智能輔助駕駛下半場，“第一性原理”失靈了嗎？

在智能輔助駕駛蓬勃發展的當下，這項技術既需要創新活力，也需要回歸本質的定力。

近日，特斯拉副總裁陶琳發布了馬斯克近期對智能輔助駕駛技術路線的判斷。馬斯克從道路系統設計的根本邏輯出發，闡述了特斯拉堅持純視覺方案的理論基礎。

他指出，全球道路交通體系本質上是圍繞智能體的視覺感知能力構建的，無論是人類的生物神經網絡還是人工智能系統，都依賴“眼睛”這一核心感知器官獲取環境信息?；谶@一認知，人工智能結合數字神經網絡和攝像頭的技術組合，才是與現有道路系統最為匹配的自動駕駛解決方案。

他同時認為，一個模型扎根于現實是非常重要的，從未見過有人打破物理定律。對于任何一個AI，必須建立在現實的基礎上，這些有助于確保模型的真實性和準確性，但這是一個常常被忽視的話題。只有遵循物理定律，AI才能實現真正的智能。

對于汽車，用戶對“安全抵達”與“舒適體驗”的期待始終如一，這促使我們不斷思考：智能輔助駕駛的差異化創新是否應聚焦于表層功能，還是應回歸本質需求，以標準化能力推動普惠價值？

智能輔助駕駛“第一性原理”

談到智能輔助駕駛“第一性原理”，很多人第一時間會想到馬斯克的理論——“以人類視覺認知為根基，通過海量真實路況數據訓練神經網絡，用純視覺感知實現類人駕駛決策的通用化自動駕駛系統。”

一直以來，馬斯克批評激光雷達技術在智能輔助駕駛領域的應用價值。“道路系統并非為從眼睛發射激光而設計”，這一表述凸顯了他對激光雷達技術適用性的根本性質疑。當攝像頭與激光雷達同時工作時，系統往往面臨信息沖突的困擾——究竟應該相信視覺傳感器還是激光測距數據，這種技術層面的不確定性，可能會導致交通事故的發生。

“第一性原理”最早源自古希臘哲學，亞里士多德在其著作《形而上學》中首次提出了這一概念。他認為，第一性原理是“不可被進一步推導的最基本的命題或假設”，即所有知識和推理的終極基礎。

簡單來說，每個系統中存在一個最基本的命題，它不能被違背或刪除。其核心思想是：回歸事物的本質，剖析最基本的原理和假設，從而構建新的認知框架或解決方案。

任何系統都是有邊界的，所謂邊界就是這個系統的前提條件，也叫前提假設。對于這個系統，這些“前提假設”會成為“不證自明”的概念和命題，而這些概念命題就是這個系統的“第一性原理”。

對于“第一性原理”的理解，我們可以看作是任何一個系統的“關鍵設定”。這個設定既不是誰家自創的，也不是獨家專有的，而是一個需要費盡心力去探索和思考的邏輯起點。

這個邏輯起點，只需要你信還是不信，想明白還是想不明白，此后的行動能否一以貫之的按照這個邏輯起點去貫徹執行，能夠篤定相信這一邏輯起點所打造的系統的“真理性”。

手機行業的演進史為汽車智能化提供了絕佳啟示。基帶芯片作為手機通信能力的核心，始終以“穩定傳輸”為第一性原理，無論用戶是商務精英還是學生群體，其對通話質量的需求本質趨同。

智能輔助駕駛同樣遵循這一邏輯——從A點到B點的安全、舒適、高效，是人類對出行最基礎且不可妥協的需求。智能輔助駕駛無法像音樂或香氛一樣，為不同用戶提供差異化體驗，它的終極使命是成為像基帶一樣可靠的基礎設施。

這一認知正在重塑行業對“智駕平權”的理解。真正的平權應聚焦于功能價值的標準化收斂：通過統一的安全標準、普適的舒適性定義、可復制的效率優化，讓智能輔助駕駛能力像手機通話功能一樣，成為所有車型的“默認配置”。

特斯拉的“西進運動”

