纯视觉，还是“多一双眼睛”？——自动驾驶感知的路线之争

2026年4月，特斯拉Cybercab在得克萨斯州超级工厂启动规模化量产。这辆没有方向盘、没有刹车踏板的两座车，完全依赖8颗摄像头和一套端到端神经网络在奥斯汀街头运营。几乎在同一时间，Waymo的多传感器融合车队仍在持续扩张，激光雷达在车顶旋转，为每一帧画面叠加一层摄像头无法提供的精确距离信息。

同一个问题，两种截然不同的回答：让机器“看见”道路，到底需要什么？

一条反直觉的路线

2021年，特斯拉做了一件让整个汽车行业侧目的事：从新车配置中移除毫米波雷达，此后坚定地走向“只用摄像头”。这在当时被许多人视为激进甚至鲁莽。华为、小鹏、理想、蔚来，几乎所有主流玩家都在把激光雷达装上车，特斯拉却在做减法。

支撑这个选择的，是一套被特斯拉称为“第一性原理”的推理：人类开车只用眼睛和大脑，没有谁在用激光测距仪确认前车距离。如果人类视觉足以应对驾驶，那么机器视觉在足够强的“大脑”配合下，理论上也应该可以。更深一层的原因在于“数据一致性”：训练模型用的数据，必须和推理时使用的输入模态完全一致。用纯视觉数据训练出来的网络，如果在运行时突然塞入激光雷达点云，引入的不是额外信息，而是一种模型从未学习过如何处理的“模态鸿沟”。

纯视觉的代价同样是真实的。摄像头擅长识别颜色、文字、车道线，却天然缺乏精确的深度测量；强光直射、暴雨、隧道出入口的剧烈明暗变化，都可能让画面质量骤降。2025年一起涉及纯视觉方案的事故，将这种担忧推到了舆论前台：系统未能及时识别并制动，引发了关于“缺少激光雷达是否构成结构性安全缺陷”的激烈争论。Waymo的多传感器方案则被测试数据显示能够做到全程零接管，而特斯拉FSD在某些评估中仍需要潜在的人工干预。

端到端：把“翻译”环节拿掉

纯视觉从“勉强能用”到“真正可用”，中间隔着一个架构层面的转折：端到端。

传统的自动驾驶流水线是分段的——感知模块把像素转换成“前方有一辆车，距离50米”这样的结构化描述，规划模块再根据描述决定怎么开。这种架构清晰可控，但每一次“翻译”都在丢失信息。对面司机的一个眼神、行人脚尖的朝向、刹车灯亮起的微妙时机，这些对人类驾驶员至关重要的线索，在从图像到检测框的压缩中几乎荡然无存。

特斯拉FSD V12开启的端到端变革，直接跳过了这道翻译工序。摄像头采集的原始像素输入一个统一的神经网络，输出的直接是方向盘转角和加速度指令。网络不再被要求向人类“解释”它看到了什么，它只需要学会“看到这样的画面，应该做出这样的动作”。到了V13之后，时序信息被引入，车辆能够记住过去十几秒内周围物体的运动轨迹，即使行人暂时被遮挡，系统也能根据消失前的速度和方向推断其位置。

这条路线之所以对纯视觉至关重要，是因为它把“如何从二维图像理解三维世界”的负担，从工程师手写的规则，转移给了数据驱动的网络本身。只要摄像头捕捉到的信息在统计上足够丰富，网络就有机会自己学会那些难以言传的视觉线索。

另一条路上，融合的代价与回报

与特斯拉的减法相反，行业主流的加法路线同样在快速演进。激光雷达的价格持续下探，到2026年已出现200美元级别的车规产品；毫米波雷达在穿透雨雾方面的物理优势，仍然是摄像头难以替代的。多传感器融合的逻辑朴素而有力：没有任何一种传感器在所有条件下都是最优的，让它们互相校验，系统整体就更难被单一传感器的失效拖垮。

但融合并非免费的午餐。不同传感器的时间同步、空间标定、以及在冲突读数之间的仲裁，都是实打实的工程复杂度。更微妙的是，当激光雷达说“前方空旷”而摄像头看到一个穿着深色衣服的行人时，系统应该相信谁？这个问题的答案，往往取决于融合算法本身的设计质量，而算法又是在有限的真实场景分布上训练出来的。融合提高了上限，也引入了一类纯视觉方案中不存在的失效模式。

小鹏的路径提供了一个折中的观察样本。它早期同样采用多传感器融合，但逐步向纯视觉加端到端收敛，其第二代VLA模型直接让视觉信号生成驾驶动作，参数规模达到720亿，训练数据接近1亿个视频片段。这不是简单的“站队”，而是在算力、数据和成本之间重新寻找平衡点。

真正的分歧不在硬件清单上

如果把视线从传感器清单上移开，特斯拉与Waymo（以及多数中国玩家）之间更深层的分歧，在于对“安全”的定义方式和实现路径。

特斯拉赌的是数据规模的指数效应：数百万辆在路车辆以“影子模式”采集极端案例，用覆盖长尾场景的海量视频训练一个越来越强的通用视觉网络。这条路径的上限很高，但它的安全性在统计上依赖于一个难以在事前严格证明的假设：网络在从未见过的场景中，仍然会做出合理的反应。Cybercab取消方向盘和踏板，意味着一旦系统失效，车内没有任何人类可以接管。远程后台的介入速度、通信链路的可靠性，成为安全链条上新的关键环节。

融合路线则更接近传统安全工程的思路：用异构冗余来降低单点失效的概率，用可解释的传感器读数来支撑功能安全认证。它的上限可能不如一个足够聪明的端到端网络，但失效模式更容易被枚举、被测试、被监管。

两条路线都在真实的道路上积累着证据。纯视觉在成本和大规模部署上的优势是结构性的，端到端则在不断压缩“感知—决策”链条中的人为损耗。融合方案在恶劣天气和罕见障碍物上的稳健性，也并非纯视觉在短期内可以轻易追平。或许最终的答案不是谁取代谁，而是不同场景、不同风险偏好下，长出不同的技术形态。但至少在今天，自动驾驶的感知之争提醒着我们一件事：让机器看见世界，从来不止一种“看”法。