激光雷达测距确实精确，但是不是没有识别的问题。开车不需要精确到厘米，更不用说毫米，但需要的是智能的判断。 所以激光雷达is nice to have, but not necessary, 特别是在巨大的成本代价和数据出路负担的情况下。Waymo能不能搞定取决于智能和算法，测距测到纳米也没用。 “如果靠激光雷达都搞不定全无人驾驶，纯视觉方案就更搞不定。" 所以这句话逻辑不对。
问了一下GPT, Tesla 认为FSD已经超过了99%的人类司机，但是如我估计，统计上很难讲谁是top1%的司机。
According to Tesla's data, their Full Self Driving (FSD) technology is statistically safer than the average human driver, and even surpasses the driving ability of a top 1% human driver in terms of accident rates, with significantly fewer crashes per million miles driven; however, independent testing and safety concerns remain regarding FSD's capabilities in complex driving scenarios, especially when compared to a truly exceptional human driver in edge cases. Key points about FSD vs top 1% human driver: Full Self Driving (FSD) Beta crashes significantly less frequently than the average driver, with a crash rate of 0.31 times per million miles on non-highway roads, compared to the national average of 1.53 crashes per million miles for human drivers, suggesting that even a top 1% human driver would likely still have a higher crash rate than FSD in most driving scenarios; however, it's important to note that this data is self-reported by Tesla and may not be fully verified by independent researchers. Sensor capabilities: FSD utilizes advanced sensors and computer vision to process information much faster than a human, potentially allowing for quicker reactions to changing road conditions. Consistency: While a top human driver may consistently perform well, FSD aims to maintain a high level of driving performance across all situations, eliminating distractions like fatigue or inattention. Limitations of FSD: Critics argue that while FSD may excel in routine driving, it can struggle with unpredictable situations, edge cases, and challenging weather conditions where a skilled human driver might adapt better. Testing and regulation: Independent testing and regulatory oversight are crucial to fully assess the safety and capabilities of FSD compared to top human drivers.
If you still think that writing millions of rules can cover all longtail problems, you are not living in this time. The neural network is a black box, just like the human brain. AI is not going to handle every case correctly, nor is the human brain. AI does not need to beat the smartness of all human brains added up, but it will beat every single human brain 99.999% of the times.
三年前在TSLA如日中天的时候，看不惯一帮人爆吹TSLA，做了人生中的第一支YouTube视频，后半部分在原理上讲了为啥TSLA做不出robotaxi，现在看，当年的论据依然成立：
三年后回看，对TSLA还是乐观了：当初认为TSLA的护城河是软硬件一体的产品化能力，因为同期能造车的传统大车厂没能力开发软件，会写软件的科技公司又没实力造车。但后来的事实证明，电车并不是只有传统大车厂才能造的，现在大陆能造电车又能写软件的公司一大堆，都卷上天了。
不要相信TSLA的robotaxi的故事，如果看到有Youtube财经博主讲TSLA时还在大谈TSLA的robotaxi前景，就直接取关吧。
