特斯拉用的純視覺方案本來就是先天不足，有很大局限性，中國主流電動車廠都用激光雷達方案。

以前激光雷達價格很高，特斯拉為了降低成本，選擇了純視覺方案。後來激光雷達被中國打成白菜價，現在特期拉想調頭就難了。

騰訊元寶：

自动驾驶纯视觉方案与激光雷达方案对比分析

一、技术原理与核心差异

1. ​感知原理​

   • ​纯视觉方案​：依赖摄像头（单目/多目）捕捉2D图像，通过深度学习算法（如神经网络）将图像转化为3D环境模型，模拟人类视觉认知过程。代表企业包括特斯拉（FSD）、百度Apollo Lite等。
   • ​激光雷达方案​：通过发射激光脉冲测量物体距离，生成高精度3D点云数据，直接获取深度信息。代表企业有Waymo、小鹏、蔚来等。

2. ​硬件配置​

   • 纯视觉方案仅需摄像头（成本约几十美元/个），硬件复杂度低；
   • 激光雷达方案需激光雷达（成本数千至数万美元/颗）+摄像头+毫米波雷达等多传感器融合。

二、优劣势对比

三、实际应用场景

1. ​纯视觉适用场景​

   • ​低成本量产车​：如特斯拉Model 3/Y，通过算法优化实现L2+功能，降低整车成本。
   • ​光线良好场景​：城市道路、高速公路等光照稳定的环境。
   • ​数据驱动型迭代​：依赖用户驾驶数据持续优化模型（如特斯拉影子模式）。

2. ​激光雷达适用场景​

   • ​高阶自动驾驶（L4+）​​：如Robotaxi（Waymo）、复杂城市道路（小鹏NGP）。
   • ​恶劣天气区域​：多雨、多雾地区（如中国南方、北欧）。
   • ​安全冗余需求​：需绝对精度保障的场景（如高速公路自动变道）。

四、未来趋势与融合方向

1. ​短期趋势（2025-2030）​​

   • ​纯视觉下沉​：15万元以下车型普及纯视觉方案，通过算法突破弥补硬件短板。
   • ​激光雷达降价​：固态/半固态雷达成本降至200美元以内，成为中高端车型标配。

2. ​长期方向​

   • ​多模态融合​：视觉+激光雷达+4D毫米波雷达，兼顾成本与安全性（如百度Apollo融合方案）。
   • ​神经拟态技术​：提升摄像头动态范围，降低对光线依赖（如索尼IMX636传感器）。

3. ​学术界观点​

   • 张亚勤等学者认为，视觉与激光雷达融合是当前最优解，既能发挥视觉的数据优势，又能通过激光雷达增强可靠性。

五、总结与选择建议

• ​选纯视觉​：预算有限、注重算法迭代能力，且主要行驶于光照良好场景的用户。
• ​选激光雷达​：追求高阶自动驾驶功能、需应对复杂环境或极端天气的用户。
• ​融合方案​：未来主流趋势，通过硬件互补实现安全与成本的平衡（如集度汽车“视觉主导+激光雷达冗余”）。

两种技术路线本质是“数据驱动”与“物理法则”的博弈，最终目标均为实现安全、普惠的自动驾驶。随着技术进步，二者界限可能逐渐模糊，融合将成为行业共识。

另外，美國的基建和路況，決定了只能採用單車作戰方案，也存在局限性。中國則由於強大的基建能力，采用車路雲方案，整體協調，智能化會更好。

騰訊元寶：

单车智能与车路云一体化方案对比分析

一、技术路径与核心差异

1. ​技术原理​

   • ​单车智能​：依赖车辆自身传感器（激光雷达、摄像头、毫米波雷达）和车载算力，独立完成感知、决策与控制，强调独立性。例如特斯拉Autopilot通过视觉和激光雷达实现自动驾驶。
   • ​车路云一体化​：整合车辆、路侧单元（RSU）、云端平台，通过V2X通信实现全局感知与协同决策。例如百度Apollo通过路侧毫米波雷达和云端冗余提升安全性。

