旧路线的优势
边界清楚、可解释、在限定区域容易做出稳定演示，适合验证传感器和规则。
第一遍：先把这期访谈讲清楚
以下先沿着节目自己的时间线重建内容。这里解释嘉宾说了什么、概念怎样连接、例子在论证中承担什么作用；独立判断放在后面。
| 节目段落 | 主持人与嘉宾在讨论什么 | 这一段怎样接到下一段 |
|---|---|---|
| 00:00–00:28 | 从过去十年和“自动驾驶像有轨电车”说起，回到早期 L4 工程。 | 先让听众理解早期方案为什么依赖地图、规则和昂贵传感器。 |
| 00:28–00:50 | 2018 年左右的 BEV+Transformer 与特斯拉纯视觉路线。 | 技术转折被解释为从前视模块到统一鸟瞰表示。 |
| 00:50–01:15 | 激光雷达、摄像头、芯片、融合方式和成本。 | 把“传感器之争”转成信息量、价格、算力与可量产性的权衡。 |
| 01:15–01:26 | 端到端、强化学习，以及嘉宾所谓“过去做错了”的地方。 | 从模块化工程转到数据驱动的策略学习。 |
| 01:26–01:42 | L2/L3/L4 的责任和研发路线。 | 说明为什么嘉宾认为 L3 更像 L4 的先导，而不是 L2 逐步加功能。 |
| 01:42–02:00 | 百度、理想、李想与“卫城”项目，谈组织压力和职业选择。 | 把技术路线落回 CEO 决策、团队责任和个人风险。 |
1. 早期自动驾驶为什么像“有轨电车”
郎咸朋把早期自动驾驶比作在轨道上运行的有轨电车：先把道路和可行驶区域测绘出来，再把车辆放到一个高度限定的环境里。典型方案是高精地图、多颗激光雷达、定位和一整套规则。地图告诉系统道路在哪里、车道怎样排列，激光雷达提供相对明确的三维几何，规则模块再把感知结果变成跟车、变道、停车等动作。这样的系统可以在少量明确路线上做出很强的演示，但它的前提是世界已经被整理成一张可查询的地图。
嘉宾用自己的经历说明这个前提有多重：早期车上可能装七八个激光雷达，单台设备价格曾达到几十万元人民币，整车还要配采集车、计算机和地图生产流程。他给出过百度时期单车成本约数百万元人民币的回忆。这些数字是嘉宾口述，节目并没有展开 BOM 或财务核算；它们在本段真正承担的作用，是让听众看到“把现实先测量完”的方法为什么不容易扩展到中国大量普通道路。道路不断变化，地图需要更新，传感器、采集和规则维护一起膨胀，系统就会越来越像一条昂贵而脆弱的轨道。
2. BEV+Transformer 改变的不是一个模块，而是看世界的坐标系
节目随后把转折点放在 2018 年左右。BEV 是 Bird's-Eye View，也就是把多个摄像头看到的画面转换到一个类似鸟瞰图的空间里。对没有接触过自动驾驶的人来说，可以把它想成：系统不再分别处理“前方摄像头看见的车”“侧方摄像头看见的车”，而是尝试把不同视角投影到同一个平面，再在这个空间里判断车辆、车道、障碍物和运动关系。Transformer 则提供在这些空间元素之间建立全局关系的计算结构。
郎咸朋把特斯拉放在这个转折的中心：特斯拉不愿意依赖高精地图和激光雷达，而是用多摄像头、自己的芯片和神经网络去学习环境。嘉宾解释，特斯拉的优势不只是“摄像头便宜”，而是它把环视摄像头的信息放进同一个算法系统，不再先对每个相机做完独立判断，再把结果在后处理阶段拼起来。这里的“升维”是节目反复使用的词：当旧方案在原来的表示方式上不断打补丁时，新的团队换了一个更适合学习和扩展的表示空间。
主持人追问 BEV 到底是什么，嘉宾先用“鸟看图”解释，再强调它不是一张给人看的地图，而是神经网络内部用于融合多视角信息的中间表示。这个解释很重要，因为它把 BEV 从一个流行名词还原成了一个工程选择：系统应该在哪个坐标系中整合信息，才能让后续的决策学习到稳定关系。
3. 激光雷达和摄像头：信息更丰富，不等于产品更可行
郎咸朋没有简单地说激光雷达“没用”。他先承认激光雷达的优点：只要打到一个点，就能直接告诉系统这个点与车辆的距离，三维几何相对明确，对深度估计和安全冗余有帮助。但它的点云是稀疏的，距离越远越容易出现空洞，黑色或低反射率物体也可能带来困难。摄像头则拥有颜色、纹理、语义和更高的像素密度，理论上包含更多信息，但要从二维图像里稳定推断三维位置、速度和遮挡关系，必须依赖数据、模型和训练反馈。