就像19世紀初，大批美國的早期創業者們闖入西部開疆擴土，開啟了持續半個世紀的西進運動。馬斯克帶著特斯拉開啟了乘用車智能輔助駕駛的狂飆突進。

特斯拉的這場“西進運動”從2014年至今大致可以分為三個階段。2014年至2016年的外部合作期，2016年至2019年的自研過渡期，以及2019年至今的全面自研期。

第一階段，特斯拉先后與Mobileye和英偉達建立過合作，經歷了從“軟硬件外采”到“硬件外采、軟件自研”的艱難歷程。

2014年，特斯拉在AutoPilot上并無多少積累，選擇了當時市面上能達到L2輔助駕駛能力的視覺方案——Mobileye的EyeQ3。AI算力是只有0.25 TOPS，只能支持1個前視攝像頭、1個毫米波雷達和12個超聲波雷達，從而實現了自適應巡航、前車碰撞預警以及方向盤自主變道等功能。

基于這一軟硬件外采方案，特斯拉于2014年10月發布AutoPilot 1.0版本和硬件模塊Hardware 1.0。

馬斯克從一開始就對Mobileye的黑盒交付（將軟硬件封裝起來，不對主機廠開放）十分不滿。借著2016年那場全球首例自動駕駛致死車禍，特斯拉果斷拋棄Mobileye，轉向英偉達的懷抱。

2016年10月，特斯拉發布AutoPilot 2.0和硬件模塊HW 2.0。整體算力達到10 TOPS，幾乎是Mobileye EyeQ3的整整40倍。外接傳感器包含了8個攝像頭、1個毫米波雷達、12個超聲波雷達。

第二階段，特斯拉在和英偉達熱絡之際，就開始了智駕芯片的自研之路。這就是后面被公眾所熟知的FSD芯片，單片AI算力72 TOPS，采用高度定制的CPU+GPU+ASIC架構，其中ASIC是由兩個神經網絡處理單元NPU組成，專門用作視覺圖形處理。

2019年，特斯拉推出FSD軟件系統和HW 3.0。相比較前一代HW 2.5（算力20 TOPS），HW 3.0平臺上配備了兩顆FSD芯片達到144 TOPS，系統算力增長了7倍多。

也是在這一階段，除了芯片自研之外，特斯拉招募了大批人工智能算法專家，開始感知和決策當中引入深度學習算法。為適應AI算法所需要的大規模數據處理和標注，特斯拉還引入了上千人的標注團隊并不斷擴容數據中心。

以至于在2019年4月的Autonomy Day上，馬斯克首次公布了超級計算機Dojo的研發計劃。

至此，特斯拉進入第三階段——全面自研階段。

作為量產的智能輔助駕駛方案，在特斯拉這里，形成一個基于AI三要素——即算法、數據和算力，所形成的數據驅動的開發范式。

數據，來自量產車型和采集車回傳的大量駕駛場景數據和駕駛行為數據，由于當時的算法采用監督學習，十分依賴高質量的標注數據，所以數據標注一直是一個“人工大于智能”的苦活累活。同時也包括大量仿真構造的虛擬場景數據，用于真實世界里很難遇到的Corner Cases（極端場景）或長尾場景。

算力，車端計算單元主要是運行智駕算法的AI芯片。同時也包括在云端進行算法訓練和數據處理的AI芯片，市面上主要是被英偉達的GPU所壟斷，而特斯拉的Dojo則更進一步為智能輔助駕駛視覺模型訓練設計。

算法，是由云端計算平臺根據大規模數據學習所訓練出來的神經網絡，然后經過微調、蒸餾等方式部署到車端，形成一個可以處理感知理解、認知決策和預測規劃等任務的復雜神經網絡系統。

2021年的Tesla AI Day具有里程碑意義，公開了特斯拉在之前數年時間的技術探索。以智駕系統最重要的感知算法為例，特斯拉的智駕算法也經歷了數次迭代過程。

感知的核心任務是識別和理解外部環境。特斯拉的8個攝像頭可以不停地采集到外部世界的2D圖像，但這不足以構造出人類駕駛所需要的始終延續的車道線、疾馳而過的車輛等信息。通過感知神經網絡，特斯拉構建出一個表征真實世界的3D向量空間。

