特斯拉纯视觉路线：不是为了省钱，是为了给机器人造“人的眼睛”

2021年，特斯拉宣布取消Model 3和Model Y上的毫米波雷达，只保留摄像头。一时间舆论哗然。很多人不理解：连十几万的国产车都上激光雷达了，特斯拉作为全球电动车的标杆，怎么反而“倒退”了？

于是两种解读流传最广：一种是“特斯拉技术真牛，靠纯算法就能搞定自动驾驶”，另一种是“马斯克就是抠门，为了省几百美元的成本，连安全都不顾了，而且还赌错了——激光雷达现在便宜得很”。

这两种说法，都太浅了。

马斯克心里真正想的，从来不是“今天的自动驾驶怎么省钱”，而是“未来的机器人需要什么样的感知系统”。答案很简单：机器人要进入人类世界、替代人类工作，它就必须像人一样看世界——用眼睛，而不是头顶顶着一个不停旋转的激光雷达。

一、人类世界的“底层代码”是为视觉写的

我们先想一个问题：我们现在的城市、道路、交通标志、车道线、红绿灯、行人手势……这些东西是为谁设计的？

答案是人。

所有的交通规则、标识体系、建筑布局，都是基于“人能看见”这个前提设计的。红绿灯用红黄绿三种颜色，是因为人眼对这三种颜色最敏感；车道线用白色或黄色，是因为和柏油路面形成对比；箭头标志、停车线、人行横道，一切都默认观察者拥有一双正常的眼睛。

如果你想让一台机器在这个世界上自主行动，最直接、最高效的方式，就是给它一双“人的眼睛”。摄像头采集到的图像信号，和人眼看到的画面在原理上是一致的——都是光线反射后的二维投影。只要算法足够强，机器就能从这些图像中提取出和人脑一样、甚至更丰富的信息。

激光雷达不一样。它发射激光束，测量反射时间，生成三维点云。这套系统绕开了“光学图像”这个人类世界的底层接口。它不是不好，而是不兼容。

想象一个场景：道路施工临时摆放了一块指示牌，上面用红底白字写着“前方绕行”。任何一个人类司机看到这块牌子，瞬间就懂了。一台只依赖激光雷达的车呢？它看到的是一个几何形状的物体，无法理解“红底白字”代表警示，更读不懂“前方绕行”四个字。它只能靠预存的高精地图或者车联网通信来获取信息，一旦没有预先录入，它就是盲人。

而纯视觉方案的车，只要这块牌子能被摄像头拍到，就有机会通过图像识别读出上面的文字、理解它的含义。

这就是底层逻辑的差异：激光雷达感知的是“几何世界”，而人类世界运行的规则写在“视觉符号”里。

二、机器人要走向工厂、家庭和野外，不能头顶雷达

马斯克做自动驾驶，最终目的不是造一辆能在高速上跑的车。他的终极目标是——擎天柱（Optimus）人形机器人。

想象一下，未来的擎天柱要在特斯拉工厂里搬零件、在普通人家里叠衣服、在灾难现场搜救。这些场景有一个共同特点：环境高度非结构化。

工厂里的料箱堆叠杂乱，家庭里有沙发、茶几、儿童玩具，野外的路面没有车道线、没有红绿灯、没有路标。你不可能在每个地方都提前架设激光雷达，更不可能让机器人头顶一个旋转的64线激光雷达到处走——成本倒是其次，关键是这东西机械结构脆弱、功耗高、在强光或雨雪天会失效。

更重要的是，机器人要和人共存。如果一个机器人顶着激光雷达在你家里走来走去，你是什么感觉？那旋转的激光束会不会扫到孩子的眼睛？有没有电磁干扰？这些问题不是不能解决，但显然不如“两个摄像头”来得自然。

人类的大脑经过数百万年进化，依靠双眼视觉就能完成抓取、避障、导航、识别等一系列复杂任务。既然生物学已经证明“纯视觉”可以支撑通用智能，那为什么机器不行？

马斯克赌的就是这件事：只要神经网络足够大、训练数据足够多、算力足够强，纯视觉就能达到甚至超越人类的感知水平。而一旦这条路走通，不仅自动驾驶的硬件成本可以降到几百块钱（几个摄像头加一块芯片），而且这套感知系统可以无缝移植到机器人上——摄像头不用换，算法不用大改，训练数据可以直接复用。