2. ​核心差异​

   • ​感知能力​：单车智能感知半径≤250米，存在盲区；车路云通过路侧设备扩展至500米以上，突破非视距场景（如路口遮挡）。
   • ​算力分配​：单车需高算力芯片（如NVIDIA Orin），成本高；车路云将算力转移至路侧和云端，降低单车硬件需求。
   • ​数据规模​：单车数据局限于自身传感器，易成“孤岛”；车路云整合多车、路侧及云端数据，优化全局交通流。

二、优劣势对比

三、经济性与商业化对比

1. ​成本结构​

   • ​单车智能​：单次投入高（激光雷达+芯片≈$5,000），但量产可降低边际成本，车企主导易形成商业闭环（如FSD选装包）。
   • ​车路云一体化​：初期需政府主导基建（如路侧单元部署成本$50万/公里），长期依赖交通效率提升和数据服务分成，但回报周期长。

2. ​商业模式​

   • 单车智能：消费者直接付费（如自动驾驶订阅服务），市场化路径清晰。
   • 车路云一体化：探索政府补贴、数据服务订阅、交通效率分成等模式，需政策与资本协同。

四、发展瓶颈与突破方向

1. ​单车智能瓶颈​

   • ​数据与算力​：L5级需上亿公里数据训练，但仿真数据占比超90%，存在“近亲繁殖”风险；车载算力难以支撑高阶模型（如8000亿参数模型）。
   • ​安全天花板​：极端天气下传感器性能骤降，长尾场景处理能力不足。

2. ​车路云一体化瓶颈​

   • ​基建成本​：全国性路侧网络需4000亿元，地方政府财政压力大。
   • ​生态协同​：车企、通信商、政府责任划分模糊，数据共享与标准统一困难。

3. ​突破方向​

   • ​技术互补​：短期混合架构（车端轻量化感知+云端协同），长期“国家级智能驾驶底座”整合数据。
   • ​政策驱动​：国家主导制定数据共享、安全责任法规，推动V2X网络统一部署。

五、区域适配与未来趋势

1. ​区域适配建议​

   • ​一线城市​：优先车路云一体化（高交通复杂度、政策支持），如北京亦庄示范区。
   • ​三四线城市​：单车智能过渡+局部试点，降低初期投入。
   • ​跨境走廊​：统一车路云标准（如中欧班列沿线），实现跨国互通。

2. ​未来趋势​

   • ​2025-2030年​：两者并行发展，车企深耕单车智能，政府推动车路云试点。
   • ​2030年后​：融合为“车端智能+云端协同”混合架构，实现全域自动驾驶。

六、典型案例对比

总结

• ​单车智能适合市场化快、基础设施薄弱的场景，但受限于感知半径与安全天花板；
• ​车路云一体化通过全局协同提升安全与效率，但依赖政策与资本投入。
• ​终极方向​：两者融合形成混合架构，车端负责近场决策，云端提供全局优化，推动自动驾驶规模化普及。

2019 年的一起致命車禍中使用的輔助駕駛技術跟2025年的FSD有天壤之別

特斯拉律師強調駕駛的手不可以離開方向盤, 而控方律師強調的是特斯拉宣傳的誤導

至於fishlike桑提出的激光雷達被中國打成白菜價不知道是否有較精確的數據來源?

一輛車上總共需要裝幾個激光雷達、毫米波雷達? 

就我了解的Waymo一輛車的成本要上看15~20萬美元, 這樣車隊難以普及, 回本更是遙遙無期

運行了這麼多年, 只在4個城市有1500輛的車隊, 仍舊虧損苦撐, 不知道Google會不會繼續投資?

感謝Fishlike 和 Tevii桑的指導！

Fishlike桑提及的車聯網(V2X)概念，無論自動駕駛與否，將會產生大量的行車數據。

這讓我想起了兩大風險數據商：RELX 和 VRSK。

目前幾乎所有的車廠都會蒐集駕駛人的駕車習慣與行車數據，車廠再將這些數據賣給風險數據商分析駕駛人行為並依風險分類。這些分類過後的駕駛人清單再賣給保險公司。美國內有交易行車數據的有兩大風險數據商：RELX 和 VRSK。目前撰文時股價貴價。

關於自動車的延伸閱讀，由風險數據商發表的研究節選：article

謝謝Ted桑, 這兩家行車數據商的ROE都很高啊, 可惜股價偏貴.