作為特斯拉車型上唯一的傳感器，攝像頭存在兩個固有缺陷：第一，沒有深度信息，所接收的只是一連串二維圖像；第二，易受夜晚、大雨、濃霧等極端天氣影響，獲取的圖像質量直線下降，可能導致識別錯誤或者漏檢。

為了彌補這兩個缺陷，特斯拉推出了基于Transfomer的BEV（Bird’s Eye View，鳥瞰視角）算法棧，這也就是外界所津津樂道的“BEV+Transformer”，讓視覺感知網絡獲得了測速、測距能力，能把車輛周圍攝像頭拍攝的2D畫面，拼接成一張完整的俯視地圖，讓車輛“看到”周圍360度的全景，從而獲得感知。

也就是在這一年，特斯拉宣布北美地區的新款Model 3和Model Y將不再配備毫米波雷達，轉而采用全新的純視覺技術，以支持AutoPilot駕駛輔助系統。

到了2022年的AI Day上，特斯拉在感知模塊進一步升級了占用網絡（Occupancy Network），可以在BEV+Transformer感知框架的基礎上實現通用能力更強的3D空間感知。形象理解，就是把車輛周圍空間劃分成無數個小方格，像樂高積木一樣標記每個格子是否被物體占據，讓汽車僅靠攝像頭就可獲取周圍環境的深度信息，實現高分辨率的三維感知與重建。

這之后，特斯拉又放出了“端到端”的全新方案。此前，在特斯拉智駕軟件算法中，感知、規劃、控制等模塊一直是相對獨立，其中感知算法是神經網絡化最為徹底的，而規控算法則帶有大量的人工規則代碼。而特斯拉在“端到端”方案之前，已經嘗試將神經網絡用于自車軌跡預測、規劃當中。

而端到端，就是這一進程的最極致表現，完全采用一張神經網絡，將感知、規控和執行鏈接起來，“圖像進、動作出”，像極了人類老司機開車的過程，在做出加減速、轉向燈動作時幾乎是跟感知同時且不假思索。而之前的所謂模塊化，則像極了新手司機先要判斷下看到了什么、思考下這個情況應該怎么辦，然后再告訴手和腳要怎么行動。

端到端方案和模塊化方案高下立判，但實現端到端并不容易。2023年，特斯拉開始嘗試端到端方案的測試，系統運行速度比原方案更快，甚至直接刪掉了30萬行人工代碼，輔之以端到端系統自己學到的人類的開車知識。

同一年，特斯拉車型全面取消了超聲波雷達配置，由高清攝像頭所取代，采用100%純視覺方案實現車輛的智能輔助駕駛。

2024年，特斯拉FSD V12版本正式發布，采用端到端架構和數據驅動的技術范式，再次引領了潮水的走向。

從特斯拉的發展歷程來看，馬斯克似乎更多解決的是車輛在復雜環境中的有效行動，需要的不僅僅是視覺給出的條件反射，更需要在不同交通狀況下形成較強的適應能力和應變能力，因此要不斷訓練車輛對于當下環境的認知和反應，促使車輛在“所見所感”和“如何反應”之間發展出人類般的智能化水平。

在爭議中持續前行

事實上，對于堅持純視覺方案的特斯拉駕駛輔助系統AutoPilot，至少在美國本土市場一直存在比較大的爭議。

特斯拉已經向主導美國國家公路安全的美國國家公路交通安全管理局（NHTSA）提交了和使用AutoPilot有關的1000多起事故。其中，美國媒體《華爾街日報》就列舉的222起事故中，有31起事故是未能識別出障礙物而導致整車未能做出反應所導致的。

純視覺方案有一個比較大的缺陷在于識別前方的靜態物體上存在局限性。對于靜態物體的識別，?攝像頭往往無法準確區分路牌、?紅綠燈架、?橋墩等障礙物與實際需要避讓的靜態物體。

