先说最显然易见的事实，tesla还在准备demo，而waymo以及在好几个城市对公众开放，正式运营很久了。
再说两个tesla信徒的常见理由，最后谈技术本身。
（1）tesla信徒的理由一：waymo成本太高，商业化不可行；而tesla成本更低，商业化更有前途
这是没有理解waymo成本到底高在哪里，为何降不下来。
阻碍真的是在激光雷达这些硬件吗？NONO，一个技术一旦普及，硬件成本会迅速下降。18年19年无人驾驶热潮，各种startup雨后春笋，那时激光雷达的价格以肉眼可见的价格迅速下降，成就了大陆的hesai公司。同时，还有各种新型的固态激光雷达涌现。激光雷达的技术哪怕不再进步，只要robotaxi真的落地，robotaxi车开始量产，激光雷达这些硬件成本就会迅速下降。
成本降不下去的真正原因，在我看来，还是拿不掉远程接管团队。需要维持一支远程接管团队，在车遇到困难，卡住时，随时远程接管。
这就说到了tesla马上的robtoaxi发布会，如果有demo的话，根据FSD现在的错误率，大概率会有人在远程死死的盯着，随时随地准备接管，哈哈
（2）tesla信徒的理由二：tesla的错误率即使比waymo高一些，但只要比人开车低，就可以了。所以，waymo可靠性上高出来的哪部分不重要。
可惜现有法律监管可不支持这种说法。哪怕robotaxi的统计上的错误率比人低，只要出现一次致命失误就凉凉。这其实是robotaxi，哪怕是waymo，无法落地的真正原因。
Cruise就是一个很好的例子，被动的卷入一场事故，导致整个公司黄了。当然，其中有部分原因是公司隐瞒不报。反过来说，公司之所以选择隐瞒不报，也是知道事故的严重后果了。也算是无论如何都逃不掉吧。
最后，说技术。
tesla做法，离robotaxi的安全性差的太远了，具体原因在我之前的21年的视频里就解释过了：
当然，最近又了end2end的FSD，给了信徒的信仰充值了。可惜当前FSD的end2end依然遵循的是传统套路（相对于最近的大语言模型LLM而言）。传统套路就是perception，后面接prediction，然后是planning，最后是control。perception是最早用神经网络的。prediction和planning都是传统rule-based。后来，prediction可以并到perception里用神经网络直接出temporal的车的轨迹，planning有了所谓ML planner。每个模块都变成神经网络了，然后所有神经网络接到一起，就可以end2end训练了。但实质上还是传统的那个套路。
同理，没有什么技术障碍说waymo的planning不可以用ML planner，waymo不可以end2end 训练。或许waymo已经用上了，哈哈。
最后，即使是tesla目前的这种辅助驾驶技术，最近两三年的大语言模型LLM的发展，也给了其他公司赶上甚至弯道超车的机会。大家，我想也包括Tesla，都在研发基于vision-language model的新一代的真正的end2end的solution，让我们拭目以待，exciting！
最后的最后，即使退一万步说，tesla真的做出robotaxi了，robotaxi也不会tesla的护城河。因为技术一旦成熟，就会扩散开来，然后被赶上，甚至像电车本身制造那样被超越。Openai就是一个很好的例子，最早chatgpt技惊四座，现在的大模型遍地开花。
一、Waymo在运行，但没出圈
Waymo确实在凤凰城和旧金山部分区域跑了几年，但它只能在“地理围栏 + 高精地图 + 网络连通 +人类远程接管”条件下运行。说白了就是在沙盒里跑得稳，一出围栏就瘫痪。纽约、洛杉矶这些交通复杂的大城市至今不敢进。
反观Tesla的FSD，全国各地用户都能跑，乡村小路、繁忙城市都可以开。连中国乡下都可以开。没有道路分割线也无所谓。
