Batay sa kahuling pahayag ni Xin Zhou Wu, Punong Tagapagpamahala ng Automotive Business ng NVIDIA, mas malinaw ang aking patuloy na pinaniniwalaan. Tesla ay tiyak na pinakamahusay sa L2++. (Nagpapaliwanag ako nito sa palaging sabi kong ang supervisory FSD, kung saan ang driver ang responsable sa insidente, ay ang hangganan ng Tesla.) Tanggap din nito ni Wu. Ngunit doon lang nagtatapos ang problema. Ang pagpapatakbo ng Cybercab sa malaking fleet gamit ang vision-only approach ay mahirap maisagawa sa kasalukuyang landas. Mas malamang na magiging isang pagpapakita sa limitadong lugar, at magtatago ng remote intervention at operational exceptions upang makalikha ng oras. Ang argumento ni Wu ay simpleng: Ang L2++ at L4 ay hindi parehong laro. Sa L2++, ang driver ang huling responsable. Kung nagkakamali ang camera, maaaring magsagawa ng tao ng pag-intervenye. Ang dahilan kung bakit nangunguna si Tesla dito ay malinaw: matagal nang sumunod sa vision path at nakalikom ng malaking dami ng data mula sa consumer fleet. Sinabi rin ni Wu na “sa basic L2++, Elon ay nangunguna kaysa sa karamihan.” Ang L4 ay iba. Walang driver. Kung isang sensor ay sumira o isang kondisyon ay bumagsak, dapat makapagpahinto nang ligtas ang sasakyan nang sarili nito. Gamit ang salita ni Wu, ang pangunahing prinsipyo ng L4 ay “dapat makapagpatakbo nang ligtas ang sasakyan kahit sa isang single point of failure.” Kaya gumagamit ang NVIDIA ng Hyperion base configuration na may camera at radar para sa L2++, at idinadagdag ang lidar para sa upgraded version para sa L4. Nang tanungin ko si Wu kung kailangan ba ng lidar para sa L4, ang maikling sagot niya ay Yes. Hindi niya sinabi na 100% imposible. Ngunit sinabi niya na kung gagamitin lamang ang vision, ang Operational Design Domain (ODD) ay maaaring maliit na maliit. Para maisagawa ang L4 sa mga kondisyon na gusto ng customer, mas mabuting gamitin ang lidar. Ito ang pangunahing punto: Hindi dahil imposible ang vision-only. Kundi dahil mahirap gawing scalable ang L4. Sa limitadong geofence, mabuting panahon, maayos na daan, at kapag may remote operator na maaaring agad makatulong, maaaring imitahin ito. Pero iyon ay hindi pagpapatakbo ng malaking fleet. Ang malaking fleet ay nakakatagpo araw-araw ng ulan, backlight, konstruksyon zone, nasiraan na bagay, low-reflective obstacles, sensor contamination, night-time sensor degradation, at hindi inaasahang road structures. Ang camera ay isang pasibong sensor na nakadepende sa liwanag. Hindi ito direktang sinusukat ang depth—ito ay inuunawa lamang. Ang pag-unawa ay maaaring maging malakas sa loob ng training distribution, pero biglaang magsisilbing mahina kung labas nito. Ang L4 ay hindi tumatanggap ng mga sandaling iyon. Ang pagtataya ni Wu na si Waymo ay “proven player” habang si Tesla ay “naghahanap pa ng landas” ay nasa parehong konteksto. Si Waymo ay nakapagbigay na ng autonomous service sa limitadong lungsod bilang isang repeatable operation. Ang vision-only Cybercab ni Tesla ay hindi pa nababawasan sa ganitong antas ng operational proof. Ang pagbabago ng consumer FSD at ang pagpapatakbo ng malaking commercial fleet na walang driver ay dalawang magkakaibang problema. Ang una ay tagumpay kung nababawasan ang rate ng intervention; ang pangalawa ay kailangan alisin ang intervention mismo mula sa operasyonal na modelo. Ang data structure ay hindi din nakatutulong kay Tesla. Nagpapanatili si Tesla ng sariling closed-loop fleet. Ito ay isang malakas