L2 é câmeras e radar; veículos autônomos vão até LiDAR — o padrão de condução autônoma torna-se multicamada e multissensorial. O breve vídeo divulgado pela NVIDIA DRIVE não é uma exibição de especificações. Na tela de um Mercedes dirigindo pelo centro de São Francisco, aparece a inferência: “Ceder passagem aos pedestres na faixa antes de virar à direita.” A mensagem é clara: não se trata de como o carro vai virar, mas por que tomou essa decisão. Ao examinar o hardware subjacente, torna-se ainda mais evidente para onde a indústria está se direcionando. Não é um único conjunto, mas duas camadas. O debate típico da Tesla por muito tempo foi: “Câmeras sozinhas são suficientes?” Mas os produtos reais já abandonaram essa dicotomia. O demonstrador L2++ da NVIDIA e da Mercedes (CLA / https://t.co/7lbuc4Uypz Assist Pro) atualmente em estradas possui aproximadamente 10 câmeras, 5 radares e 12 sensores ultrasônicos. Não há LiDAR. Como é um sistema supervisionado — onde o motorista permanece como responsável final —, limitam-se custo e complexidade nesse ponto. Por outro lado, o sistema de alta performance da NVIDIA para L4 e robô-táxis, o DRIVE Hyperion, inclui 14 câmeras, 9 radares, 1 LiDAR e 12 sensores ultrasônicos. Essa configuração garante que o veículo não pare mesmo se um sensor falhar. A mesma estrutura sustenta as declarações sobre a próxima geração do S-Class L4-ready: “Diversidade de sensores + redundância de processamento + redundância de software” são pressupostos fundamentais. 🚨 A razão para essa divisão se tornar padrão é simples: L2 e L4 têm custos de falha diferentes. Em sistemas supervisionados, o ser humano é o escudo. Em veículos autônomos, a empresa é o escudo. Impor a filosofia de um único sensor a um produto sem escudo não é uma escolha técnica — é uma questão de estrutura de responsabilidade. Os números honestos do FSD da Tesla não são sete vezes, mas duas vezes. Os grandes números da página de segurança da Tesla são comparados com a média nacional dos EUA. Isso inclui carros antigos, diferentes tipos de estradas e definições distintas de acidentes. Quando comparado diretamente com o mesmo carro conduzido manualmente (com segurança ativa ativada), a história muda. Nos dados mais recentes da América do Norte, com acidentes graves (equivalentes ao acionamento de airbag), os quilômetros percorridos com FSD supervisionado são cerca de 5,69 milhões, enquanto a condução manual do mesmo veículo alcança cerca de 2,08 milhões. A vantagem é de aproximadamente 2,7 vezes. Em intervalos anteriores, era cerca de 2,4 vezes. Nas estradas europeias não-autorizadas, também está em torno de 2,7 vezes. Mas esse fator de 2x é o desempenho de um sistema em que alguém está observando. A Tesla conta como FSD qualquer acidente em que o sistema estava ativo até cinco segundos antes da colisão. Mesmo assim, a margem de segurança ainda ser de apenas 2x em comparação com o mesmo veículo indica que a margem de segurança para operação totalmente autônoma é mais fina do que se imaginava. O ponto central da crítica da Reuters sobre os dados da Tesla está aqui: não se trata de um multiplicador exagerado, mas de um enquadramento que interpreta o desempenho supervisionado como capacidade autônoma. O fato de acidentes relacionados a ADAS estarem concentrados na Tesla perante a NHTSA é um problema de confiança separado. Pode-se explicar pelo grande número de veículos em uso. Ao mesmo tempo, a Tesla dificulta a verificação externa do denominador real — os quilômetros efetivamente percorridos. Embora não se possa afirmar com certeza se o risco por quilômetro está piorando, a simples ausência desses dados já mina a confiança da regulamentação e da opinião pública. Os dados da operação autônoma já estão inclinados para o lado multicamada. A condução totalmente autônoma ainda não é o futuro que a Tesla afirma estar “próximo”. Waymo já opera comercialmente com mais de 200 milhões de quilômetros em condução totalmente autônoma paga e cerca de 500 mil viagens semanais. Com base nessa experiência, a Waymo reconhece que as câmeras são “excelentes”, mas conclui que “não são suficientes por si só”. Como exemplo, citam casos em que o LiDAR detectou pedestres à beira da estrada enquanto câmeras ficavam cegas por tempestades de poeira. Câmeras são sensores passivos que dependem da luz; LiDAR e radar são sensores ativos que emitem seus próprios sinais — possuem características físicas distintas. A Tesla também começou a operar robô-táxis totalmente autônomos em Austin e outros locais desde 2026 e anunciou 1 milhão de quilômetros autônomos. Um início significativo. Contudo, em escala e tempo de validação, ainda está uma ordem de grandeza atrás da Waymo. O FSD do consumidor continua sendo supervisionado. Dizer que “o modelo vision-only já resolveu a condução autônoma” é prematuro. Mesmo o antigo argumento de que LiDAR é muito caro perdeu força. O custo do LiDAR automotivo caiu para cerca de US$ 200 por unidade. A justificativa baseada apenas em vantagem de custo para manter câmeras sozinhas perdeu credibilidade — pelo menos no nível L4.Na China, cada vez mais veículos estão incorporando LiDAR mesmo na fase de assistência de condução urbana. Mesmo o L2 pode não ser mais fixado como “sem LiDAR”. No entanto, hierarquias permanecem: a decisão de onde colocar sensores mais baratos depende do nível de responsabilidade. O padrão, o que sobra, o que se dobra. Para expressar o padrão futuro em uma única frase: veículos com supervisão humana usarão sensores múltiplos de custo-benefício (câmera + radar), enquanto veículos autônomos com responsabilidade da empresa incluirão LiDAR em sensores múltiplos. A importância do NVIDIA Alpamayo reside em adicionar, sobre essa hierarquia, um software que também forneça “a razão” por trás das decisões. As perguntas feitas por reguladores e seguradoras não são “parece inteligente?”, mas sim “é possível reproduzir por que falhou?”. Rastreamento de inferência e redundância de sensores respondem a essa pergunta na mesma direção.