Com base nas recentes declarações de Xin Zhou Wu, responsável pela divisão automotiva da NVIDIA, minha conclusão contínua torna-se ainda mais clara. A Tesla é indiscutivelmente a líder no nível L2++. (Eu sempre disse que essa é exatamente a limitação da Tesla: o FSD supervisionado, onde a responsabilidade final recai sobre o motorista.) Isso também é reconhecido por Wu. Mas o problema termina aí. Operar em larga escala um sistema de condução autônoma baseado apenas em visão — como o Cybercab — pelo caminho atual é improvável. É mais provável que acabem limitando-se a demonstrações em trechos restritos, ocultando intervenções remotas e exceções operacionais, apenas ganhando tempo. A lógica de Wu é simples: L2++ e L4 não são o mesmo jogo. No L2++, o motorista é o responsável final. Se a câmera se confundir, basta o ser humano intervir. A razão pela qual a Tesla está à frente nesse ponto é clara: ela aderiu consistentemente à abordagem de visão por anos e acumulou dados massivos por meio de sua frota de consumidores. Wu até disse: “No L2++ básico, Elon está quase à frente de todos.” L4 é diferente. Não há motorista. Se um sensor falhar ou uma condição se deteriorar, o veículo deve parar com segurança por conta própria. Na expressão de Wu, o princípio fundamental do L4 é: “O veículo deve operar com segurança mesmo diante de uma única falha.” Por isso, a NVIDIA mantém a configuração básica Hyperion com câmeras e radares para L2++, mas adiciona LiDAR na versão avançada destinada ao L4. Quando perguntei a Wu se LiDAR era necessário para L4, a resposta curta foi: “Sim.” Ele não afirmou que é 100% teoricamente impossível usar apenas visão. Mas disse que, para provar a viabilidade apenas com visão, o domínio operacional (ODD) teria que ser drasticamente reduzido. Para implantar L4 em condições reais e amplas que os clientes realmente desejam, LiDAR é muito mais adequado. Essa frase é o cerne da questão. Não é que a abordagem “visão apenas” seja “impossível absoluta”. É que tornar o L4 escalável é difícil. Em geofences restritas, clima bom, estradas bem conservadas e ambientes onde operadores remotos podem intervir imediatamente, é possível simular. Mas isso não é operação de frota em larga escala. Frotas em larga escala enfrentam diariamente chuva, luz solar direta, obras, objetos caídos, obstáculos de baixa reflexividade, sujeira nos sensores, colapso da visão noturna e estruturas de estradas inesperadas. Câmeras são sensores passivos dependentes da luz. Elas não medem profundidade diretamente — inferem. Inferência funciona bem dentro da distribuição aprendida, mas cai drasticamente fora dela. O L4 não permite esses momentos fracos. A avaliação de Wu de que a Waymo é um “jogador já comprovado” e a Tesla ainda está “procurando seu caminho” está na mesma linha. A Waymo já criou um serviço autônomo repetível em cidades limitadas. O Cybercab da Tesla com visão apenas ainda não provou essa operação. Melhorar o FSD para consumidores e operar uma frota comercial em larga escala sem motoristas são problemas completamente distintos. O primeiro exige reduzir a taxa de intervenção; o segundo exige eliminar completamente a intervenção do modelo operacional. A estrutura de dados também é desfavorável à Tesla. A Tesla mantém seu próprio ciclo fechado de frota. Isso é uma arma poderosa para melhorar o L2++. Mas para certificação de segurança do L4 e expansão multi-OEM e multi-cidade, são necessárias outras otimizações. Wu enfatiza que a NVIDIA prioriza compartilhar dados e simulações entre OEMs. O L4 não pode ser suficientemente coberto apenas pelas cenas vistas por uma única empresa — precisa abranger acidentes raros, falhas de sensores, requisitos regulatórios e culturas de trânsito regionais. Um ciclo fechado acelera o desenvolvimento, mas enfraquece a redundância verificável. A lógica de custo também não favorece mais a Tesla à medida que o tempo passa. A principal vantagem da abordagem “visão apenas” é o custo baixo. Mas quanto mais se avança para o L4, maiores se tornam os modelos, maiores os cálculos de inferência e redundância, e mais intensa se torna a carga computacional ao migrar para chips de nova geração (nível AI5). Wu mencionou esse ponto. Para compensar as lacunas de segurança que câmeras sozinhas não conseguem preencher, aumentando o tamanho do modelo e a quantidade de cálculos, os custos iniciais economizados com sensores voltam sob a forma de custos com chips, energia, refrigeração e validação. E quando se somam equipe de suporte remoto, restrições operacionais, resposta a acidentes, seguro e exceções operacionais por cidade, o “hardware barato” rapidamente se transforma em “operação cara”. Portanto, o caminho realista que vejo para o Cybercab é este: Primeiro: operar em rotas limitadas e horários restritos em algumas cidades. Segundo: intervir remotamente e recuperar o veículo sempre que surgir um problema. Terceiro: manter a imagem de “robô-táxi autônomo” enquanto se realiza atualizações contínuas de software.Quarto, a expansão abrangente da frota grande é adiada para o próximo trimestre, próxima cidade, próximo chip. Essa é uma estratégia de atraso que não reconhece o fracasso. É difícil compensar apenas com inferência de câmera os requisitos de redundância física e nível regulatório de segurança necessários para a operação comercial L4. A limitação ODD mencionada por Wu é exatamente esse ponto. Demonstrações são possíveis. Sucesso limitado também é possível. Mas isso não equivale à operação cotidiana de uma frota em grande escala. Não há necessidade de menosprezar a conquista da Tesla no L2++. Essa conquista é real. Contudo, colocá-la no mesmo patamar da conclusão do ciber-cap L4 é um raciocínio falho. A razão pela qual as declarações de Wu são importantes é que ele não ignora a Tesla, mas sim separa claramente seus pontos fortes e limitações. A liderança no L2++ pertence à Tesla. A operação comprovada no L4 ainda está mais próxima da Waymo. É difícil para um ciber-cap apenas visual superar essa lacuna apenas com dados e computação. É exatamente o que eu previa. O ciber-cap parecerá “funcionar” por algum tempo. Os vídeos são impressionantes, e algumas seções realmente funcionam bem. Mas para se tornar uma rede de transporte autônomo capaz de absorver diariamente condições climáticas, cidades e situações anômalas, a estrutura atual é insuficiente. Enquanto preenchem essa lacuna, a Tesla ganha tempo e o mercado mantém suas expectativas. (Os teslanos ingênuos continuarão sendo enganados.) A entrevista de Wu aponta que esse tempo não pode ser ganho infinitamente.