Waymo是实验品，Tesla是正在产品化的AI系统。
二、为什么Lidar路线走不通？Tesla干脆彻底取消Lidar
原帖说“Lidar成本降下来就能用了”，这看起来有道理，其实是误判了AI发展方向。Tesla 早期也用过Lidar（Model S上测试），最后彻底放弃，是有以下几个原因：
1. Lidar是死数据，不理解语义。Lidar只能给你一个“点云深度图”，不能告诉你“这是小孩还是柱子，是推着婴儿车还是站在广告牌下”。你再加摄像头，那就是多系统融合，冗余度高，问题更多。
2. 深度信息是可以从视觉中推出来的，就像人眼一样。Tesla 自研 Occupancy Network 可以从视频中准确重建深度场景，不比Lidar差。
3. 最大的问题是成本结构：Lidar 本身虽然能降价，但它依然是物理设备，不可批量压缩成本；而 Vision + AI 模型训练，一次投入，多车复用，边际成本无限趋近于零。
所以，Lidar 是“工程师的执念”，不是 AI 的未来。
三、远程接管才是 Waymo 成本的“深坑”，Tesla 正在挑战这个终极问题
原文说：“远程接管团队拿不掉，才是成本问题”，这点我赞同，但 Tesla 正在走完全不同的方向——把“接管”问题交给 AI 自己处理。
FSD 从2023年以来，已经能在多数情况下自动识别意图、处理突发情况，虽然还会犯错，但迭代非常快。而 Waymo 不敢交权，最终成了“半自动车 + 高薪监控员”的奇怪组合。我现在天天用FSD，可以看到它巨大的飞跃。
四、你说法律不允许自动驾驶比人好一点点就上线？对 Waymo 也一样。
原帖说：“哪怕比人强，也不能有一次致命事故”，你以为 Waymo 没事故？2024年Waymo两辆车在旧金山追尾 + 堵路事件，已经导致监管介入。而 Cruise 更是直接被一单事故干掉。
所以 Tesla 的风险不是特例，而是整个行业的共同挑战。
真正能跑通法律监管的，不是“0事故”，而是“比人强 + 有责任机制 + 产品更新透明”。
五、End-to-End Tesla真的落后？Waymo根本还没开始全局训练
作者说“Tesla所谓End-to-End其实还是模块化拼起来的，Waymo也能做”。但你搞错了重点。
Tesla现在用的是：
全栈自研神经网络（occupancy flow、neural planner）
超算 Dojo 大规模训练
全球数百万车主真实数据闭环训练
OTA 推送统一版本，实时迭代
Waymo再先进，也要靠“工程师标注 + 人工调参 + 小规模测试”来走传统路线。它可能能做 end-to-end，但它的数据量、部署体系远远无法支撑那种训练密度。
六、你说Tesla做成也没护城河？这和现实完全相反
Tesla 的护城河不是模型，而是：
硬件闭环：自产芯片、摄像头、算力；自己造车，自己集成；
数据闭环：每天几千万英里的真实世界驾驶数据，Waymo根本拿不到；
部署闭环：全国推送，真实反馈，用户自己做beta tester；
品牌和资本：有Elon撑腰，有全球粉丝，有现金流支持亏损运营。
Waymo只能在Alphabet内部烧钱；Tesla靠卖车已经养活研发了。
Waymo确实早，但它是“专家系统+地图+接管员”的产品。Tesla是“神经网络+视频数据+用户共创”的AI范式。你不能说电脑刚发明出来运行很慢，就否定了后来芯片革命；也不能说诺基亚先出手机，iPhone就是笑话。
所以我完全不同意那句“Waymo不知比Tesla高到哪里去了”。相反，Tesla正走在一条无人能跟的AI路线，而Waymo卡在地图、规则和接管上无法前进。
一，waymo出事waymo负责，FSD出事用户负责。所以，waymo只在几个地方跑，和FSD到处跑，能有可比性吗？可比的也是waymo已经在好几个城市公开运行了，而Tesla还在准备Austin的demo哈哈。
