创业有很多种，马斯克选择了股价波动最大的方式

马斯克的两件事收获了两种截然不同的反馈。

SpaceX 首次完成「超重型推进器」回收，全网叫好；

特斯拉的全自动驾驶出租车 Cybercab 演示，2026 年上市，特斯拉市值应声蒸发 580 亿美元。

怎么理解这件事呢？

大多数公司，在决策的时候，都会选择预期价值最 大，实现可能性最高的方案。但马斯克的逻辑只有一个：终 极目标是什么？逆向推导出过程中的目标。

在自动驾驶这件事上，特斯拉和 Waymo 存在这种路线差异。Waymo 已经实现了 L4，但价格昂贵，需要人工接管，无法规模化。特斯拉目前只有 L2，但已经有数百万辆车跑在路上收集数据了。

Ben Thompson 最近写了这篇文章，分析 SpaceX 背后的逻辑，并结合 AI 领域著名文章《苦涩的教训》的理论，和 Andrej Karpathy 的访谈，讨论特斯拉与 Waymo 的路线之争。

以下内容来自科技博客 Stratechery，作者 Ben Thompson，经 Founder Park 编译。

00;

SpaceX 成功之前，

业内没人相信这事儿

在 SpaceX 的 Starship 发射与回收之后的几天里，一段时间较早的视频在社交媒体 X 上又火了，视频内容是欧洲火箭公司 Arianespace 前高管 Richard Bowles 在 2013 年新加坡卫星产业论坛的一段访谈：

主持人：「今天早上，SpaceX 说，『我们预计发射成本为 700 万美元』。好吧，先忽略 700 万，如果每次发射只需要 1500 万美元，那么每个运营商都会彻底改变他们的战略，完全调整他们的计划。我们就不会像今天这样建造卫星了。

所以，我觉得有很多问题值得讨论，比如说，『如果要与一个预算 1500 万美元的发射计划竞争，你们的公司会如何应对？』那么，Richard，你的公司会如何应对预算 1500 万美元的发射竞争？」

Richard Bowles：我必须先谈一下我们在竞争什么，因为这决定了我们如何竞争，以及我们如何分析竞争对策。

现在 SpaceX 还没有进入地球同步轨道发射市场。他们的进展惊人，但我在市场上发现，SpaceX 主要是在出售一个梦想。我们都应该有梦想，但我认为 500 万美元或 1500 万美元的发射成本有点像是一个梦。我个人觉得可重复使用的火箭也是一个梦。最近我参加了一个会议，会上有人告诉我，他们没有任何回收计划，因为他们不会失败。我认为这也是梦想的一部分。

所以目前，我的感觉是你们在问我如何回应一个梦想？我的回答是，首先你不要打扰别人做梦，必须让他们自己醒过来，然后等市场从梦想中醒来并面对现实时，我们将与之竞争。

主持人：但他们现在的价格大约是你们的一半。

Richard Bowles：那是一个梦想。

主持人：好吧，假设你醒来后发现他们已经实现了这个梦想，Arianespace 会怎么做？

Richard Bowles：我们将不得不应对。他们不是超人，所以他们能做到的，我们也能做到，我们会跟进。但目前，这个问题还只是理论上的。

主持人：我个人不认为这个问题还会一直停留在理论层面。他们几乎已经实现了他们承诺的大部分目标。这是事实。

最终，主持人赢得了这场讨论；2020 年，Elon Musk 在一档播客中表示，Falcon 9 火箭发射成本的「最 佳情况」确实是 1500 万美元（大多数发射成本更高，但这个价格点曾经达成）。当然，客户支付的费用要高得多：SpaceX 每次发射的官方价格为 6700 万美元，部分原因是它几乎没有竞争对手；Arianespace 在 2023 年退役了其 Ariane 5 火箭，该火箭的官方单次发射价格为 1.78 亿美元。Ariane 6 在今年进行了首次发射，但由于其不可重复使用，它在价格上并没有竞争力。正如《Politico》报道：

「我们曾考虑模仿 SpaceX，让 Ariane 火箭部分可重复使用，但最终放弃了这个想法。」这一决定困扰着法国经济部长 Bruno Le Maire。「2014 年有一个分岔点，但我们没有走正确的路。」Le Maire 在 2020 年说道。

「但这只对 Elon 有用，并不意味着它对欧洲也有益。」一旦全面投入运营，Ariane 6 每年预计将进行九次发射，其中大约四次将用于机构任务，如政府侦察卫星和地球观测系统，其余的则面向商业客户。

