光達是 2008 年的拐杖：Tesla 為何堅持只用攝影機
雞過馬路的問題
Tesla AI 副總裁 Ashok Elluswamy 在 2026 年 ScaledML 大會上發表演講，播放了一段 FSD（Full Self-Driving）的實際畫面：一群雞正在過馬路，車子耐心等待，連最後一隻落單的雞都沒漏掉，等牠們全部通過後才繼續前進。
這看起來是個可愛的小故事，但 Ashok 拋出的問題很尖銳：如果你用傳統方法寫自駕軟體，你要怎麼處理這個場景？先寫一個雞腿偵測器，然後預測雞的移動軌跡，再根據預測結果決定要不要煞車？
接著他播放另一段影片：一群鵝站在路中間，但牠們不打算過馬路，只是站著。車子判斷牠們不會移動，於是倒車繞過去。同樣的鳥類，不同的行為，系統做出不同的決策。Ashok 說，端到端神經網路可以從畫素直接學會這些細微差異，不需要工程師手寫規則。
這就是 Tesla 自駕技術的核心哲學：不寫規則，讓 AI 自己學。而這個選擇，正是 AI 領域最著名的經驗法則「Bitter Lesson」的實踐。
Bitter Lesson：70 年 AI 歷史的教訓
2019 年，強化學習先驅 Richard Sutton 寫了一篇短文叫「The Bitter Lesson」（苦澀的教訓）。他回顧 70 年的 AI 發展史，得出一個讓很多研究者不太舒服的結論：那些靠人類領域知識精心設計的系統，最終都會被靠運算規模取勝的方法打敗。
西洋棋是這樣，圍棋是這樣，語音辨識是這樣，電腦視覺也是這樣。每一次，研究者都以為自己找到了正確的「結構」或「先驗知識」，結果幾年後就被更大的模型、更多的數據、更強的算力碾壓過去。Sutton 說，這個教訓很苦澀，因為它意味著我們對問題的「理解」其實沒那麼重要，重要的是規模。
Tesla 的自駕團隊顯然讀過這篇文章。Ashok 在演講中明確說：「我們站在 Bitter Lesson 正確的那一邊。」他們押注的是神經網路規模、數據量、訓練算力，而不是手工設計的規則和模組。
Tesla 的選擇：端到端 vs 模組化
自駕產業的主流做法是模組化架構：把問題拆成感知（Perception）、預測（Prediction）、規劃（Planning）三個獨立模組。感知模組負責辨識車輛、行人、車道線；預測模組負責推算其他道路使用者的未來軌跡；規劃模組負責決定自車該怎麼走。這個架構很符合軟體工程的直覺，關注點分離，各司其職。
但 Ashok 認為這種做法有根本問題：模組之間的介面會「漏」（leaky abstractions）。感知模組輸出的是物件清單和座標，但原始影像中的不確定性、細微線索、情境脈絡，很難完整傳遞給下游模組。他舉了一個例子：前方有個水坑，你通常會想繞過去，但繞過去就要跨到對向車道。這時候你要考慮的不只是「有水坑」和「對向車道危險」這兩條規則，還要看對向有沒有來車、視線夠不夠遠、水坑有多深、路面有多寬。這些因素彼此糾纏，不是獨立規則能處理的。
Tesla 的做法是把整個系統變成一個端到端神經網路。輸入是 8 顆攝影機的原始影像、導航指令、車速、轉向角、音訊；輸出是下一個時間步的轉向角和加速度。沒有中間的物件清單，沒有明確的「這是車」「那是行人」的標註，所有資訊直接從畫素流向控制指令。
這個架構有幾個優勢。第一，資訊可以密集流動，不會在模組介面處被截斷。第二，延遲可控且確定，每 27 毫秒（36 Hz）輸出一次控制指令，不會因為場景複雜就變慢。第三，它符合 Bitter Lesson 的精神：與其花時間設計完美的中間表徵，不如讓神經網路自己學。
維度詛咒：20 億 tokens 變 2 個動作
但端到端也有代價，最大的挑戰是 Ashok 所說的「維度詛咒」（Curse of Dimensionality）。
