Ang L2 ay kamera at radar, habang ang autonomous ay kasama ang lidar — ang pamantayan sa autonomous driving ay magiging hierarchical multi-sensor. Ang maikling video na inilabas ng NVIDIA DRIVE ay hindi isang pagpapakita ng mga spesipikasyon. Sa isang screen ng Mercedes na nagmamaneho sa downtown ng San Francisco, lumitaw ang pagsusuri: “Magbigay-daan sa mga manlalakad sa pedestrian crossing bago mag-rotate sa kanan.” Ang mensahe ay hindi tungkol sa kung paano i-rotate ang sasakyan, kundi kung bakit ginawa ang ganitong desisyon. Kapag tingnan ang hardware na nakapalibot dito, mas malinaw na nakikita kung saan patungo ang industriya. Hindi isang set, kundi dalawang layer. Ang debate na Tesla-style ay matagal nang nakatuon sa “Sapat ba ang mga kamera lamang?” Ngunit ang mga aktwal na produkto ay nagsisilbing umalis sa dikotomiyang ito. Ang kasalukuyang L2++ demo ng NVIDIA at Mercedes (CLA / https://t.co/7lbuc4Uypz Assist Pro) ay may halos 10 kamera, 5 radar, at 12 ultrasonic sensors. Walang lidar. Dahil ito ay isang supervised system kung saan ang driver ang huling responsable, pinipigilan nila ang gastos at kumplikasyon dito. Sa kabilang dulo, ang mataas na kalidad na DRIVE Hyperion na ipinopromote ng NVIDIA para sa L4 at robotaxi ay may 14 kamera, 9 radar, 1 lidar, at 12 ultrasonic sensors. Isang disenyo na nagpapahintulot na hindi tumigil ang sasakyan kahit isa sa mga sensor ay mabigo. Ang mga ulat tungkol sa susunod na henerasyon ng S-Class na L4-ready ay may parehong pundasyon: “Diversidad ng sensor + redundancy ng computation + redundancy ng software.” 🚨 Ang dahilan kung bakit ito ay magiging pamantayan ay simpleng: Ang L2 at L4 ay may iba’t ibang gastos sa pagkabigo. Sa supervised system, ang tao ang kalaban. Sa autonomous system, ang kompanya ang kalaban. Ilagay ang isang-sensor philosophy sa isang produkto na walang kalaban — ito ay hindi isang teknikal na preferensya, kundi isang isyu ng responsibilidad. Ang totoong numero ng Tesla FSD ay hindi 7 beses, kundi 2 beses lamang. Ang malalaking numero sa safety page ng Tesla ay nakakapagkumpara sa pambansang average ng Estados Unidos. Nakakasali ang mga lumang sasakyan, iba’t ibang daan, at iba’t ibang depinisyon ng aksidente. Kapag ihahambing mo ito sa pagmamaneho ng parehong Tesla nang manual (na may active safety on), magkakaiba ang kuwento. Sa pinakabagong data ng North America, ang mga maingat na aksidente (na may airbag deployment) ay nangyari sa halos 5.69 milyong milya para sa FSD-supervised, habang ang parehong sasakyan na sinasakyan nang manual ay nasa halos 2.08 milyong milya. Ang benepisyo ay halos 2.7 beses. Sa nakaraang peryodo, ito ay nasa paligid ng 2.4 beses. Sa Europe sa non-highway areas, ito ay nasa antas ng 2.7 beses. Ngunit ang 2 beses na ito ay ang performance ng sistema na may tao na nagmamasid. Ang Tesla ay nag-iisip na kung ang FSD ay bukas limang segundo bago ang aksidente, ipapasa ito sa FSD. Gayunpaman, ang 2 beses na kaligtasan na ito kumpara sa parehong sasakyan ay nagsasabi na ang safety margin kapag isinasakay mo ang modelo bilang autonomous ay mas maliit kaysa sa inaasahan. Ang pangunahing problema ni Reuters sa paraan