与 SpaceX 相比，差距显而易见。SpaceX 凭借源源不断的五角大楼和行业合同，再加上为其自有的 Starlink 星链卫星的发射任务，2023 年创下了 96 次发射的纪录。

「并不是我们当时认为可重复使用火箭完全是胡说八道，如果你每年只有 10 次发射，而每年只制造一枚新火箭，那么从工业的角度来看，这是行不通的。」欧洲航天局前局长 Jan Wörner 谈到 2010 年代中期关于 Ariane 6 的早期讨论时说道。

Wörner 的观点和 Bowles 的看法类似，都体现出他们对世界的静态认知；Bowles 看不到一个 SpaceX 能够通过在无人船上回收火箭并实现重复使用的未来，更别提我们最近看到的第二版更大火箭的回收。

与此同时，Wörner 无法回顾反思：SpaceX 之所以拥有如此庞大的发射量，不论是来自外部客户还是自身（例如 Starlink 的任务），其原因就在于它的低成本。低成本创造了规模效应，而规模效应又进一步降低了成本，最终催生了全新的市场。

01;

SpaceX 的创业点

是从梦想逆向推导

当然，Bowles 在另一个方面也是对的：SpaceX 的确是一个梦想。这个梦想是去火星、探索更远太空的梦想，是一个关于将人类活动扩展到地球之外的梦想；而 Arianespace，只是一家普通的企业。

然而，这正是 Arianespace 失败的原因：一家企业在做决策时会谨慎评估各种选项，不一定会选择回报最高的那个，而是会选择预期价值（expected value）最 大的方案，这个计算还会考虑成功的可能性。即便如此，大多数企业仍然会采取对冲策略，或者在决策中保留一定的灵活性。

而梦想家却是从成功出发，逆向推导。在这种情况下，Musk 曾在社交媒体「X」上解释他的动力来自于降低发射成本：

「既然你的账户名是『Whole Mars』，也许这个长回复是合适的：

将每吨物资送到火星表面的成本降到足够低，以至于人类有资源让生命实现多星球化，这需要火箭和航天器技术大约 1000 倍的进步。

最近的美国火星任务，每吨有效载荷送到火星表面的成本约为 10 亿美元。而且，成本不仅没有降低，反而在上涨！

建造一座能够自我维持的火星城市，可能至少需要 100 万吨设备，这意味着成本超过 1000 万亿美元，这显然是一个不可能的数字，毕竟美国的 GDP 才 29 万亿美元。

然而，如果火箭技术能够提高 1000 倍，那么实现可持续的多星球化的成本将降至约 1 万亿美元，这可以分摊到 40 年或更长时间，每年不到 250 亿美元。

这个成本下，实现生命的多星球化成为可能，既能确保生命的长期生存，又不会对地球上人们的生活水平产生实质性影响。

Starship 的设计目标是实现比现有系统强 1000 倍的进化，尤其是在昨天成功回收助推器并精确降落到海面后，我现在相信这可以实现。」

首先，这让 SpaceX 必须找到一种方法，来发射一个更大且完全可回收的火箭，同时避免之前方法带来的重量和后勤成本（最近，SpaceX 成功回收了「超级重型助推器」；下一步是回收其上方的 Starship 飞船）。一旦 SpaceX 能够廉价地大规模发射更大的火箭，它就可以开始做其他事情，比如大幅扩展 Starlink 的能力。

下一代 Starlink 卫星非常大，只有 Starship 才能发射。它将带来 10 倍的带宽提升，并且由于降低了轨道高度，网络延迟也会更低。

Starlink 并不是唯 一的受益者；2013 年新加坡的主持人说得没错：每个玩家都会完全改变他们的战略，这意味着 SpaceX 将获得更多的业务，而这反过来又会进一步降低成本，从而吸引更多的业务。规模效应带来的变革性，以及随之而来的价格大幅下降，是既真实又难以想象的。

02;

特斯拉现在远远落后于 Waymo

Starship 的成功并不是最近唯 一与 Musk 相关的新闻：特斯拉举办了「We, Robot」发布会，承诺推出其 Robotaxi（无人驾驶出租车），但观察者对此并不十分满意。以下是《彭博社》的报道：

Elon Musk 在一次极 具视觉冲击的发布会上展示了特斯拉公司备受期待的 Robotaxi，但缺乏具体细节，导致投资者对该公司实现其雄心壮志的能力产生疑虑，股价随即下跌。