因此节目真正比较的是四个维度：传感器看到了什么、信息怎样被融合、硬件是否负担得起、系统能否在长尾情况下继续学习。嘉宾用特斯拉的传感器与芯片成本作对比，也提到自研芯片并不只是为了省钱，而是为了让 BEV 这类计算结构能够在车上运行。节目里出现的“每车约一千美元”“两颗 72TOPS 芯片”等数字，属于嘉宾当时的估算和口述，不应拿来替代最新车型的官方配置。
4. 端到端：从手写模块到学习驾驶策略
在嘉宾的叙述中，BEV 解决了感知信息怎样进入统一空间，却没有自动解决“感知结果怎样变成最后驾驶动作”。传统系统会把感知、预测、规划、控制拆成多个模块，每个模块有自己的接口、规则和误差。端到端的目标，是把摄像头等输入和人类驾驶数据交给一个可学习的策略，让系统直接学习从观察到动作的映射。
郎咸朋用很强的表达说，以前的自动驾驶“做错了”，意思不是所有模块化工程都没有价值，而是行业过度相信人可以把驾驶问题拆成足够多的规则，并为每一种情况提前写出正确答案。端到端把问题重新变成：给系统足够多、足够有代表性的驾驶经验和反馈，它能否学会一套更连续的策略。嘉宾还把特斯拉的很多方法与强化学习联系起来，但节目没有提供训练代码、奖励函数或公平对照，所以这应理解为他的技术框架和经验判断，而不是一条已经被节目证明的统一定义。
5. L2、L3、L4：技术等级背后其实是责任等级
主持人接着问 L2、L3、L4 的本质差异。嘉宾的解释抓住了一个普通听众容易忽略的点：L2 主要仍是驾驶员负责，系统提供辅助；L3 在限定条件下由系统承担驾驶任务和相应责任；L4 则是在限定运行区域或场景中，系统可以不要求人持续接管。节目中的定义是嘉宾的工作语境，不能替代不同法规、标准和地区的正式定义。
郎咸朋最有争议、也最值得理解的判断是：“L3 不是 L2 的延长，而是 L4 的先导。”他的意思是，如果把 L3 当成 L2 不断叠加功能，就会继续沿用辅助驾驶的研发哲学；如果把 L3 当作 L4 的前置阶段，团队从一开始就要围绕系统责任、运行边界、接管条件和失败处理来设计。于是同一个端到端模型可能先在辅助驾驶产品中使用，但它的技术方向实际上是在朝更高自动化等级准备。
6. 技术路线最后会变成组织路线
节目最后从技术转到职业和组织。郎咸朋回忆自己在百度、理想等团队之间的选择，谈到李想在 2024 年对自动驾驶路线的强力推动，以及“卫城”项目带来的压力。ASR 对部分专有名词和成语存在识别错误，所以这里不把转录中的激烈句子当作逐字引语；能确定的是，嘉宾把这段经历讲成一种高压的组织选择：公司愿意把资源、时间和个人职业风险集中到一条新的技术路线上，团队就必须在结果没有完全出现之前承受不确定性。
他还讲到自己不愿为了短期压力放弃技术判断的态度。主持人反复追问“为什么留下”“为什么接受这样的风险”，把前面的表示学习、芯片和端到端重新放回创始人和研发负责人的责任链里。自动驾驶不是实验室里单纯比较模型准确率的项目：一旦上车，失败会变成接管、事故、召回、品牌损失和团队压力。技术的“升维”如果没有组织愿意承担验证周期，就不会转化为产品。
原文讲解到这里。接下来才把这期访谈抽象成机制、证据等级和可被推翻的判断。
第二遍：这期访谈真正讲的是“表示空间的连续换代”
把十年自动驾驶史只写成“激光雷达转向摄像头、模块化转向端到端”，会错过郎咸朋叙述中的主轴。每次转向都在改变系统如何表示世界：早期把世界编码进高精地图和规则；BEV 把多视角观测搬到统一鸟瞰空间；Transformer 让空间元素之间的关系可以被学习；端到端则进一步把感知到动作的接口交给数据驱动的策略。所谓“升维”，本质是用更可学习、可扩展的表示替换越来越难维护的人工接口。
新路线的代价
模型承担更多隐性推断，训练数据和长尾覆盖成为瓶颈，错误更难靠手写规则逐个补齐。
真正的产品问题
不是模型能否在平均场景表现好，而是能否持续收集失败、修复策略并在责任边界内上线。
一句话抽象自动驾驶的路线变化，表面是传感器和网络结构的变化，底层是“人手工规定接口”逐步让位于“数据学习表示与策略”；每次换代都同时增加了数据、算力、验证和组织责任。
把技术链拆开：输入、表示、决策与责任
| 层级 | 节目中的问题 | 可检查的系统变量 | 不能直接推出什么 |
|---|---|---|---|
| 输入 | 摄像头与激光雷达能提供哪些信息，成本和覆盖怎样。 | 视场、深度误差、遮挡、低反射率、夜间、雨雪、传感器与芯片成本。 | 信息更多不自动意味着整体安全更高。 |