ng pagkukumpara ng Tesla ay dito: Hindi ito isang exaggerated multiplier, kundi isang framing na nagpapahiwatig na ang performance ng supervised system ay katumbas ng kakayahan ng autonomous system. Ang pagtaas ng mga aksidente sa ADAS na nakalagay sa NHTSA at mas maraming nangyayari sa Tesla ay isang hiwalay na isyu ng tiwala. Dahil maraming gumagamit, mas marami ang bilang. Gayunpaman, ang Tesla ay nag-iingat na hindi ibigay ang denominator (totoong drivemiles) para sa panlabas na pagsusuri. Habang hindi maaaring masiguro kung tumataas ang panganib bawat milya, ang katotohanan lamang na “hindi nakikita ang numero” ay nagpapababa sa tiwala ng regulasyon at publiko. Ang data mula sa autonomous segment ay naka-倾向 na patungo sa multi-sensor. Ang fully autonomous ay hindi pa ang hinaharap na sinasabi ni Tesla na “malapit nang mangyari.” Ang Waymo ay nasa 200 milyong milya ng bayad na autonomous driving at 500,000 trips bawat linggo — nasa operasyon na ito. Sa ilalim ng karanasan na ito, tinanggap ni Waymo na ang mga kamera ay “magaling,” ngunit “hindi sapat lamang.” Kasama nila bilang dahilan ang mga insidente kung saan nakita ng lidar ang mga manlalakad sa tabi ng daan habang nabigo ang mga kamera dahil sa mga bagyo ng alikabok. Ang kamera ay isang pasibong sensor na nakikinig sa liwanag, samantalang ang lidar at radar ay aktibong sensor na nagpapadala ng sariling signal. May iba’t ibang pisikal na katangian. Kahit si Tesla mismo’y nagsimula nang magpatakbo ng autonomous robotaxi sa Austin at iba pang lugar simula 2026, at naglabas ng 1 milyong autonomous miles. Isang makabuluhang simula. Ngunit ang sukat at panahon para sa pagsusuri ay abiso pa ring isang digit o higit pa ang kalayuan mula kay Waymo. Ang consumer FSD ay patuloy na isang supervised system. Masyadong maaga pa para sabihin na ang vision-only ay “na-solve na ang autonomous.” Ang lumang argumento na “mahirap ilagay ang lidar dahil mahal” ay naging mahina rin. Ang automotive lidar ay bumaba na hanggang $200 bawat unit. Ang argumento batay lamang sa cost advantage upang manatili sa kamera — hindi na nakakapagpaliwanag lalo na para sa L4.Sa China, dumarami ang mga sasakyan na naglalagay ng lidar sa antas ng assisted driving sa lungsod. Kahit ang L2 ay hindi maaaring magiging “walang lidar” nang patuloy. Gayunpaman, ang pagkakasunod-sunod ay nananatili—ang pagpili kung saan ilalagay ang mas mura mga sensor, batay sa antas ng responsibilidad. Ang standard, ang natitira, ang pagsasalibat Kung isusulat ang hinaharap na standard sa isang pangungusap, ganito ito: Ang mga system na may supervision ay gumagamit ng cost-effective multi-sensor (kamera + radar), habang ang autonomous na may responsibilidad ng kumpanya ay naglalaman ng lidar na multi-sensor. Ang mahalagang dahilan kung bakit ang NVIDIA Alpamayo ay mahalaga ay dahil ito ay naglalagay ng software na “naglalabas ng dahilan” sa itaas ng pagkakasunod-sunod na ito. Ang mga tanong ng regulasyon at insurans ay hindi “Bakit ito tila matalino?” kundi “Bakit ito nabigo, at maaari bang ma-reproduce ang dahilan?” Ang inference trace at sensor redundancy ay sumasagot sa tanong na ito sa parehong direksyon.