluso el nivel L2 puede no estar fijo como “sin LiDAR”. Sin embargo, persiste una jerarquía: se elige dónde colocar sensores más económicos según el nivel de responsabilidad. Estándar, restante, plegable. Para expresar el estándar futuro en una sola frase: los sistemas supervisados utilizan sensores múltiples de buena relación calidad-precio (cámara + radar), mientras que los vehículos autónomos con responsabilidad de la empresa incluyen LiDAR en sus sensores múltiples. La importancia de NVIDIA Alpamayo radica en que apila sobre esta jerarquía un software que también genera explicaciones. Las preguntas que plantean la regulación y el seguro no son “¿parece inteligente?”, sino “¿se puede reproducir por qué falló?”. La traza de inferencia y la redundancia de sensores responden a esta pregunta en la misma dirección.