看空不做空。主要是不会做空，做空非常看时机，时机不对也完蛋。再有，我也不知道TSLA股价里有多少是计价了robotaxi，又有多少是给人形机器人或者储能设备这些业务的。所以，不参与就好，好的股票那么多，犯不着跟TSLA死磕。
最后，还要公正的说，马斯克的执行力还是非常厉害的！大语言模型出来后，在一堆无人车公司以及电车公司都还在研究论证要不要用大语言模型的时候，TSLA都已经把大语言模型产品化落地了！只可惜终究还是“自动辅助驾驶”。
看起来很美，能不能上路还真的难说
Cruise出事故后被吊销执照，连无人车运营的表面故事都讲不下去了。
花姐要杀牛过周末。
你3 年前对比了特斯拉和Waymo的路径，现在在我看来，胜负已定。 Tesla全自动驾驶已经实现，Waymo的局限还没有突破，原因如下
1. AI 的发展，最近一年的AI发展使得Tesla的底层程序完全变了，从条件设定的编程转换成人工智能的端到端。从几十几百万条代码变成3万条代码，这个变化是翻天覆地的，之后的进步是像AlphaGo从打败李世石，到打败柯洁，到完全没有人类对手那么快
2. 纯视觉方案被证实成功，以前业界很怀疑纯视觉方案的可靠性，事实证明成功了，那么这个方案上低成本效应是巨大的。每一辆车便宜$5-6万美金的成本，在这个市占率统治一切的市场是什么意义？（我估计Waymo的车每一辆都是10万以上的）
3. 高精地图的模式无法展开，无法解决道路情况的变化和全球各地的测绘需求，成本即使是谷歌的财力也无法承受。这是为什么Waymo至今只能在几个城市试运行，特斯拉自动驾驶可以在全球铺开。
4. Tesla的安全性,看一下这张图，还不是2024年的数字，不要忘了AI的进步速度。
5. 数据积累，因为Tesla的数量远大于Waymo, 所以在人工智能时代，数据就是一切，差距会越来越大。没有找到很好的对比，不过差距是可以想象的
在进入具体问题前，首先明确：技术可靠性，商业可行性，法律监管是三个不同的问题。
1. AI 的发展，最近一年的AI发展使得Tesla的底层程序完全变了，从条件设定的编程转换成人工智能的端到端。从几十几百万条代码变成3万条代码，这个变化是翻天覆地的，之后的进步是像AlphaGo从打败李世石，到打败柯洁，到完全没有人类对手那么快
回答：无论是现在的生产式AI，还是过去的卷积神经网络，都是神经网络黑箱，都有长尾问题。一遇到非常罕见的场景就是会有出错的可能，这就是在技术上全无人驾驶一直跨不过去的技术门槛。
另外，端到端也不是新东西，早在18年Uber就有过端到端无人驾驶演示的demo。端到端，好处是可以通过数据优化整个系统，坏处是反而让神经网络的黑箱问题变得更严重。所以，要不要端到端，只是技术选择问题，无法解决真正的技术门槛。
2. 纯视觉方案被证实成功，以前业界很怀疑纯视觉方案的可靠性，事实证明成功了，那么这个方案上低成本效应是巨大的。每一辆车便宜$5-6万美金的成本，在这个市占率统治一切的市场是什么意义？（我估计Waymo的车每一辆都是10万以上的）
回答：不知道你说的纯视觉方案“成功”的标准是什么。到底怎么就“事实证明成功了”。激光雷达在原理上就是比纯视觉方案可靠性更高：激光物理测距就是比用算法从照相机上用算法算距离更准，这是无论如何都无法改变的基本物理原理，纯视觉方案无论如何都只能无限逼近激光雷达的表现。如果靠激光雷达都搞不定全无人驾驶，纯视觉方案就更搞不定。 Waymo激光雷达方案还不能做到真正的全无人，主要还是技术问题。成本问题也有，但是另一个问题。
3. 高精地图的模式无法展开，无法解决道路情况的变化和全球各地的测绘需求，成本即使是谷歌的财力也无法承受。这是为什么Waymo至今只能在几个城市试运行，特斯拉自动驾驶可以在全球铺开。
回答：高精地图上直接标准好车道线，就是比实施通过视觉检测用算法计算车道线更准，这也是无法改变的基本原理。现在根本还谈不上全球运营，连在几个城市里反复测试打磨，都还做不到真正的全无人。
4. Tesla的安全性,看一下这张图，还不是2024年的数字，不要忘了AI的进步速度。
回答：都在进步。不管如何进步，Waymo方案始终就是Tesla方案的技术天花板，这是由底层技术原理决定的。
5. 数据积累，因为Tesla的数量远大于Waymo, 所以在人工智能时代，数据就是一切，差距会越来越大。没有找到很好的对比，不过差距是可以想象的
回答：数据不是一切，真正有训练价值的长尾数据才是一切。Tesla到底能从海量数据里挖掘出多少真正有训练价值的数据才是关键。
一龙该deliver他吹的低成本电车了
签了协议，以后Uber 司机要失业了
就算端到端不是新东西，但是人工智能的发展和芯片的算力显然进步很大，如果Uber18年没成功，不代表Tesla24年不会成功。现在FSD 12.X已经远超人类驾驶员的平均水平了。所谓“长尾”是不是指小概率的事故现象，但是当这个概率够小，也就是自动驾驶事故率低于99%的人类司机时，这已经不重要了。自动驾驶不需要达到100%安全。
纯视觉方案“成功”的标准是，能够达成FSD比99%，甚至99.99%的人类司机安全。
激光雷达测距确实精确，但是不是没有识别的问题。开车不需要精确到厘米，更不用说毫米，但需要的是智能的判断。 所以激光雷达is nice to have, but not necessary, 特别是在巨大的成本代价和数据出路负担的情况下。Waymo能不能搞定取决于智能和算法，测距测到纳米也没用。 “如果靠激光雷达都搞不定全无人驾驶，纯视觉方案就更搞不定。" 所以这句话逻辑不对。
“高精地图上直接标准好车道线，就是比实施通过视觉检测用算法计算车道线更准”，没错，但是这个无关紧要，很多人浅度近视都能开车，划线的还有手抖一抖的，线粗线细，厘米级的判断已经足够，跟开车安全没有关系。你说在几个城市反复打磨，那是说Waymo吧，FSD全球除了中国，有Tesla的地方都在应用了。
“Waymo方案始终就是Tesla方案的技术天花板，这是由底层技术”像上面说的，领先的那部分如果不是关键短板，那么领先再多也无关紧要。事实上这个领先点成为了后续发展的负担。Waymo现在总共有没有10万辆车？Tesla去年年产180万辆。
没有方向盘和控制，使得法规通过的难度更大，不能逐步实施。
所以tesla给出的时间点太久，要2 年，显然这是在考虑监管的难度。
