根據 NVIDIA 汽車業務負責人申周宇的最新發言，我一直強調的結論變得更加清晰。 特斯拉在 L2++ 上無疑是業界領先者。 （我因此一直說，駕駛員承擔責任的監督型 FSD 是特斯拉的限制） 這一點宇也承認。但問題就在於此為止。 單靠視覺方案要大規模運行 Cybercab，以目前的路徑幾乎難以實現。最終，很可能只是在有限區間進行示範，並隱藏遠程干預和運營例外，以拖延時間。 宇的論點很簡單： L2++ 和 L4 不是同一個遊戲。L2++ 的最終責任主體是駕駛員。即使攝像頭混淆，只要有人介入即可。特斯拉在這一點上領先的原因很明確：長期堅持視覺路線，並透過龐大的消費者車隊累積數據。宇也表示：「在基本 L2++ 層面，伊隆幾乎比任何人都領先。」 L4 則不同。沒有駕駛員。 一旦某個感測器失效，或某個條件崩潰，車輛必須能自行安全停車。 用宇的話來說，L4 的基本原則是「即使在單一故障點，車輛也必須能安全運行」。因此，NVIDIA 將 Hyperion 基礎型設計為 L2++ 的攝像頭+雷達配置，而 L4 高階型則加入雷射雷達。當我問宇「L4 是否需要雷射雷達」時，他的簡短回答是「是」。 他並未說視覺方案「絕對不可能」，但他指出，若僅靠視覺來證明，運行設計域（ODD）必然會縮小。要在客戶真正需要的廣泛條件下部署 L4，雷射雷達顯然更優。 這一句話才是關鍵： 並非因為視覺方案「絕對不可能」，而是因為可擴展的 L4 非常困難。在狹窄的地理圍欄、良好天氣、平整道路、可即時遠程干預的環境中，可以模擬出來。但這不是大規模車隊運營。大規模車隊每天都會面對：雨天、逆光、施工路段、倒下的物體、低反射障礙物、感測器污染、夜間感知崩潰、意想不到的道路結構。 攝像頭是依賴光線的被動感測器，它不直接測量深度值，而是進行推論。推論在學習分佈內表現強大，但在分佈外則會突然失效。L4 不允許這些失效瞬間的存在。 宇評價 Waymo 是「已證明的玩家」，而特斯拉是「仍在尋找路徑」，也是同一脈絡。 Waymo 已在有限城市中實現了可重複運營的無人服務。特斯拉的視覺方案 Cybercab 還未達到這一運營驗證階段。消費者 FSD 的改善與無安全駕駛員的大規模商業車隊完全是兩個問題：前者降低干預率即為成功，後者則必須從運營模型中完全消除干預。 數據架構也對特斯拉不利。 特斯拉維持自身車隊的封閉迴路，這對 L2++ 改進是強大武器。但對於 L4 安全認證與多 OEM、多城市擴展而言，這是另一種最佳化。宇強調 NVIDIA 重視 OEM 間的數據與模擬共享。 因為 L4 不可能僅靠單一公司所見場景就足夠；必須涵蓋稀有事故、感測器故障、法規要求、地區交通文化等所有面向。封閉迴路雖速度快，但驗證過的冗餘性卻較弱。 成本邏輯也並非隨著時間推移持續有利於特斯拉。視覺方案的最大優勢是低成本。但隨著邁向 L4，模型規模變大，推理與冗餘運算增加，一旦升級至下一代晶片（AI5 級），計算負擔將急劇上升。宇也提到了這一點。 若想用更大模型與更多運算來填補僅靠攝像頭無法滿足的安全缺口，最初節省的感測器成本將重新以晶片、電力、散熱、驗證成本的形式回歸。再加上遠程支援人力、運行限制、事故應對、保險、城市個別例外運營等附加開支，「便宜硬體」很快會變成「昂貴運營」。 因此，我所看到的 Cybercab 現實路徑如下： 第一，在部分城市限定路線與限定時段運行。 第二，出現問題時透過遠程干預與回收來應對。 第三，在維持「無人機動車」形象的同時反覆進行軟體更新。第四，全面的大規模車隊擴張，被推遲到下個季度、下個城市、下個晶片。 這是一種不承認失敗的延遲策略， 因為僅靠攝像頭推理，難以滿足 L4 商業運營所需的物理冗餘與法規級別的安全證明。 吳所說的 ODD 限制，正是這個關鍵點。示範是可能的，有限的成功也辦得到， 但這並不等同於大規模車隊的日常運營。 我們無需貶低特斯拉在 L2++ 上取得的成就。 這些成就確實真實存在，但若將這些成就與 L4 自動駕駛的完成畫上等號，邏輯便會崩潰。 吳的發言之所以重要，並非因為英偉達輕視特斯拉， 而是因為他明確區分了特斯拉的優勢與限制：L2++ 的領先者是特斯拉。 而 L4 的經證實運營，目前仍更接近 Waymo。 僅靠視覺方案，難以單憑數據與算力就跨越這段差距。 正如我所預期的那樣。 自動駕駛系統在一段時間內將「看起來」像是可行的： 影片很酷，某些路段確實運行良好。 但若要實現真正的大規模車隊運營——即能日常應對天氣、城市環境與異常狀況的無人運輸網絡——僅靠當前架構仍顯不足。 在彌補這些不足的期間，特斯拉爭取了時間，市場也持續保持期待。（天真的特斯拉粉絲仍將繼續被蒙蔽） 吳的訪談則指出：這段時間並非無限延長。