誠如Mike桑所言, 其實99%以上的行車數據都是垃圾, 高速公路上一程不變場景不會對訓練自駕有何幫助

所以特斯拉開始在虛擬環境訓練FSD, 藉以優化突發場景的處理能力

Fishlike桑提出的車路雲一體化很有趣, 但是成本過高只能政策支持下小區塊試點, 難以大規模商業化

中國車廠都採用激光雷達的另一層想法是否是因為他們一開始都無法做到純視覺方案?

事實上中國車廠已經有透露出轉向的趨勢. 尤其是看到特斯拉的FSD快速進化
Grok3

• 根據近期資訊，部分中國車廠開始探索或轉向純視覺方案。例如，小鵬汽車（Xpeng）自2024年11月起在其P7+轎車上採用純視覺系統，逐步放棄激光雷達，並計畫將這一方案推廣至其他車型。P7搭載多顆高解析度攝影機，結合自研的XNGP系統，實現城市和高速場景的智能駕駛。小鵬表示，純視覺方案能降低約30%的硬體成本，且軟體更新更靈活。
• 其他中國車廠如比亞迪（BYD）、蔚來（NIO）、吉利（Geely）等，雖然仍在部分車型中使用激光雷達，但也在積極研發視覺主導的方案，以降低成本並提升市場競爭力。比亞迪在新能源車領域的領先地位使其有能力投入視覺方案研發。其DiPilot系統正在向視覺主導的方向優化，雖然部分高端車型仍搭載激光雷達，但中低端車型傾向於純視覺方案以控制成本。

車路雲是國家意志，頂層設計，一定會做，試點成功後就會大規模建設。估計5~10年之內就會普及自動駕駛。    目前阻止自動駕駛放開進度的是大量司機的失業問題。

騰訊元寶：

截至2025年8月，中国已在全国范围内推进“车路云一体化”试点建设，覆盖20个试点城市（联合体），并逐步形成规模化应用探索。以下是主要地区的进展概况：

​一、试点城市名单​

根据2024年7月五部委公布的名单，首批试点包括以下城市及联合体（按行政区划分类）：

1. ​直辖市及省会城市​：北京、上海、重庆、天津（未直接提及，但部分报道显示其参与）、南京、杭州（与桐乡、德清联合）、合肥、福州、武汉、十堰、长沙、广州、深圳、成都、海口（与三亚、琼海联合）。
2. ​其他重点城市​：沈阳、长春、苏州、无锡、济南、青岛（非试点但积极布局）。

​二、重点城市进展​

​1. 北京​

• ​建设规模​：北京经开区建成600平方公里高级别自动驾驶示范区，覆盖“车路云网图”五大体系，接入超30家车企的800余辆自动驾驶车辆，累计测试里程超3200万公里。
• ​政策支持​：2025年4月施行《北京市自动驾驶汽车条例》，明确自动驾驶车辆商业化运营规则。

​2. 重庆​

• ​基础设施​：高新区建成50公里智能道路，接入1200余辆网联车辆，部署云控平台及9大应用系统，试点自动驾驶公交、无人清扫车等场景。
• ​规划目标​：到2027年覆盖城区与高速路2500公里，升级2万辆车辆协同预警功能。

​3. 上海​

• ​测试网络​：开放2008公里测试道路，包括158.5公里高快速路，测试里程2800万公里，落地全球首个5G-A车联网试验场。
• ​应用场景​：推动智能公交、智慧物流，累计推送高速事件预警54万次。

​4. 广州​

• ​立体交通​：打造全国首个融合低空经济的示范区，支持飞行汽车商业化；设立10亿元产业基金，推动5万辆车搭载V2X终端。
• ​基础设施​：黄埔、海珠等区完成530套路侧设备安装，改造205个红绿灯。

​5. 成都​

• ​公交示范​：发布全国首份《自动驾驶公交联调导则》，未来科技城线路通过车路协同实现精准调度，测试效率提升40%。
• ​测试网络​：覆盖596公里智能道路，累计监测车路协同事件1780万条。

