特斯拉無人車上路，給中國自動駕駛產業敲響警鐘_風聞

6月22日，特斯拉在得克薩斯州奧斯汀開始了Robotaxi的試運行。

這次試運行無疑極大地提振了市場信心，第二天特斯拉股價就暴漲超8%。

但據報道，一輛特斯拉Robotaxi在左轉失敗後駛入對向車道，暴露出純視覺方案在複雜場景中，仍有不少技術問題需要解決。

也有人批評特斯拉沒有兑現“完全無人監督”的承諾，且與Waymo在奧斯汀的運營相比仍有差距。Waymo通過與Uber合作的方式，在奧斯汀部署300輛自動駕駛車輛，已進入了常規運營的狀態，並且還會繼續增加部署量。

因此，這幾天，特斯拉的股價又有所回落。

我們認為，接下來的關鍵在於，特斯拉能否通過數據閉環快速優化算法，數據規模能否覆蓋“長尾事件”， 從而證明其純視覺方案不遜於多傳感器融合方案，並建立用户對其技術的信任。

值得注意的是，特斯拉用近乎“暴力”的方式進行數據積累，併力圖後發制人，對中國而言，既展現了未來機遇，也意味着巨大挑戰。

數據的規模

首先，我想強調的是，和AI大模型類似，“Scaling Law”（規模法則）在自動駕駛領域也發揮着決定性作用。只不過，這裏所説的“規模”主要是指數據量，而不完全是模型參數量。

Waymo的一項研究指出，自動駕駛模型的最佳參數量可能在千萬級別。這與AI大模型動輒千億規模的參數量形成了鮮明對比。

一個自動駕駛模型的天花板在於對真實世界多樣性和“長尾事件”的覆蓋程度。此時，足夠的數據就成為了基本前提。無論採用哪種技術路線，只有當數據量超過一定門檻，才有可能真正提升算法性能。

所謂“長尾事件”， 指的是少見的道路參與者、罕見的交通組合、極端天氣下的模糊標線等情況。這些事件在總數據集中的佔比可能低於0.1%，卻是決定系統可靠性的關鍵。

但是，因為“長尾事件”佔比極低，在模型訓練中往往很難得到體現，傳統的算法在面對這些突發場景時，往往顯得力不從心。

因此，Waymo會耗費大量精力，從海量數據中挖掘這些關鍵的“長尾事件”，並以更高的權重反覆訓練模型。可以看出，這是一個工程層面的優化過程，而不是算法上的創新。

特斯拉則採用“影子模式”，以極低的成本、快速形成規模巨大的訓練數據集。用户的每一次與FSD表現不符的操作，都相當於是對視頻數據的標註。這讓特斯拉有望通過數據規模來實現對“長尾事件”的覆蓋。

不過，這種方式也是一把“雙刃劍”。如果不加篩選地將這些混雜的數據輸入模型，雖然能讓FSD學習人類駕駛方式，也可能讓它繼承人類駕駛員的缺點。

這也是為什麼，儘管很多人認為特斯拉FSD的駕駛風格很流暢和果斷，但也經常出現跨越實線等為了效率而違規的行為。

未來，特斯拉無疑要辨別那些人類司機的“壞榜樣行為”， 不讓FSD盲目模仿。當然，清洗這些“髒數據”的成本肯定也不低。

中國之路

面對Waymo和特斯拉的你追我趕，我們也呼籲中國的企業和監管部門必須要積極行動起來了。

截至2025年6月，中國已有超過40個城市發放了自動駕駛測試牌照，有超過10個城市開放了自動駕駛試運營。包括蘿蔔快跑、小馬智行、文遠知行在內的企業都建立了無人出租車隊，在各大城市的示範區內行駛。

然而，在這看似“遍地開花”的繁榮之下，掩蓋不了一個嚴峻現實——規模不足。

每個城市的運營車輛大多在百輛級別。即便是作為頭部示範區的武漢，Robotaxi總規模也仍在700輛左右徘徊，還有部分不載客的測試車輛。

這和監管者的心態有一定相關性。

如果一個城市僅僅將Robotaxi視為形象工程，而沒有意識到背後產業發展的需求和規律，那麼監管者可能會為了規避風險，傾向於採用“小步慢走”的方法。既不提升車隊規模，也不擴大試運營範圍，就會讓當地的Robotaxi產業“不死不活”，無法形成數據和算法優化的良性循環。

更關鍵的是，現在斜刺裏又殺出了個特斯拉，試圖打破L2級輔助駕駛與L4級自動駕駛涇渭分明的技術界限。

我們曾分析，一旦驗證量產車也能勝任Robotaxi服務，特斯拉就能迅速組建一支數萬輛的車隊，對所有Robotaxi企業形成“降維打擊”。

這也意味着，不僅是百度等專攻L4 Robotaxi的科技公司，華為、小鵬等車企也應該瞄準L4自動駕駛技術，否則未來可能連Robotaxi的入場券都拿不到。

最後，我也呼籲監管者和行業能主動打破“數據孤島”， 充分利用我們的最大優勢——龐大的智能電動汽車保有量及Robotaxi用户基礎。

我們很擔心，中國的電動汽車產業雖然很強，但在智能化和未來的無人出行服務化階段，會因為各自為戰而陷入被動。

我們希望政策上能鼓勵運營商在特定城市進行更大範圍、更高密度的車輛部署，向“千輛級”甚至“萬輛級”邁進，實現數據積累和算法優化相互推動的飛輪效應。

在數據規模上，行業也要形成合力。通過統一的數據格式、數據接口和安全標準，在保護商業機密和數據安全的前提下，建立國家級或區域級的“數據共享平台”，用集中起來的海量數據支持模型的訓練和發展。

同時，應鼓勵在自動駕駛領域有較強研發能力的車企也加入Robotaxi市場，通過引入強大的競爭者，加速數據的積累速度，促進整個行業技術和服務水平的提升。

我們認為，當前最大的風險就是固步自封和不作為，從而使中國與成為“行業領導者”的產業機遇失之交臂。