Musk 展示了一款名为 Cybercab 的光滑的双门轿车原型，以及一款厢式车概念和升级版的特斯拉人形机器人。这款没有方向盘或油门踏板的 Robotaxi 可能售价低于 3 万美元，Musk 表示，它「可能」会在 2026 年投产。

这场在好莱坞电影制片厂举行的产品发布会，并没有解释特斯拉如何从销售高级驾驶辅助功能跃升到完全自动驾驶汽车。Musk 的演讲缺乏技术细节，略过了包括监管问题在内的许多话题，也没有提及公司是否将拥有并运营其自己的 Cybercab 车队。正如 Jefferies 的分析师所言，特斯拉的 Robotaxi 看起来「毫无威胁」。

这场令人失望的发布会导致特斯拉股价在发布会后一天大跌，盘中跌幅一度达到 10%，是两个月来最 大单日跌幅。截至当天中午 12 点 29 分，股价下跌 7.6%，市值蒸发了 580 亿美元。此前，自 4 月中旬以来，特斯拉股价已上涨近 70%，很大程度上得益于该发布会的预期。Uber 和 Lyft 等竞争对手的投资者一直紧张地等待 Cybercab 的登场，周五 Uber 的股价创下历史新高。

特斯拉在 Musk 宣布的未来产品时间线方面一向进展缓慢，尤其是在自动驾驶方面面临特别大的挑战。Musk 在 2019 年告诉投资者，特斯拉将在次年上路超过 100 万辆 Robotaxi。然而，直到今天，公司还未部署一辆完全自动驾驶的汽车。

首先，这次令人震惊的简短发布会确实没有提供任何关于 Robotaxi 商业模式的细节。

其次，所有关于 Musk 在自动驾驶技术预测上的错误批评都完全属实。而且，事实上，特斯拉现在远远落后于当前的自动驾驶技术尖端公司 Waymo。

Waymo 目前在美国四个城市运营，并即将在另外两个城市启动服务。Waymo 已经实现了 Level 4 级别的自动驾驶，而特斯拉仍停留在 Level 2。

我们回顾一下自动驾驶的各个等级：

0 级：提供有限的警告和瞬时辅助功能（例如自动紧急制动）

1 级：方向盘转向或刹车/加速自动化（例如定速巡航或车道保持）

2 级：方向盘转向和刹车/加速控制，但需要驾驶员持续监督（例如双手握住方向盘）

3 级：仅在预定义条件下自动驾驶，驾驶员必须在系统请求时立即接管控制

4 级：仅在预定义条件下自动驾驶，驾驶员不需要接管控制

5 级：在所有条件下完全自动驾驶，驾驶员完全无需接管控制

与特斯拉相比，Waymo 有两大明显优势：

首先，Waymo 的车辆配备了大量复杂的传感器套件，包括摄像头、超声波雷达和激光雷达（LiDAR）；后者是测量距离最精确的方式，超声波雷达则相对不精确，而摄像头对测距较为棘手。

其次，任何 Waymo 的车辆在遇到问题时都可以由远程驾驶员接管。虽然这种情况不常发生（平均每行驶 17,311 英里才出现一次），但有一个后备机制总是让人安心。

挑战在于，这两个优势都带来了成本：激光雷达是 Waymo 第 5 代车辆在旧金山街头成本高达 20 万美元的主要原因之一；第 6 代 Waymo 的传感器更少，预计成本会大幅降低，而随着 Waymo 的规模扩大，价格也会进一步下降，但这仍是一个障碍。同时，人类驾驶员随时准备接管遇到问题的车辆，不仅增加了大量成本，而且限制了规模扩展。这样的高成本结构（复杂传感器+人工接管）本身也是规模扩展的限制——Waymo 的技术确实很出色，但要想改变世界，它们的成本还需要再降低一个数量级。

03;

特斯拉的梦想：

低成本实现自动驾驶

Musk 在特斯拉发布会上的演讲，真正值得注意的是它实际包含的内容。首先回到最后一点：Musk 的关注焦点在于如何改变世界：

「你们看过很多科幻电影，未来总是黑暗而凄凉，那不是你想要的未来。我喜欢《银翼杀手》，但我不确定我们是否想要那样的未来。我觉得我们可能想要他穿的那件风衣，但不是那个荒凉的末日景象。我们想要一个有趣、令人兴奋的未来，一个如果你能透过水晶球看到未来，你会说『是的，我希望现在就能在那里』的未来。」