| 表示 | 是否使用地图、BEV 或其他统一空间。 | 跨视角对齐、时序稳定、坐标变换误差、地图新鲜度。 | 用了 BEV 不等于系统已经端到端。 |
| 策略 | 模块规则如何变成可学习的驾驶行为。 | 数据覆盖、闭环分布偏移、长尾、接管、回退和在线更新。 | 端到端不等于没有模块，也不等于没有安全层。 |
| 责任 | L2/L3/L4 在谁负责、什么条件下运行。 | ODD、接管时间、最小风险状态、日志、审计与法规。 | 节目中的等级解释不能替代法律定义。 |
这张表说明为什么仅比较“摄像头还是激光雷达”会把系统问题缩窄成硬件选择。传感器改变输入，BEV 改变表示，端到端改变训练和接口，但真正上线还要解决闭环数据、分布外场景、模型回退、接管和责任归属。任何一层的改进，都可能被下一层的瓶颈抵消。
证据审计：哪些是事实，哪些只是嘉宾的强判断
| 主张 | 证据状态 | 阅读时应怎样处理 |
|---|---|---|
| 早期高精地图、多激光雷达和规则系统难以覆盖开放道路。 | 访谈经验 + 行业常识，节目未给完整数据。 | 可作为技术历史解释，不能据此精确估计全行业成本。 |
| 特斯拉通过纯视觉、BEV、Transformer 和自研芯片形成路线优势。 | 嘉宾解释；部分技术事实可由公开资料交叉，但节目未做因果实验。 | 把“路线叙事”和“优势归因”分开。 |
| 某些传感器、芯片及整车成本数字。 | 嘉宾口述，时间点和口径有限。 | 只用于说明量产约束，不写成当前 BOM。 |
| 端到端是从数据学习驾驶策略，旧模块化路线过度手工。 | 嘉宾的技术判断。 | 保留其解释力，同时承认模块化、规则和安全层仍可能有必要。 |
| “L3 是 L4 的先导，不是 L2 的延长”。 | 嘉宾的研发哲学，不是统一标准定义。 | 作为产品与组织设计命题，不能当作法规结论。 |
时间边界节目中的“今年”“去年”需要结合录制时间理解；而传感器价格、芯片规格和量产能力变化很快。本文保留嘉宾叙述的历史价值，但不把它们更新成 2026 年的市场事实。
我的独立判断：真正的竞争单位是“可修复的闭环”
- 表示升级只有在反馈升级后才成立。 BEV 或端到端可以减少人工接口，但也把更多错误推到数据和闭环学习里。如果接管、回放、标注、仿真和回归测试没有同步变强，所谓升维只是把复杂度藏起来。
- 纯视觉与激光雷达不是信仰题，而是错误分布题。 应在相同算力、成本和责任要求下比较雨雪、低反射率、远距离、遮挡、施工和新道路等尾部场景，而不是只比较平均感知指标。
- L3 的产品价值在于提前建立责任工程。 即便最终产品先以 L2 形式交付，若研发按 L3/L4 的 ODD、接管、回退和日志要求建设，未来升级会更连贯；反过来，L2 功能的堆叠可能留下责任接口债务。
- CEO 的“强推路线”必须配套停止条件。 组织承受技术不确定性是必要的，但资源集中不能替代阶段性证据。每个“卫城”式项目都应有明确的失败信号、回退路线和公开的安全门槛。
什么证据会推翻或修正这篇判断
- 如果在相同训练数据、算力、传感器预算和责任边界下，模块化系统长期稳定优于端到端闭环系统，本文对表示学习换代的强调需要收缩。
- 如果激光雷达在量产成本下降后能显著降低关键长尾事故，且并不妨碍学习型系统扩展，传感器之争就应从替代关系改写为互补冗余。
- 如果公开的真实道路数据证明 L3 能在大范围 ODD 内稳定处理接管与最小风险状态，嘉宾关于“L3 是 L4 先导”的工程判断会得到增强；反之则需要重新审视责任成本。
- 如果厂商公开长期接管、事故、维修、版本回归和跨城市泛化数据，本文对节目口述和公司叙事的谨慎程度可以下降。
证据边界与资料索引
本文主材料是 Zhang Xiaojun Podcast #96 的完整节目与公开转录。技术解释首先忠实呈现郎咸朋在节目中的经验框架；成本数字、特斯拉路线归因、端到端与强化学习的关系，以及“L3 是 L4 先导”均保留为嘉宾口径或本文分析，不升级为独立验证后的行业定论。逐句转录的个别专有名词和激烈表达存在 ASR 误差，因此没有把它们当作未经核对的逐字引语。
自动驾驶等级、传感器成本和厂商技术路线都受地区法规、车型、版本和时间影响；若要用于投资、采购或安全决策，应回到对应厂商技术文档、监管文本和长期道路数据。