反观激光雷达，如果你训练了一个基于点云数据的模型，它只能在带激光雷达的平台上跑。你想移植到机器人上？可以，那就给机器人也装一个。但如果机器人的应用场景是火星探测、深海作业或者家庭服务，你真的愿意依赖一个机械旋转的激光雷达吗？

三、“省钱”只是结果，不是原因

当然，有人会反驳：马斯克就是算经济账，一个激光雷达几百美元，一年几百万辆车就是十几亿美元，特斯拉的利润率就是这么抠出来的。

这个说法把因果搞反了。

特斯拉不是“因为省钱所以选纯视觉”，而是“因为认定了纯视觉才是终局，所以不愿意在未来注定被淘汰的技术上浪费一美元”。马斯克对第一性原理的痴迷众所周知：物理上，自动驾驶到底需要什么？答案是——足够多的环境信息。而可见光波段的信息量，远远大于激光雷达的点云。一个1080P的摄像头，每秒30帧，每帧200万个像素，每个像素有RGB三个通道，这信息密度是任何现有激光雷达都望尘莫及的。

激光雷达的优势在于直接测距，不需要算法去推断距离。但随着视觉算法的进步——比如特斯拉的Occupancy Network（占据网络）——纯视觉系统已经能够从图像中重建出稠密的三维空间结构，精度虽然不如激光雷达，但对于驾驶和机器人操作来说，已经足够。

更重要的是，激光雷达的价格确实在下降，从几万块降到了几千甚至几百元。但摄像头呢？一颗车载摄像头成本不到50美元。就算激光雷达降到100美元，摄像头仍然是它的一半不到。而且摄像头没有运动部件，可靠性更高，功耗更低，更容易过车规和安规。

所以“省钱”不是原因，而是结果——因为这条路在物理上更优雅、在工程上更简洁、在商业上更便宜，所以马斯克选了它。

四、这个决定的真正代价，马斯克比谁都清楚

有人可能会说：道理我都懂，但现在特斯拉的纯视觉方案确实还不够好啊，误判白色卡车、在雨雾天表现不佳、幽灵刹车……这些都是问题。

没错。马斯克不是神，纯视觉这条路确实走得艰难。它需要海量的训练数据，需要超大规模的算力集群，需要不断迭代的神经网络架构。特斯拉为此自研了Dojo超级计算机，建立了数据标注和仿真系统，投入的人力物力远不止省下来的那点激光雷达的钱。

如果马斯克只是为了“省钱”，他完全可以像其他厂商一样，激光雷达、摄像头、毫米波、超声波全堆上去，供应商方案拿来就用，反而更省钱、更省事。

他没有这么做，是因为他看到了一个更远的终点：当自动驾驶成熟之后，下一场战役是通用机器人。而通用机器人的感知系统，绝不能依靠激光雷达这把“拐杖”。你现在舒服地扶着拐杖走路，到时候扔掉拐杖的那一刻，你会发现自己根本不会跑。

马斯克选择在自动驾驶还没跑通的时候就去掉激光雷达，相当于让特斯拉的算法团队从一开始就在“hard模式”下训练。这五年里，特斯拉的视觉算法突飞猛进，从HydraNet到BEV + Transformer，再到Occupancy Network和端到端模型，每一次迭代都在逼近“纯视觉天花板”。而这些技术积累，现在已经可以直接迁移到擎天柱机器人上。

反观那些依赖激光雷达的自动驾驶公司，他们或许在L2+级别上体验更好，但一旦去掉激光雷达，算法性能会大幅下降。因为他们从未真正解决过“靠眼睛看懂世界”这个根本问题。

五、结语：马斯克赌的不是技术，是世界的底层逻辑

回到最初的问题：特斯拉为什么要走纯视觉？

它不是技术崇拜，不是成本抠门，也不是对激光雷达的偏见。马斯克做了一个基于第一性原理的决策：人类世界是为视觉系统设计的，任何要在人类世界中自由行动的智能体，都必须以视觉作为首要感知通道。

激光雷达是一件很好的“工具”，但它不是人类世界的“原生产品”。你可以用它来辅助，但你不能依赖它。因为你的最终目的地——不管是L5自动驾驶，还是人形机器人——那个世界里，没有激光雷达为你提前布设好一切。

马斯克真正相信的是：要想造出一个能在人类世界里生存的机器，就必须让它像人类一样看世界。这不是技术路线之争，这是对“智能”本质的理解问题。

你认为他是对的吗？五年后再回头看，答案会更清晰。