接着，Musk 谈到了一个能够让你找回时间、更加安全的「车轮上的休息室」，不需要丑陋的停车场；演讲的幻灯片还展示了在洛杉矶国际机场、Sofi 体育场和道奇球场加建公园的场景：

「其中一个非常有趣的问题是，这将如何影响我们居住的城市。当你开车在城市中穿行，你会看到很多停车场和停车楼，它们无处不在。如果我们进入一个自动驾驶的世界，这些停车场可以被改造成公园，这为我们生活的城市创造了大量的绿地空间。」

这无疑是一个引人入胜的愿景；它远超 Uber、Lyft 甚至 Waymo 等公司所关注的现实世界。这些公司专注于解决当下实际存在的问题，例如如何处理人类驾驶员，这意味着停车场在未来很长时间内都不会消失。而 Musk 的愿景，则是一个梦想。

那么，如果这个梦想成真，它需要什么？Musk 自己给出了答案：由低成本车辆组成的自动驾驶车队，提供完全自动的服务，使得人们自己驾驶汽车变得荒谬。这不仅仅是 Waymo 的 Level 4 自动驾驶，这是 Level 5。同样重要的是，它还要做到「便宜」，因为低成本推动规模化，而规模化则带来变革。

特斯拉的「低成本」战略早已为人所知：公司放弃了激光雷达，并在几年前移除了新车型中的超声波雷达，宣称将仅依靠摄像头实现其自动驾驶目标。抛开这种主张的可行性不谈，与梦想的联系是显而易见的：仅依靠摄像头的方案使得低成本车辆成为可能，这是 Musk 梦想中的关键一环。的确，随着规模的扩大，Waymo 的设备成本会下降，但 Waymo 的做法虽然在当下更安全，却在实现未来方面受到了更多限制。

许多人似乎忽略了 Musk 在演讲中解释的一个关键点：特斯拉，也只有特斯拉，才有可能会实现这一目标的路径。

04;

Scaling Law 的另一难题是数据

Rich Sutton 在 2019 年撰写了一篇关于人工智能的重要且引发广泛讨论的文章，名为《苦涩的教训》（The Bitter Lesson）：

从过去 70 年的 AI 研究中得出的最 大教训是，利用计算资源的通用方法最终是最有效的，并且这种优势还非常显著。其背后的根本原因是摩尔定律，或者更确切地说，是计算单位成本持续呈指数级下降的趋势。

大多数 AI 研究基于这样一种假设：代理所能使用的计算资源是固定的（在这种情况下，利用人类知识是提高性能的唯 一途径），但实际上，稍微超出一般研究项目的时间范围后，可用的计算资源必然会大幅增加。为了在短期内取得进展，研究人员倾向于利用其对领域的专业知识，但从长远来看，唯 一重要的因素是如何最 大化利用计算资源。

这两者之间并不必然对立，但在实践中往往相互冲突。花在一方面的时间，意味着牺牲了另一面的投入。研究人员往往在心理上投入到某一种方法中。而基于人类知识的方法通常会变得复杂，从而降低其利用计算资源的效率。AI 研究者迟迟领悟到这一苦涩教训有许多例子，回顾一些最 具代表性的案例可以为我们提供很多启示。

注：Rich Sutton 是一位著名的计算机科学家，是加拿大阿尔伯塔大学的教授，被誉为「强化学习之父」。他是 DeepMind 在加拿大设立的第 一个 AI 实验室的负责人。

Rich Sutton 列举了几个例子，包括国际象棋领域，搜索算法胜过了确定性编程；围棋领域，无监督学习同样取得了胜利。在这两个领域中，利用大量计算资源的方式既简单又比人类试图编码自己的捷径和启发式方法更加有效。类似的情况也出现在语音识别和计算机视觉中：深度学习远超任何形式的人工设计算法。Sutton 在文章结尾强调：

从这段苦涩的教训中，我们应该明白通用方法的巨大力量，这些方法可以随着计算资源的增加而持续扩展，即使可用的计算资源变得极其庞大。两种看起来可以无限扩展的方法是搜索和学习。

这是一个;极 具洞察力的观点，我想在此谦逊地补充另一个要素：虽然《苦涩的教训》基于一个假设，即计算资源会不断增加，从而解决那些曾经无法攻克的问题，但从大语言模型（LLM）的经验中我们也学到了一点：你还需要不断增加的数据。