2022年，一位特斯拉前員工約翰·貝納爾幫助《華爾街日報》分析一場交通事故時表示，面對路上出現的一輛被撞壞的汽車，AutoPilot中的一個攝像頭識別出了它，但是另外一個沒有識別出?；谶@樣的輸入，AutoPilot選擇讓車輛繼續前進，最后車輛全速地撞了上去。

純視覺方案主要依靠攝像頭來收集周邊道路場景的信息，然后通過預先設置的算法來識別周邊環境并做出判斷。這種方案有最大的兩個優點：成本較低且貼近人眼邏輯。按照馬斯克的觀點，通過對攝像頭的持續優化，可以將攝像頭無限接近人類的眼睛。只要人類駕駛員可以開車，那么特斯拉的純視覺方案也可以。

但特斯拉或者其他純視覺方案的堅持者忽略了一個事實：由于攝像頭接受的是反射光，因此受到光的影響比較大。也就是說，如果遇到了暴雨、夜間等環境情況，攝像頭就會和人類駕駛員一樣，在感知上存在比較大的挑戰。

由于拿掉了激光雷達這個關鍵傳感器，純視覺方案在遠距離識別場景、生成點云方面的確會有一些欠缺，如何通過視覺傳感器和其他基礎雷達來彌補激光雷達的缺失，是特斯拉、小鵬這些純視覺方案堅持者要考慮的首要問題。

和純視覺方案并行的是多傳感器融合方案，其本質是希望來融合純視覺和雷達（主要是激光雷達）各自的優勢，來達成更好的對周邊態勢情況的感知。和攝像頭相比，激光雷達再探測距離、精度和實時性方面有比較明顯的優勢，同時在抗干擾方面也有一定的優勢。

重要的是，多數據融合在搭載激光雷達的同時，也會同時布置多個攝像頭，因此純視覺方案在感知上的優勢，多傳感器融合方案也不會落下。

而激光雷達、毫米波雷達等傳感器也并非完美。作為一種主動傳感器，激光雷達在測量遠距離的復雜地形或障礙物可能發生多次反射，導致信號混疊，使得原來的信號失真，或者產生錯誤，難以準確識別甚至誤識別真實目標。

激光雷達對于天氣狀況非常敏感，但穿透雨霧主要依靠的是毫米波雷達。遇到雨雪霧等極端天氣就會在傳感器附近幾米內形成一團噪點，并且不能穿透這些透明障礙物看到霧氣后面的目標，從而“致盲”。

另外一個問題就是數據融合。純視覺方案下，自動駕駛控制器只需要考慮攝像頭的數據輸入；但是在多傳感器融合的方案中，控制器需要同時對攝像頭和激光雷達的輸入進行融合判斷。

這不僅大大增加了控制器需要處理的數據量，而且更為關鍵的是，如果當控制器發現攝像頭和激光雷達的輸入由于誤報存在相沖突時，采信哪個輸入源也將對整個自動駕駛系統帶來不小的考驗。

純視覺與多傳感器融合兩種方案自誕生以來，一直被質疑，一直在成長?？梢园l現，并不存在一種完美方案能夠解決所有問題。純視覺方案需要在軟件算法層面彌補攝像頭的不足，而多傳感器融合方案則需要承擔偏高的硬件成本以及開發能夠融合多傳感器數據的算法，同時兩者均需要采用高算力的芯片來完成數據計算。

智能輔助駕駛仍是一條充滿不確定性的道路，一切尚無定論。目前各家所認定的“第一性原理”都是基于自身視角形成的認知框架，目前仍停留在“假設”階段，遠未成為行業公認的普適準則。

真正的“第一性原理”并非冰冷的傳感器或算法，而是人類對駕駛安全的永恒追求。在整個駕駛體系中，人類始終是自身安全的第一責任人，機器永遠無法完全取代人類的決策地位。在這條通往未知的路上，技術的光芒或許會照亮前路，但唯有對安全底線的敬畏與堅守，才是穿透迷霧、指引方向的北極星。