Tesla 車上有 8 顆攝影機，每顆 5 百萬畫素，幀率很高。為了做出正確決策，系統需要記住過去 30 秒左右的歷史，例如誰先到停止線、前車剛才有沒有打方向燈。把這些資訊加總起來，Ashok 估算大約是 20 億 tokens 的輸入量。而輸出呢？只有 2 個數字：轉向角和加速度。
這意味著神經網路必須從 20 億個輸入 tokens 中，找出正確的因果關係，然後壓縮成 2 個動作。如果隨機挑 2 個位元輸出，那很簡單；但要挑「對」的 2 個動作，系統必須真正理解場景。問題是，神經網路很容易學到假相關（spurious correlations）。例如，每次煞車時樹枝剛好在晃動，模型可能誤以為「樹枝晃動」是煞車的原因。正確的因果關係應該是「前車亮煞車燈」或「前車打方向燈」，但這在統計上不一定比樹枝晃動更顯著。
解決方法是數據，大量的、多樣的、涵蓋各種邊緣案例的數據。Tesla 在這方面有獨特優勢：他們的車隊規模巨大，每天可以產生相當於 500 年的駕駛數據。當然，大部分數據是無聊的高速公路直行，沒有訓練價值。關鍵是識別「有趣」的數據，例如校車出現、消防車穿越、其他車輛打滑失控。Tesla 在車上部署了觸發器，當特定事件發生時自動上傳數據，這樣就能從「無聊數據的海洋」中撈出稀有但重要的樣本。
Ashok 播放了一段車禍影片：前車突然打滑撞上護欄，而 Tesla 的 FSD 在車禍發生前數秒就開始減速。他指出，系統在前車「偏移角速度異常」的瞬間就判斷出情況不對，遠早於車禍實際發生。這種預判能力，需要從大量真實車禍案例中學習，不是工程師能手寫規則定義的。
評估：最困難的問題
Ashok 說，在三大挑戰中，評估（Evaluation）是最難的。
自駕是長尾問題（long-tail problem），99% 的場景可能都處理得很好，但那 1% 的邊緣案例決定了系統能不能上路。傳統的評估方法是路測，但要覆蓋所有邊緣案例，需要的里程數是天文數字。而且很多危險場景無法重現，你不能為了測試而故意製造車禍。
Tesla 的解法是訓練一個「世界模擬器」（World Simulator）神經網路。這個模型的任務是：給定當前的影片和控制動作，預測下一幀影片會長什麼樣子。訓練數據就是車輛行駛過程中收集的影片和對應的動作，把因果關係反過來就變成了世界模型。
有了世界模擬器，你可以把它和自駕策略網路串在一起，形成閉環：策略網路輸出動作，世界模擬器根據動作生成下一幀，策略網路再根據新的一幀輸出下一個動作。這樣就可以在純虛擬環境中測試自駕系統，不需要實際上路。
Ashok 展示的 demo 相當驚人：世界模擬器可以生成 8 顆攝影機、36 fps、5 百萬畫素解析度的影片，持續一分鐘以上，而且所有畫素都是生成的，沒有任何真實影像。更重要的是，你可以用它來「回放」歷史問題。假設某個版本的 FSD 在特定場景表現不好，你可以用世界模擬器重建那個場景，然後測試新版本的模型是否改善了。你甚至可以「注入」原本沒發生的對抗場景，例如把一段直行影片改成有行人突然衝出來，測試系統的反應。
世界模擬器還可以跑在即時模式。Ashok 展示了用遊戲控制器操控虛擬車輛在生成的世界中行駛，所有畫面都是神經網路即時生成的。這基本上是用 AI 做了一個無限細節的駕駛模擬器。
從車到 Optimus：通用機器人基礎模型
Ashok 強調，他們建構的不只是「自駕神經網路」，而是「機器人基礎模型」（Foundational Model for Robotics）。同一套架構、同一個訓練流程，可以用在汽車，也可以用在人形機器人 Optimus。
