验室。

要想实现全球规模化的自动驾驶，唯一合理的解法就是视觉。

没错，纯视觉。

特斯拉的优势在于神经网络，我们训练系统真正去‘看’世界，像人类一样。

你不能依赖一个拐杖，激光雷达就是拐杖。如果你靠它，你永远无法造出一个能像人类一样开车的ai。

所以这不是单纯的成本问题，也不是我们‘比别人好’的问题，而是物理现实，是第一性原理，视觉是最强的传感器。

未来的自动驾驶系统，如果真的要安全、普及、便宜，必然是视觉优先的。

我们只是走在前面。”

马斯克说到兴奋的时候耸了耸肩，最后总结道：“你不会看到一只鸽子挂着激光雷达飞来飞去，对吧”

“但是蝙蝠有类似雷达的用回声来定位的器官，华国已经把激光雷达的价格降低到一千元rb，折合美元只需要200美元不到，三年前激光雷达很贵，但现在情况截然不同了。

在这个情况下，你还坚持自己的想法吗

我也做人工智能，我反而会觉得激光雷达带来了新的信息，让人工智能更好地理解整个世界，你说激光雷达是偷懒，反而不主动拥抱更多的数据才是偷懒。

过去我们会认为模型训练算法是根本，现在发现大数据训练大模型，大模型才诞生出足够好用的ll，激光雷达终归是在丰富数据量，增加数据维度，从算法算力和数据三原则来说，有终归比没有好。

为什么不是，一味追求现实复刻，而不是把激光雷达信息融入到模型里去，这会不会也是一种偷懒呢”林燃反问道。

马斯克还在短暂思考。

youtube上的弹幕已经炸锅了，“”

“200美元的激光雷达”

“不是，200美元还不到”

清一色的问号。

在阿美莉卡记忆里，他们还停留在激光雷达动辄大几万美元一个的印象中。

velodyne的激光雷达单价高达七万五到八万美元之间，当然这是几年前的价格。

但哪怕是去年2023年，全年下来激光雷达的出货平均价也是4000美元左右。

现在华国的大佬出来说，两百美元不到一个，为啥不用

可想而知，对知道价格的阿美莉卡网友的冲击，数字摆在这，堪比小红书对账的冲击力了。

“蝙蝠确实用声呐，但人类不是蝙蝠。

我们要造的是给人类开的车，而不是给蝙蝠开的车。

人类有眼睛，大脑就是用视觉在驾驶。

你想让车学会像人一样驾驶，那就用人类的感知方式。

你说激光雷达便宜了，是的，比三年前便宜很多，但关键不在价格。

关键是它没能解决核心问题：理解世界。

激光雷达给你的是点云，一个距离场，它不知道交通灯是红的还是绿的，它不知道这个是小孩还是塑料袋。

它只是一个更贵的尺子。

在人工智能领域，多数据不等于好数据。

我们当然可以往模型里灌更多输入，但信息要有信息熵，要有对理解世界有用的信号。

激光雷达在高速公路上，或者高度规则化的场景下可能有用，但在日常城市驾驶，它反而会让系统依赖一个捷径，不去构建真正的世界模型。

你提到大语言模型，对，规模很重要。

但语言模型的前提是人类语言本身就包含了整个世界的复杂性，视觉输入也一样，视觉包含了驾驶所需的全部复杂性。

如果我们加进激光雷达，神经网络可能会依赖‘简化的答案’，而不去学习真正困难但关键的部分。

所以，这不是偷懒。

恰恰相反，纯视觉是更难的路线，需要更强的网络，更大的算力，更聪明的训练，激光雷达是捷径，但走捷径你到不了终点。”

马斯克摊手笑道：“如果你愿意在你的车顶上装一堆传感器，造一辆‘科研用的高价玩具’，当然可以。

但如果你想让全世界几千万辆车都能自动驾驶，就必须走视觉路线，规模化的未来只有一条路。”

林燃说：“多模态多模态，如果连视觉和传感器的数据都没有办法融入到同一个世界里，那又谈什么多模态。

如果我们真的追求的是简单的，单一的，人是怎么理解世界，人工智能或者机器人就应该要怎么理解世界，这是一种傲慢，人类也不应该有汽车、有飞机、有火车，人类就应该只依赖双腿，不断磨炼自己的双腿。

现在的大模型，也不应该用各种结构化、非结构化的数据进行训练，它不但能对话还能输出画面、动画。

从数据到图像再到动画，ll的大模型输出的越来越多元，反而自动驾驶还抱着原教旨主义的人工智能，认为就应该只有视觉。

现在如果我们有一个框架，能够把激光雷达的数据融入