一、为什么是孟醒：她不是只从一个岗位看自动驾驶
主持人先解释系列背景：过去的“再过五年”已经成为自动驾驶行业的固定笑话，但 Tesla V12 和端到端架构又重新把这个话题推到公众面前。孟醒被邀请，是因为她过去八年从多个位置参与过这个行业：她在美国和中国连续创业，早期做人脸识别和计算机视觉；后来做投资，投资过小鹏、Momenta 等自动驾驶公司；2019 年起又在滴滴自动驾驶担任 COO；节目录制前刚回到风险投资行业。
她自己也用一段中美经历解释观察方式：大学学数学，先在摩根大通做 IPO 和并购，后来因为不满足于“公司已经成功以后才去解释它为什么成功”，回到美国读研究生并创业。第一家公司 Orbeus 做人脸识别，后来被亚马逊收购并进入 AWS 的识别 API；回国后又做知图科技，把视觉能力贴近广告业务。她既看过技术从研究走向产品，也看过创业公司如何在中美不同的资本与组织环境里成长。
这段经历不是人物履历装饰，而是为后面的判断提供坐标：她不会只用“模型有没有新能力”评价 FSD，还会问数据能不能闭环、产品责任怎么分配、团队能不能规模化、用户是否真的愿意为它付钱。
二、为什么自动驾驶外界看不懂：行业很长，产品却仍在早期
孟醒认为自动驾驶的信息不对称有三个来源。第一，外界很容易看到“车自己跑”，所以兴趣很高，但容易把一个复杂系统误解成一个天才算法的结果。自动驾驶同时涉及汽车生产、传感器、软件、数据、人工智能、用户体验、法规和运营，不是某个模块突破后剩下简单打磨。
第二，行业内部也很难拥有全局视角。她做投资时可以比较不同公司，进入从业者角色后对自己公司的方法更清楚，却不一定更了解全行业，因为大家都还在产品早期摸索，没有形成像互联网成熟产品那样清晰的共识、运营和推广方法。
第三，自动驾驶虽然创业已有八年左右，但产品年龄和公司年龄不是一回事。辅助驾驶可能进入产品中期，无人驾驶却还没有完成大规模收入闭环。很多人看到新闻里 Waymo 早已在凤凰城提供无人车，却因为地点偏远、公司推广低调、没有亲自坐过，所以仍把它理解成未来时态。
三、Waymo 与行业门槛：从能跑，到能量产，再到能商业化
节目用 Waymo 举例：2019 年凤凰城开始测试，2020 年开放公测，用户已经可以用 App 叫到没有司机的车。但这不代表无人驾驶已经完成。孟醒把自动驾驶行业拆成不同产品体系，并提出三个逐步的里程碑。
对 L2/L3 辅助驾驶，非领航功能如车道居中、前向防撞和侧向保持已经很成熟；高速领航已经过了拐点，进入更容易被大众接受的阶段；城市领航则还没有完全过拐点，因为城市路况、交互和长尾场景更多。对 L4 无人驾驶，第一道大门是复杂城市里的常态化无人运营，这件事过去靠信仰和预判，现在已经能在现实中观察到；但量产化和商业化是另外两道门，把一辆过了技术门槛的车放大成一万辆车队，会产生新的调度、远程协助、维护、合规和成本问题。
这个拆分把“技术上能跑”与“可规模交付”分开。自动驾驶公司可能已经证明一辆车在限定区域里能够无人运行，却还没有证明一整套服务能以用户愿意付费的价格持续运转。
四、FSD 的真实体验：V12 很厉害，但不是 L4
主持人请孟醒讲亲自试驾体验。她比较过 V11.3.6、V12.3、V12.4，并参考了 V12.5 的公开接管数据。她对 V12 的判断很具体：从技术角度看，V12 换了全新架构，却没有比上一代明显退步，甚至略有提升，这本身非常了不起；从用户体验看，V12 的早期版本并没有神奇地拉开十倍差距。
V12.3 的特点是“知道场景存在”：遇到复杂场景时不会完全按照一套僵硬规则假装没看到，而会做出反应。但它在高峰期匝道汇入高速等场景中仍可能反复失败。相反，它有时又会在用户不预期的场景里启动，例如非常复杂的停车场或篮球场附近。它可能找到一条出路，也可能犯很愚蠢的错误，比如 GPS 信号缺失后找不到停车场终点，持续开而不停车。