现有的模型几乎已经用尽了 AI 实验室能够获取的所有数据，包括互联网上的内容、YouTube 的转录文本、扫描的书籍等。如今，关于如何生成合成数据的讨论甚嚣尘上，无论是由人类生成还是由其他大语言模型生成，目的是确保 Scaling Law（扩展定律）能够继续发挥作用。否则，我们可能会撞上所谓的「数据墙」。

与此同时，大语言模型通常被认为是与语言相关的模型（毕竟它的名字中有「语言」这个词），但它们实际上预测的是「词元」（Token），而词元可以是任何东西，包括驾驶数据。Timothy Lee 在《Understanding AI（理解人工智能）》一文中解释了 Waymo 在这方面的一些研究：

任何自动驾驶系统都需要具备预测其他车辆行为的能力。举例来说，看看我从 Waymo 的一篇研究论文中借用的这个驾驶场景：

A 车想要左转，但它需要避开 B 车和 D 车。这个场景有很多种可能的展开方式。或许 B 车会减速让 A 车转弯，或许 B 车会继续前进，D 车会减速，A 车会趁机从两者之间穿过去，或许 A 车会等两辆车都通过后再转弯。A 车的行为取决于 B 车和 D 车的行动，而 C 车的行为又取决于 A 车的动作。

如果你是这四辆车中的任何一辆，你都需要能够预测其他车辆在接下来一秒、两秒甚至三秒内可能的位置。完成这项任务的是自动驾驶系统中的预测模块，它的目标是输出一系列可能的预测，类似这样：

Waymo 和其他公司的研究人员曾努力尝试以现实的方式来建模这种交互。这不仅是因为每辆车都受到一系列复杂因素的影响（这些因素很难转化为计算机代码），每辆车的行为还取决于其他车辆的行为。因此，随着车辆数量的增加，问题的计算复杂性呈指数级增长。

后来，Waymo 发现基于 Transformer 的网络是解决这类问题的有效方法。

「在驾驶场景中，道路使用者可以被比作参与一场持续对话的参与者，他们不断交换一系列动态的动作和反应，类似于连续的沟通交流，」Waymo 研究人员在 2023 年的一篇论文中写道。

就像语言模型输出代表文本的词元一样，Waymo 的车辆预测模型输出的是代表车辆轨迹的词元——例如「保持速度和方向」、「左转 5 度」或「减速 3 英里/小时」。

与其试图明确制定一系列车辆必须遵守的规则（例如「保持车道内行驶」和「不要撞到其他车辆」），Waymo 更像是训练了一个大语言模型。这个模型通过预测在真实道路上由人类驾驶的车辆的轨迹，学习到了驾驶的规则。

这种数据驱动的方法使模型能够学习到车辆交互中的细微之处，这些细节并没有出现在任何驾驶手册中，也很难通过显式的计算机代码来捕捉。

当然，这并不是万全之策。Lee 在他的文章中提到：

Sinavski 指出一个大问题是，Waymo 还没有找到一种「在空间推理方面真的很出色」的视觉-语言模型。如果你是《Understanding AI》的长期读者，你可能还记得我曾经让一些领 先的大语言模型判断模拟时钟的时间或解迷宫。ChatGPT、Claude 和 Gemini 都失败了，因为目前的基础模型在几何思维上表现不佳。

这似乎是一个大缺陷，对于一个被期望能驾驶汽车的模型来说。我怀疑这也是为什么 Waymo 的感知系统并不是一个庞大的网络。Waymo 仍然使用传统的计算机代码将驾驶场景分割成离散的物体，并为每个物体计算数值边界框。这种预处理为预测网络在推理接下来会发生什么时提供了先机。

另一个担忧是，大语言模型的内部结构不透明，使得它们难以调试。如果一个自动驾驶系统出错，工程师希望能够深入了解并找出原因。在像 Waymo 这样的系统中，这要容易得多，因为一些基本数据结构（如场景元素列表及其边界框）是由人类工程师设计的。

但这里更广泛的观点是，自动驾驶公司并不面临手工编码或一个庞大的端到端网络之间的二元选择。最 优的自动驾驶架构很可能是不同方法的混合。公司需要通过试错来学习最 佳的劳动分工。