二1. 自己去waymo发布的公开数据集里下载一些lidar点云看看，就知道点云到底能不能告诉你“这是小孩还是柱子，是推着婴儿车还是站在广告牌下”。
二2，算法推算的距离永远没有激光测距准确，还耗时。
三，tesla的robotaxi的demo如果按期发布，远程监督员肯定紧张的不敢眨眼，死死的盯着，哈哈
四，现行法律就是“0事故”。所以robotaxi无法落地。
五，找个waymo员工私下聊聊你就知道了。我正文说的很具体了，FSD用的end2end又不是啥黑科技。
六，正文最后讲技术的部分已经说清楚了。
另外，你的回复里有太多的名词罗列，看着像是AI生成的。
除非，FSD真的开始使用最近两年的新的vision-languange model。
本来不想说的，因为辩论里最差劲的之一就是诉诸于权威或者身份。
亮线是做CS的，但肯定不是吃automous driving这碗饭的，不然也不会说出lidar点云不理解语义，看不出来“这是小孩还是柱子，是推着婴儿车还是站在广告牌下”这样的话。
老马太push
本来想说业内从业人员，但严谨起见，只能说我认识的人。也许我格局不够大，认识的都是没有“追求”的人，哈哈。
不怕他push，就怕他忙别的没时间push正事儿
看看我21年讲tesla视频的结尾引用的刘慈欣的话，对老马是真心的欣赏：
说老马push，是不想当他的员工，论坛上应该没几个人想给他工作吧，哈哈。
不見得兩者互相排斥，正如你所說，如果LLM行得通，Waymo可以調整技術路線。反之亦然。
當然首先行通的有先發優勢。
或者還需要更進一步的創新來實現可行的方案。
接几个还可能，接一些消化不了
要求0事故。FSD用的end2end不是黑科技，但对算力和数据要求极高，这是国内做自动驾驶头疼的地方，当然这也说明NVDA的芯片还有得卖了。
Performe as human.
先说最显然易见的事实，tesla还在准备demo，而waymo以及在好几个城市对公众开放，正式运营很久了。
再说两个tesla信徒的常见理由，最后谈技术本身。
（1）tesla信徒的理由一：waymo成本太高，商业化不可行；而tesla成本更低，商业化更有前途
这是没有理解waymo成本到底高在哪里，为何降不下来。
阻碍真的是在激光雷达这些硬件吗？NONO，一个技术一旦普及，硬件成本会迅速下降。18年19年无人驾驶热潮，各种startup雨后春笋，那时激光雷达的价格以肉眼可见的价格迅速下降，成就了大陆的hesai公司。同时，还有各种新型的固态激光雷达涌现。激光雷达的技术哪怕不再进步，只要robotaxi真的落地，robotaxi车开始量产，激光雷达这些硬件成本就会迅速下降。
成本降不下去的真正原因，在我看来，还是拿不掉远程接管团队。需要维持一支远程接管团队，在车遇到困难，卡住时，随时远程接管。
这就说到了tesla马上的robtoaxi发布会，如果有demo的话，根据FSD现在的错误率，大概率会有人在远程死死的盯着，随时随地准备接管，哈哈
（2）tesla信徒的理由二：tesla的错误率即使比waymo高一些，但只要比人开车低，就可以了。所以，waymo可靠性上高出来的哪部分不重要。
可惜现有法律监管可不支持这种说法。哪怕robotaxi的统计上的错误率比人低，只要出现一次致命失误就凉凉。这其实是robotaxi，哪怕是waymo，无法落地的真正原因。
Cruise就是一个很好的例子，被动的卷入一场事故，导致整个公司黄了。当然，其中有部分原因是公司隐瞒不报。反过来说，公司之所以选择隐瞒不报，也是知道事故的严重后果了。也算是无论如何都逃不掉吧。
最后，说技术。
tesla做法，离robotaxi的安全性差的太远了，具体原因在我之前的21年的视频里就解释过了：