V12.4 据官方说法相对 V12.3 提升了 5 到 10 倍，V12.5 又相对 V12.4 提升 5 到 10 倍。孟醒用 V12.4 作为斜率观测点，却没有感受到十倍提升，甚至遇到过转弯摆动等让她失望的接管。对于 V12.5，她当时没有亲自体验，只参考公开网站上大约每 300 到 500 英里或公里一次接管的说法。即便把这个数字当作近似，它与 Waymo 在旧金山城市道路约十万公里一次关键接管、凤凰城更高量级的说法仍相差约三个数量级。她的结论是：FSD 在辅助驾驶同行中是翘楚，但短期不能和纯无人驾驶放在同一水平上。
五、为什么 L2 和 L4 不能共用一张成绩单：目标不同，安全结构也不同
主持人用“大学生看小学生”来比喻 FSD 和 L4 的差距，孟醒马上修正：这个比喻只在大家参加同一场考试时成立，FSD 和 L4 实际上不是同一个考试。L2 的目标是让人在车里与系统共驾，获得更好的驾驶体验；L4 的目标是去掉驾驶员，提供更低成本的出行服务。
L2 的安全来自两个能力的组合：车尽量开得好，人负责在系统失效时兜底。L4 则必须假设车里没有一个随时可以接管的人，一旦系统失效，责任不能再简单推给乘客。也就是说，L2 可以把“人类注意力和接管”纳入安全设计，L4 必须把它排除在安全假设之外。
她进一步解释“接管率越低越好”并不总对。L2 的自动化程度提高后，人会越来越不集中注意力。如果三段高速都没有接管，人很可能不会继续保持双手、双脚和眼睛随时准备；于是自动驾驶能力虽然提高，人作为兜底的能力反而下降。L2 存在一个尚未被行业完全确定的最优接管区间，可能不是最高接管里程就最好。只有当系统能力接近非常高的水平，接管越少才更接近单调的好处。
L4 的安全逻辑不同：先设定一条必须越过的安全红线，没越过就只能算测试；越过之后，再提升平顺性、成本和体验。L2 则更像 2C 产品，可以在“有它比没它强”的情况下渐进上线，让大量用户参与测试。孟醒认为，Tesla 的 FSD 正是通过更低硬件成本、更广用户覆盖和更快迭代，把用户作为大规模测试网络；代价是用户承担了一部分没有被明说的安全员责任。
六、L2、L3、L4 的数字标签为什么会造成误解
主持人和孟醒把 L1 到 L5 的标准重新解释了一遍。它表面上像能力等级，背后其实同时说了人的参与程度和事故责任。L2 通常要求人手扶方向盘、眼睛关注道路；L3 可能允许手暂时离开，但仍要求注意并准备接管，不同国家定义略有差异；L4 在限定环境内不需要人参与，事故责任更多转给系统或平台；L5 则意味着任何地方都能完全自动运行。
问题在于车企常常把“我具备某种能力”和“我以某种责任形式销售”混在一起。一个系统可能在技术能力上具备更高等级的某些表现，却仍以 L2 产品和法规责任交付。用户以为自己买的是自动驾驶，法律上却仍然是安全测试员：既要付钱享受产品，又要长时间保持精神紧张，出现问题时负责兜底。
这也解释了为什么 L2 用户体验可以没有统一红线：只要比没有辅助驾驶更好，愿意尝试的用户可能接受偶尔惊吓；但 L4 如果没有过最低安全线，就不应该作为正式服务上线。把两个产品都叫自动驾驶，会掩盖这个本质差异。
七、端到端改变了什么：从像素直接到控制信号
传统自动驾驶通常把系统拆成地图、定位、感知、预测、规划和控制。摄像头看到物体后，系统先识别车辆、行人和红绿灯，再预测它们会怎样运动，接着规划轨迹，最后输出方向盘和刹车指令。模块化的好处是工程师容易单独理解和优化每一步。
端到端的直觉则是：从视觉输入直接输出加速度、减速度、转向和轨迹，中间不再强制生成一套人类可读的三维物体框、预测路线和规则列表。孟醒用蜻蜓捕捉苍蝇来比喻：昆虫不需要显式计算“识别苍蝇—预测轨迹—规划舌头长度—控制动作”，它可能通过一个紧凑的神经回路直接把视觉变成动作。