这听起来是对的，但有一点：痛苦的教训。回到 Rich Sutton 的文章：

这是一个重要的教训。作为一个领域，我们仍然没有完全领悟这一点，因为我们在不断犯同样的错误。为了看到这一点，并有效地抵制它，我们必须理解这些错误的吸引力。

我们必须吸取痛苦的教训，即构建我们认为的思维方式在长远中并不奏效。痛苦的教训基于以下历史观察：

1）人工智能研究者常常试图将知识嵌入到他们的代理中；

2）这在短期内总是有帮助，并让研究者感到个人满足；

3）但从长远来看，它会达到一个瓶颈，甚至抑制进一步的进展；

4）突破性的进展最终是通过一种相对立的方法，即通过规模化计算、搜索和学习实现的。最终的成功带有苦涩，并且常常难以完全消化，因为这是一种对人类中心方法的成功。

如果痛苦的教训适用于真正的 Level 5 自动驾驶，那么 Waymo 无疑已经找到正确方法。一种「不同方法的混合」显然现在效果更好，并且可能在未来几年也会如此，但这是否能让他们达到 Level 5 呢？至于数据，尤其是在自监督人工智能中，数据是多么重要？这是我在上面提到的特斯拉演示的部分：

计算机比人类更优秀的一个原因是我们有数百万辆汽车在进行驾驶训练。这就像同时有数百万个生命，看到一些一个人一生中可能不会看到的非常不寻常的情况。

凭借这样的训练数据，显然会比人类更出色，因为你无法过上百万种生活。它还可以同时观察所有方向，并且不会感到疲劳或发短信等，因此出于所有这些原因，它的安全性自然比人类高出数十倍。

我想强调的是，我们所拥有的解决方案是人工智能和视觉。并不需要昂贵的设备。我们今天生产的 Model 3、Model Y、S 和 X 将能够实现完全的无人监督自动驾驶。这意味着我们的车辆生产成本很低。

再说一次，马斯克在现有特斯拉车主的自动驾驶方面多次夸大其词，因此关于当前汽车是否能实现完全的无人监督自动驾驶仍然存在争议。但这并不改变这些汽车确实配备摄像头，并且这些摄像头正在捕捉数据并进行微调，规模庞大到 Waymo 无法匹敌的。以下是特斯拉前自动驾驶负责人 ：

人们认为 Waymo 的技术比特斯拉好，但我个人认为特斯拉比 Waymo 好，虽然表面看起来并非如此，但我对特斯拉及其自动驾驶项目依然很乐观。

我认为特斯拉面临软件问题，而 Waymo 则面临硬件问题，相对来说，软件问题更容易解决。特斯拉在全球范围内部署了数量惊人的具有自动驾驶功能的汽车，这些汽车累计的工作时间和数据量非常令人震惊，Waymo 也需要到达这一点（如果它想和特斯拉一样好）。

我不确定人们是否意识到，特斯拉实际上使用了许多昂贵的传感器，但它们只是在训练时使用。因此有许多汽车在路上配备了激光雷达，它们进行一些不具规模的操作，并且有额外的传感器等，进行制图和所有自动驾驶研究需要做的事情。特斯拉在（模型）训练时进行这些操作，然后将其提炼成一个测试时的包，部署到汽车上，并且是纯视觉的方案。

这就像在传感器和研究成本之间进行套利。虽然没有得到充分的认可，但我认为这实际上是一种相当聪明的策略，它会取得好的结果。因为像素承载了信息，我认为神经网络能够做到这一点。这些传感器确实在训练时非常有用，但在实车上我认为它们的用处不大。

请注意，Karpathy 在特斯拉工作了五年，显然并不是一个中立的观察者。他预计全面采用神经网络的自动驾驶方法将需要十年时间，这显然不是马斯克所承诺的明年。然而，它们最终目标是 Level 5 自动驾驶，依赖于低成本传感器和低成本汽车，这是实现完全自动驾驶梦想及其后续转型的关键要素。

05;

从梦想出发开始创业

我并不确定特斯拉的方法是否能够奏效；Waymo 和特斯拉的经验显然表明，Waymo 目前处于领 先地位，而特斯拉的脱离驾驶（disengagement）数据则糟糕得多。大多数专家认为，激光雷达在某种程度上是不可或缺的。

然而，特斯拉的赌注在于，Waymo 的方法最终无法扩展，并且无法推广到真正的 Level 5 自动驾驶。而从梦想（真正的自动驾驶）出发，将引导特斯拉走上一条更好的道路，它的方法依靠的仅仅是人工智能，而这种人工智能需要以数据和微调为基础，而这些只有在路上有数百万辆汽车的情况下才能实现。

这与 SpaceX 及其最近回收火箭的成就有关：如果你从梦想出发，然后理解实现该梦想所需的成本结构，你就会迫使自己走上*可行的道路，放弃那些不具规模扩展可能性的简单解决方案，转而追求那些能够扩展的「奇幻」方案。