他展示了世界模擬器泛化到室內場景的例子：Optimus 在室內行走，模擬器可以根據動作指令（直走、左轉、右轉）生成對應的第一人稱視角影片。同樣的模型也可以處理機械臂操作，例如打開抽屜、撿起物品。
這呼應了 Bitter Lesson 的另一個面向：通用方法比專用方法更有價值。與其為汽車設計一套系統、為機器人設計另一套系統，不如建構一個足夠通用的模型，讓它從數據中學會不同任務。Tesla 的策略是用同一套訓練基礎設施、同一套數據收集框架，同時推進自駕車和人形機器人。
Ashok 說，Cybercab 會在今年（2026 年）推出，這是一款沒有方向盤和踏板的車，完全為自動駕駛設計。同時，Optimus 也會進入量產。他認為這兩個產品會大幅降低交通和體力勞動的成本，為世界創造「驚人的富足」（amazing abundance）。
為什麼只用攝影機？
在 Q&A 環節，有人問了一個很多人心中的疑問：為什麼 Tesla 這麼堅持只用攝影機？其他公司用 LiDAR、雷達、高精地圖，難道不是更安全嗎？
Ashok 的回答很直接：「你今天怎麼來這裡的？」
現場笑了。他繼續說：「很多人是自己開車來的，用的是眼睛。你可以用眼睛走進這棟建築、在裡面走動。用攝影機解決這個問題，對我來說是顯而易見的。」
他的論點是：自駕的核心問題是 AI 不夠聰明，感測器早就夠用了。攝影機已經提供了足夠的資訊，問題是能不能從中提取出正確的理解。2008 年 DARPA 挑戰賽時代，AI 技術還不成熟，所以需要 LiDAR 這種「直接給你距離資訊」的感測器作為拐杖。但現在是 2026 年，AI 已經強大到可以從 2D 影像中推斷 3D 結構、預測其他道路使用者的意圖。
這也是 Bitter Lesson 的延伸：不要依賴捷徑。LiDAR 是一種捷徑，它繞過了「從影像理解 3D」的難題。但如果你相信 AI 終將解決這個難題，那麼依賴捷徑只會讓你的系統更複雜、更貴、更難規模化。Tesla 選擇直接攻克難題，賭的就是 AI 能力的持續進步。
規模的勝利
Tesla 在奧斯汀的 Robotaxi 服務已經對公眾開放，車內沒有安全員。根據 Ashok 展示的數據，使用 FSD 的車輛每次碰撞之間的行駛里程數，是手動駕駛的至少 2 倍。這個數據來自數十億英里的實際行駛統計，不只是高速公路，也包括城市道路。
這是不是代表自駕問題已經解決？當然不是。Ashok 自己也說，還有很多技術挑戰，招人中。但從方法論的角度看，Tesla 的故事是 Bitter Lesson 的一次成功驗證：放棄手工規則，押注端到端神經網路、海量數據、大規模運算。這個賭注，至少到目前為止，似乎押對了。
更有趣的是，這套方法不只適用於自駕車，也適用於人形機器人、機械臂、任何需要在真實世界中行動的 AI 系統。Tesla 正在建構的，不只是一家汽車公司或機器人公司，而是一個通用機器人 AI 的基礎設施。
回到開頭那群過馬路的雞。如果你是傳統派，你會開始設計雞腿偵測器、鳥類行為預測模組、動物優先權規則。如果你相信 Bitter Lesson，你會收集一百萬段有雞的影片，然後讓神經網路自己學。Tesla 選了後者。
相關資料
Ashok Elluswamy（Tesla AI 副總裁）演講：Building Foundational Models for Robotics at Tesla
2026 ScaledML Conference, presented by Matroid
https://www.youtube.com/watch?v=LFh9GAzHg1c
Richard Sutton, The Bitter Lesson (2019)
http://www.incompleteideas.net/IncIdeas/BitterLesson.html
