自动驾驶领域里，特斯拉是个不折不扣的“异类”。当Waymo、小鹏、蔚来等主流玩家纷纷拥抱“摄像头+激光雷达+毫米波雷达”的多传感器融合方案时，马斯克却执意要在纯视觉方案的独木桥上走到黑。随着Cybercab投产消息的放出，那个老生常谈却又无法回避的问题再次摆到了台面上：砍掉了激光雷达这根“拐杖”，单靠摄像头和神经网络，真的能撑起L4/L5级自动驾驶的安全天花板吗？
拟人化的陷阱：机器能“看”懂世界吗？
纯视觉方案的核心逻辑在于“第一性原理”：人类开车只靠双眼和大脑，既然如此，机器理应也能通过摄像头和算法实现同样的效果。理论上这听起来无懈可击，但在工程落地时却充满了坑。
摄像头本质上是在做“二维投影反推三维世界”的工作，这就带来了一个致命的短板——缺乏深度信息的直接获取能力。虽然可以通过双目视觉或算法来估算距离，但在面对强光逆光、异形车辆、或是纯色缺乏纹理的路面时，其稳定性远不如直接发射激光束测距的LiDAR。这就是为什么我们常看到一些FSD测试视频中，车辆会对前方的白色卡车侧面误判为天空，或在进出隧道时因为光线剧烈变化而“致盲”。
成本的博弈与数据的护城河
既然存在明显的感知短板，为何特斯拉仍要坚持“纯视觉”？这背后其实是一场极致的成本控制与数据规模的博弈。
激光雷达高昂的硬件成本一直是阻碍自动驾驶大规模商业化的拦路虎。Waymo的一套感知方案成本曾高达数万美元，而特斯拉通过自研芯片和算法，将硬件成本压缩到了极致。更重要的是，特斯拉拥有超过600万辆搭载FSD能力的车辆在路上跑，这种海量的真实路测数据，是任何一家L4公司都无法比拟的“护城河”。
通过“影子模式”收集的海量Corner Case（长尾场景），特斯拉试图用庞大的数据喂养来弥补传感器硬件的物理缺陷。说白了，这是一场“大力出奇迹”的赌局：赌算力的指数级增长和神经网络的进化速度，能跑赢物理感知的局限性。
安全冗余：不可逾越的红线
然而，对于Robotaxi这种载人运营场景，安全冗余是绝对的红线。多传感器融合方案之所以成为行业主流，正是因为在不同传感器失效时，其他传感器可以互为备份。激光雷达不受光线影响，毫米波雷达穿透力强，它们共同构成了一个全天候、全工况的感知网络。
反观纯视觉方案，一旦摄像头被遮挡、脏污，或者算法遭遇从未见过的视觉干扰，系统便可能面临崩溃。NHTSA（美国国家公路交通安全管理局）对特斯拉“幽灵刹车”和碰撞事故的调查，实际上已经揭示了纯视觉方案在现阶段的脆弱性。对于私家车来说，驾驶员还可以作为最后的“备份”随时接管；但在没有方向盘、刹车踏板的Cybercab上，这套系统的容错率必须达到100%，这在目前看来仍是一个巨大的问号。
结语
纯视觉方案并非不可行，但它的成熟度目前更适配于辅助驾驶（L2/L2+），而非完全无人驾驶（L4）。马斯克试图用软件定义一切，挑战物理定律的边界，这份勇气值得敬佩。但在关乎人命的安全问题上，或许多一只“眼睛”，真的比单纯依靠大脑的算力要靠谱得多。