当然，最近又了end2end的FSD，给了信徒的信仰充值了。可惜当前FSD的end2end依然遵循的是传统套路（相对于最近的大语言模型LLM而言）。传统套路就是perception，后面接prediction，然后是planning，最后是control。perception是最早用神经网络的。prediction和planning都是传统rule-based。后来，prediction可以并到perception里用神经网络直接出temporal的车的轨迹，planning有了所谓ML planner。每个模块都变成神经网络了，然后所有神经网络接到一起，就可以end2end训练了。但实质上还是传统的那个套路。
同理，没有什么技术障碍说waymo的planning不可以用ML planner，waymo不可以end2end 训练。或许waymo已经用上了，哈哈。
最后，即使是tesla目前的这种辅助驾驶技术，最近两三年的大语言模型LLM的发展，也给了其他公司赶上甚至弯道超车的机会。大家，我想也包括Tesla，都在研发基于vision-language model的新一代的真正的end2end的solution，让我们拭目以待，exciting！
最后的最后，即使退一万步说，tesla真的做出robotaxi了，robotaxi也不会tesla的护城河。因为技术一旦成熟，就会扩散开来，然后被赶上，甚至像电车本身制造那样被超越。Openai就是一个很好的例子，最早chatgpt技惊四座，现在的大模型遍地开花。
一、Waymo在运行，但没出圈
Waymo确实在凤凰城和旧金山部分区域跑了几年，但它只能在“地理围栏 + 高精地图 + 网络连通 +人类远程接管”条件下运行。说白了就是在沙盒里跑得稳，一出围栏就瘫痪。纽约、洛杉矶这些交通复杂的大城市至今不敢进。
反观Tesla的FSD，全国各地用户都能跑，乡村小路、繁忙城市都可以开。连中国乡下都可以开。没有道路分割线也无所谓。
Waymo是实验品，Tesla是正在产品化的AI系统。
二、为什么Lidar路线走不通？Tesla干脆彻底取消Lidar
原帖说“Lidar成本降下来就能用了”，这看起来有道理，其实是误判了AI发展方向。Tesla 早期也用过Lidar（Model S上测试），最后彻底放弃，是有以下几个原因：
1. Lidar是死数据，不理解语义。Lidar只能给你一个“点云深度图”，不能告诉你“这是小孩还是柱子，是推着婴儿车还是站在广告牌下”。你再加摄像头，那就是多系统融合，冗余度高，问题更多。
2. 深度信息是可以从视觉中推出来的，就像人眼一样。Tesla 自研 Occupancy Network 可以从视频中准确重建深度场景，不比Lidar差。
3. 最大的问题是成本结构：Lidar 本身虽然能降价，但它依然是物理设备，不可批量压缩成本；而 Vision + AI 模型训练，一次投入，多车复用，边际成本无限趋近于零。
所以，Lidar 是“工程师的执念”，不是 AI 的未来。
三、远程接管才是 Waymo 成本的“深坑”，Tesla 正在挑战这个终极问题
原文说：“远程接管团队拿不掉，才是成本问题”，这点我赞同，但 Tesla 正在走完全不同的方向——把“接管”问题交给 AI 自己处理。
FSD 从2023年以来，已经能在多数情况下自动识别意图、处理突发情况，虽然还会犯错，但迭代非常快。而 Waymo 不敢交权，最终成了“半自动车 + 高薪监控员”的奇怪组合。我现在天天用FSD，可以看到它巨大的飞跃。
四、你说法律不允许自动驾驶比人好一点点就上线？对 Waymo 也一样。
原帖说：“哪怕比人强，也不能有一次致命事故”，你以为 Waymo 没事故？2024年Waymo两辆车在旧金山追尾 + 堵路事件，已经导致监管介入。而 Cruise 更是直接被一单事故干掉。