​6. 武汉​

• ​高速试点​：东风汽车联合多方推进荣乌高速车路双向赋能项目，实现施工占道、动态限速等场景验证。
• ​政策支持​：2025年3月施行《武汉市智能网联汽车发展促进条例》，推动百万辆社会车辆接入云控平台。

​7. 南京​

• ​规划先行​：2025年1月发布全国首个“车路云一体化”三年规划，计划改造3777个路口，推动全域覆盖。
• ​测试升级​：溧水经开区建设封闭测试场，提供智能网联车辆检测服务。

​三、其他地区动态​

• ​青岛​：虽非试点城市，但联合车企发起《“车路云一体化”青岛共识》，计划在环胶州湾区域开展旅游接驳、智慧物流等示范应用。
• ​长春​：通过“城市+车企”模式，与中国一汽合作布局400个智能化路口，接入1.25万辆网联车辆。
• ​苏州​：发布20条措施推动试点建设，重点支持智能网联汽车产业创新。

​四、商业化挑战与趋势​

尽管试点推进迅速，仍面临技术标准不统一、数据孤岛、商业模式模糊等问题。未来需通过跨区域协同、政策标准完善、社会资本引入等方式突破瓶颈，加速“车路云一体化”从示范向规模化应用过渡。

如需具体城市政策文件或项目细节，可进一步查阅相关地方政府的公开信息。

       目前中國自動駕駛方案，第一梯隊是華為，第二梯隊是比亞迪。中國的自動駕駛官方標準主要由這兩家貢獻。   其他車廠基本可以忽略。

騰訊元寶：

截至2025年8月，中国电动车厂商在自动驾驶技术路线上呈现明显分化，​纯视觉方案与多传感器融合（激光雷达为主）​两大阵营竞争激烈。以下是主要厂商的技术路线及代表性方案分析：

​一、纯视觉方案阵营​

​1. 特斯拉（Tesla）​​

• ​技术特点​：全球唯一全系采用纯视觉方案（8摄像头+12超声波雷达），依赖端到端神经网络（HydraNet）实现环境感知，无需高精地图。
• ​优势​：
  • ​成本优势​：硬件成本低至200美元，算力需求仅144 TOPS（HW 3.0芯片）。
  • ​数据规模​：累计行驶超36亿英里，算法迭代速度达每月一次OTA更新。
  • ​全球适应性​：通过多摄像头融合构建3D向量空间，支持无保护左转、施工路段识别等复杂场景。
• ​挑战​：
  • ​极端天气​：暴雨、强光下误判率较高（如2024年NHTSA报告显示，夜间事故率比人类高12%）。
  • ​本土化局限​：中国版FSD因法规限制，功能开放度仅为海外版的30%。
• ​代表车型​：Model 3/Y、Cybertruck（FSD Beta版）。

​2. 小鹏汽车（XPeng）​​

• ​技术转型​：2025年宣布全系取消激光雷达，转向“AI鹰眼纯视觉方案”（720亿参数基座模型+5颗800万像素摄像头）。
• ​进展​：
  • ​场景覆盖​：城市NGP接管率降至每百公里0.8次，暴雨场景识别准确率提升至91%。
  • ​成本控制​：硬件成本降低37%，支持20万元级车型搭载。
• ​争议​：逆光场景误判率仍为激光雷达方案的3倍，需依赖用户数据闭环优化。
• ​代表车型​：P7i、G9（2025款）。

​二、多传感器融合阵营（激光雷达为主）​​

​1. 华为（HUAWEI）​​

• ​技术架构​：ADS 3.0采用“激光雷达+毫米波雷达+摄像头”融合方案，BEV感知模型结合轻地图模式。
• ​优势​：
  • ​安全性​：C-NCAP主动安全得分95分，鬼探头识别率99.3%。
  • ​本土化适配​：支持全国400+城市高速NCA，施工路段通过率85%。
• ​成本​：激光雷达单颗成本降至1500元（华为自研96线激光雷达）。
• ​代表车型​：问界M9、智界S7。

​2. 蔚来（NIO）​​

• ​硬件配置​：全系标配1550nm激光雷达（最远探测500米），搭配4颗Orin芯片（算力1016 TOPS）。
• ​安全设计​：
  • ​冗余架构​：三激光雷达互为备份，ASIL-D级功能安全认证。
  • ​极端场景​：隧道逆光识别率98%，塑料袋检测准确率95%。
• ​代表车型​：ET7、ET9（2025年量产）。