你反复说到FSD比99%，甚至99.99%的人类司机安全，甚至很多其他观点成立的前提都是这个论断要成立。我不知道这个观点从何而来，也许你引用了某项研究数据，但行业从业人员和市场显然不这样认为。这也能解释为啥你很困惑，为啥tesla技术上都成熟了，市场不买帐，到底啥原因落地不了。因为技术已经成熟这一前提就错了。即使是最新FSD的，现在的可靠性真的比Waymo差很多，至少在Waymo反复打磨过的城市。
人开车确实不要精确到厘米，确实可以模糊。但现在的无人车技术，无论是Waymo，还是TSLA，还是TSLA最新的FSD，比人脑差的不是一点半点。这是行业努力的方向。
FSD端到端之前的技术还是需要通过计算机算法算出车道线，算出周围车的距离，这在原理上就不如激光策略准确。至于现在的FSD端到端，我不清楚技术细节，比如到底有没有在训练任务中添加车道线检测和周围车辆检测的辅助任务。纯视觉方案的训练数据里，各种物体真实位置的标准，就要通过激光雷达得到的。就是说，其实就是用激光雷达采集的数据训练模型，让模型学会从照相机上才猜出真实距离。
最后，激光雷达不但测距确实精确，在激光雷达点云上做目标检测，比照相机上识别物体，不要容易太多。
oops
According to Tesla's data, their Full Self Driving (FSD) technology is statistically safer than the average human driver, and even surpasses the driving ability of a top 1% human driver in terms of accident rates, with significantly fewer crashes per million miles driven; however, independent testing and safety concerns remain regarding FSD's capabilities in complex driving scenarios, especially when compared to a truly exceptional human driver in edge cases. Key points about FSD vs top 1% human driver: Full Self Driving (FSD) Beta crashes significantly less frequently than the average driver, with a crash rate of 0.31 times per million miles on non-highway roads, compared to the national average of 1.53 crashes per million miles for human drivers, suggesting that even a top 1% human driver would likely still have a higher crash rate than FSD in most driving scenarios; however, it's important to note that this data is self-reported by Tesla and may not be fully verified by independent researchers. Sensor capabilities: FSD utilizes advanced sensors and computer vision to process information much faster than a human, potentially allowing for quicker reactions to changing road conditions. Consistency: While a top human driver may consistently perform well, FSD aims to maintain a high level of driving performance across all situations, eliminating distractions like fatigue or inattention. Limitations of FSD: Critics argue that while FSD may excel in routine driving, it can struggle with unpredictable situations, edge cases, and challenging weather conditions where a skilled human driver might adapt better. Testing and regulation: Independent testing and regulatory oversight are crucial to fully assess the safety and capabilities of FSD compared to top human drivers.
If you still think that writing millions of rules can cover all longtail problems, you are not living in this time. The neural network is a black box, just like the human brain. AI is not going to handle every case correctly, nor is the human brain. AI does not need to beat the smartness of all human brains added up, but it will beat every single human brain 99.999% of the times.
LLM有８０％的准确率，就被捧上天了。自动驾驶９９％的准确率都不行。
尤其是你还振振有词。