所以 Tesla 的风险不是特例，而是整个行业的共同挑战。
真正能跑通法律监管的，不是“0事故”，而是“比人强 + 有责任机制 + 产品更新透明”。
五、End-to-End Tesla真的落后？Waymo根本还没开始全局训练
作者说“Tesla所谓End-to-End其实还是模块化拼起来的，Waymo也能做”。但你搞错了重点。
Tesla现在用的是：
全栈自研神经网络（occupancy flow、neural planner）
超算 Dojo 大规模训练
全球数百万车主真实数据闭环训练
OTA 推送统一版本，实时迭代
Waymo再先进，也要靠“工程师标注 + 人工调参 + 小规模测试”来走传统路线。它可能能做 end-to-end，但它的数据量、部署体系远远无法支撑那种训练密度。
六、你说Tesla做成也没护城河？这和现实完全相反
Tesla 的护城河不是模型，而是：
硬件闭环：自产芯片、摄像头、算力；自己造车，自己集成；
数据闭环：每天几千万英里的真实世界驾驶数据，Waymo根本拿不到；
部署闭环：全国推送，真实反馈，用户自己做beta tester；
品牌和资本：有Elon撑腰，有全球粉丝，有现金流支持亏损运营。
Waymo只能在Alphabet内部烧钱；Tesla靠卖车已经养活研发了。
Waymo确实早，但它是“专家系统+地图+接管员”的产品。Tesla是“神经网络+视频数据+用户共创”的AI范式。你不能说电脑刚发明出来运行很慢，就否定了后来芯片革命；也不能说诺基亚先出手机，iPhone就是笑话。
所以我完全不同意那句“Waymo不知比Tesla高到哪里去了”。相反，Tesla正走在一条无人能跟的AI路线，而Waymo卡在地图、规则和接管上无法前进。
一，waymo出事waymo负责，FSD出事用户负责。所以，waymo只在几个地方跑，和FSD到处跑，能有可比性吗？可比的也是waymo已经在好几个城市公开运行了，而Tesla还在准备Austin的demo哈哈。
二1. 自己去waymo发布的公开数据集里下载一些lidar点云看看，就知道点云到底能不能告诉你“这是小孩还是柱子，是推着婴儿车还是站在广告牌下”。
二2，算法推算的距离永远没有激光测距准确，还耗时。
三，tesla的robotaxi的demo如果按期发布，远程监督员肯定紧张的不敢眨眼，死死的盯着，哈哈
四，现行法律就是“0事故”。所以robotaxi无法落地。
五，找个waymo员工私下聊聊你就知道了。我正文说的很具体了，FSD用的end2end又不是啥黑科技。
六，正文最后讲技术的部分已经说清楚了。
另外，你的回复里有太多的名词罗列，看着像是AI生成的。
除非，FSD真的开始使用最近两年的新的vision-languange model。
本来不想说的，因为辩论里最差劲的之一就是诉诸于权威或者身份。
亮线是做CS的，但肯定不是吃automous driving这碗饭的，不然也不会说出lidar点云不理解语义，看不出来“这是小孩还是柱子，是推着婴儿车还是站在广告牌下”这样的话。
老马太push
本来想说业内从业人员，但严谨起见，只能说我认识的人。也许我格局不够大，认识的都是没有“追求”的人，哈哈。
不怕他push，就怕他忙别的没时间push正事儿
看看我21年讲tesla视频的结尾引用的刘慈欣的话，对老马是真心的欣赏：
说老马push，是不想当他的员工，论坛上应该没几个人想给他工作吧，哈哈。
不見得兩者互相排斥，正如你所說，如果LLM行得通，Waymo可以調整技術路線。反之亦然。
當然首先行通的有先發優勢。
或者還需要更進一步的創新來實現可行的方案。
接几个还可能，接一些消化不了
要求0事故。FSD用的end2end不是黑科技，但对算力和数据要求极高，这是国内做自动驾驶头疼的地方，当然这也说明NVDA的芯片还有得卖了。
Performe as human.