​3. 理想汽车（Li Auto）​​

• ​技术路线​：全系标配激光雷达（ATL全天候版），支持AEB 130km/h刹停。
• ​场景优化​：
  • ​家庭场景​：自动泊车成功率92%，新增“宠物识别”功能。
  • ​高速NOA​：变道决策速度提升至0.3秒（行业平均0.8秒）。
• ​代表车型​：L系列焕新版（L6/L7/L8/L9）。

​三、混合方案阵营​

​1. 比亚迪（BYD）​​

• ​分层策略​：
  • ​基础版​：DiPilot-L（纯视觉+毫米波雷达），覆盖高速NOA。
  • ​高阶版​：DiPilot-H（三激光雷达），支持城市领航。
• ​成本优势​：全系标配方案下放至10万元级车型（如秦PLUS）。
• ​挑战​：城市道路功能迭代速度落后头部厂商。

​2. 极氪（Zeekr）​​

• ​技术整合​：双Orin芯片+1激光雷达+4D毫米波雷达，支持全域800V高压平台。
• ​场景突破​：冰雪路面制动距离缩短20%，获中汽研“高阶智驾领航奖”。

​3. 小米（Xiaomi）​​

• ​融合方案​：1激光雷达+11摄像头+双Orin芯片，算力700 TOPS。
• ​生态协同​：与米家智能家居联动，支持“车家互联”场景（如远程启动扫地机器人）。
• ​代表车型​：SU7 Max/Ultra。

​四、技术路线对比与趋势​

​五、行业争议与未来展望​

1. ​技术之争​：

   • ​纯视觉支持者​（特斯拉、小鹏）认为激光雷达是“拐杖”，视觉+AI可覆盖99%场景。
   • ​融合方案支持者​（华为、蔚来）强调冗余必要性，尤其在L4级自动驾驶中不可或缺。

2. ​政策影响​：

   • 中国要求自动驾驶数据本地化存储，激光雷达方案更易通过审查。
   • 欧盟拟出台法规限制纯视觉方案，要求强制配备激光雷达。

3. ​成本拐点​：

   • 激光雷达价格已从万元级降至千元级（如一径科技ZVISION EZ6），2026年或成主流。

4. ​消费者选择​：

   • ​北方多雾地区​：优先选融合方案（如华为ADS）。
   • ​南方城市通勤​：纯视觉方案（特斯拉FSD）性价比更高。

​总结​

当前中国电动车自动驾驶市场呈现​“特斯拉引领纯视觉，华为领跑融合方案”​的格局。纯视觉路线依赖算法突破与数据规模，适合全球化布局；多传感器融合方案则通过硬件冗余提升安全性，更贴合中国复杂路况需求。未来3-5年，随着芯片算力提升与激光雷达成本下降，两种路线或将进一步融合，形成“视觉为主、激光雷达为辅”的新范式。

雄安新區也曾是國家意志，頂層設計，但是官僚抵制的結果，就是八年過去了，仍是空城一座。

沒有冒犯的意思，中國的爛尾工程實在太多了。我們還是等著看五年之後，自動駕駛在哪些大城市可以大規模鋪開？華為是否屆時在自駕領域上遙遙領先？

一般人根本上不清楚為什麼要搞一個雄安新區。雄安新區是千年大計。一方面是準備用作社會制度試驗的。另一方面，是預留以後聯合國等一眾國際組織搬過來的。所以才叫做千年大計。

且容小弟一語，價值投資的一個重點是投資"現在確定"不會變的公司

Mike大也說過"投資不要只想著未來會多好，而是要避免掉到最壞狀況"

謝謝Curry桑提醒, 其實我90%以上都是跟單老師跟同學

這90%以上的績效保護, 也給了我底氣去買進一些我認為看得懂的股票

沒辦法這是個性使然, 做老闆的只要有6~7成的把握就會想出手

否則永遠不可能踏出創業的那一步

(踏出來才發現把握其實只有2~3成, 只好硬著頭皮洗下去)

同學們還是依循老師的教導, 晚上睡的才安心