na armas para sa pagpapabuti ng L2++. Ngunit para sa L4 safety certification at multi-OEM/multi-city expansion, iba-iba ang optimalization. Pinapansin ni Wu na naglalayon ang NVIDIA na i-share ang data at simulation sa pagitan ng OEMs. Dahil hindi sapat para sa L4 na basehan lamang sa mga pananaw ng isang kumpanya—kailangan mong sakopin ang rare accidents, sensor failures, regulatory requirements, at lokal na traffic culture. Ang closed loop ay mabilis, pero mahina sa verifiable redundancy. Ang cost logic ay hindi rin laging nakatutulong kay Tesla habang tumatagal. Ang pangunahing kahusayan ng vision-only ay ang mababang gastos. Ngunit habang lumalayo tayo patungo sa L4, lumalaki ang model, lumalaki ang inference at redundancy computation, at kapag lumilipat tayo sa next-gen chip (AI5 level), tumataas nang biglaan ang computing burden. Tinalakay din nito ni Wu. Kung gagamitin mo ang mas malaking model at mas maraming computation upang punan ang safety gap na hindi sapat ng camera lamang, muling babalik ang natipid na sensor cost bilang chip cost, power cost, cooling cost, at validation cost. At kapag idinadagdag mo pa ang remote support personnel, operational restrictions, accident response, insurance, at city-specific exceptions—maging “mahal na operasyon” na agad ang “mura na hardware.” Kaya narito ang realistiko mong landas para sa Cybercab: Una: Magpapatakbo lamang sa ilang lungsod, limitadong route, at limitadong oras. Pangalawa: Kapag may problema, gagamitin ang remote intervention at retrieval. Pangatlo: Magpapanatili ng imahe na “driverless robotaxi” habang paulit-ulit na i-update ang software.Ikaapat, ang komprehensibong pagpapalawig ng malaking fleet ay patuloy na ipinaglalayo sa susunod na kuarto, susunod na lungsod, at susunod na chip. Ito ay isang estratehiya ng pagtataas ng panahon na hindi tumatanggap ng pagkabigo— dahil mahirap lamang sagutin ang mga pisikal na redundancy at antas ng regulasyon na kinakailangan ng L4 commercial operation sa pamamagitan ng camera inference lamang. Ang ODD limitations na binanggit ni Wu ay ang punto na iyon. Ang demonstration ay posible. Ang limitadong tagumpay ay posible. Ngunit hindi ito katumbas ng pang-araw-araw na operasyon ng isang malaking fleet. Hindi kailangang bawasan ang natamo ng Tesla sa L2++. Ang tagumpay na iyon ay totoo. Ngunit kung isasama mo ito sa parehong antas ng pagkumpleto ng L4 cybercab, mabubulok ang lohika. Mahalaga ang pahayag ni Wu dahil hindi ito dahil sa pag-iwan ni NVIDIA sa Tesla, kundi dahil sa paghihiwalay nito sa mga kalakasan at limitasyon ng Tesla. Ang lider sa L2++ ay ang Tesla. Ang napatunayang operasyon ng L4 ay mas malapit pa rin sa Waymo. Mahirap para sa isang vision-only cybercab na talagang laktawan ang pagkakaiba sa pamamagitan lamang ng data at computing power. Tama ang aking inaasahan. Ang cybercab ay magiging “parang gumagana” sa ilang panahon. Ang video ay maganda, at ang ilang sektor ay talagang mabilis. Ngunit upang maging isang totoong malaking fleet operation—isang autonomous transportation network na nakakasipsip nang pang-araw-araw sa panahon, lungsod, at mga kakaibang sitwasyon—hindi sapat ang kasalukuyang istruktura. Habang sinusubukang punan ang kakulangan na iyon, binibigyan ng oras ni Tesla ang market, at pinapanatili ng market ang kanilang mga inaasahan. (Ang mga walang-alam na Tesla fans ay patuloy na mapapagpapalito) Ang interbyu ni Wu ay nagtuturo sa atin na hindi magtatagal ang oras na ito.