V12 中一些看似违反规则、却可能符合真实驾驶情境的行为，被孟醒视为端到端的信号。例如红灯持续异常时跟随其他车辆通过，或在工厂门口改变后压黄线通过。这里不等于说闯红灯和压黄线都正确，而是说明系统可能从人类驾驶数据中学到了“规则背后的例外情境”，不再只执行写死的规则。这带来更强的泛化可能，也带来更难解释和验证的风险。
八、BEV、Transformer 到端到端：中间的“可解释断点”怎样被消除
孟醒把技术演进分成几个阶段。早期系统按感知、预测、规划控制拆开；BEV 加 Transformer 改善了多传感器融合和时序跟踪，感知与预测逐渐合并。很多公司把某个模块内部的端到端称为端到端，但如果模块之间仍然输出人类可观察、计算机不可导的三维框和轨迹，中间就存在断点：前一模块和后一模块只能各自优化，不能对整个链路做连续反向优化。
真正的端到端，是把这个中间断点进一步拿掉，让视觉输入和控制输出处于一个可整体训练的回路。孟醒认为 Tesla V12 至少在公开行为和架构宣称上走到了这一阶段。判断一套系统是不是纯端到端，不能只听宣传词，还要观察它是否出现了难以用规则解释、却在真实数据中可能合理的行为；不过国内车企通常会保留更多规则和安全兜底，所以仅靠一个闯红灯案例很难判定其内部结构。
她还提醒，端到端、VLM、大语言模型和“神经网络”这些词有时会被包装得很花。一个输出轨迹的视觉语言系统，从某个角度也可以算端到端；关键不是名字，而是各模块如何组合、谁承担控制延迟、哪些规则可以覆盖失效场景。
九、为什么 Tesla 选择摄像头：不是“视觉永远正确”，而是数据与成本的选择
主持人问 Tesla 为什么不用激光雷达，甚至把毫米波雷达也拿掉。孟醒先讲历史成本：早期激光雷达昂贵，量产后成本已显著下降，所以今天不能只用价格解释传感器选择。Tesla 的公开逻辑是，视觉和激光雷达信息不一致时需要额外判断，增加噪声和延迟；它宁愿把视觉系统训练到足够强。
视觉的优势是信息密度高，有颜色、纹理和时间序列，且摄像头容易部署在大量车辆上。激光雷达能直接测量距离，毫米波雷达在雨雪和部分遮挡情况下有优势；视觉则在夜间、近距离、雨雪、人与车门贴合等场景存在明显弱点。安全优先时，多传感器的净增益可能为正，但每增加一个传感器，都要付出成本、融合复杂度和训练数据一致性的代价。
数据是 Tesla 纯视觉路线的重要理由。如果所有车辆都配相同摄像头，车队中的每一辆车都能持续提供同类数据；激光雷达通常只装在少量高配车型上，采回的数据量和分布可能不均。行车记录仪和公共视频数据也大多是视觉数据。孟醒并没有断言 Tesla 永远不会加激光雷达，只认为如果纯视觉的安全性继续线性提高，就未必需要一个成本更高的“作弊器”。这个比喻描述的是目标差异：如果只需及格，可能不必花钱作弊；如果每个场景都必须达到极高分，额外传感器可能值得。
十、Tesla 的组织和数据闭环：少人、快迭代、把用户变成测试网络
节目提到当时 FSD 团队约 300 人出头，孟醒把“小团队”解释为一种组织选择：扁平、少官僚、老板意图可以直接传到执行层，同时接受产品不完美，用快速发布和迭代获取真实数据。她把这和早期 Facebook 的“快速 ship、允许破坏、再迭代”风格作类比。
这套模式的优势是迭代速度。Tesla 可能把一个版本推给上百万车主，真实道路立即产生大量数据，而传统自动驾驶公司需要经历仿真、内测、封闭测试和小规模公测。代价是安全风险、不可解释事故和用户隐性承担责任。孟醒并不把它简单评价为好或坏，而是提醒：把用户纳入测试网络，会改变产品迭代和责任分配。
从技术落地看，真正难的也不只是人才。车企或供应商需要有大量车辆采数据，获得用户和车企授权，把数据拉回，清洗和标注，拥有训练集群，处理数据安全和跨境合规，再把模型部署到具体硬件上，最后还要打磨用户体验。她用“garbage in, garbage out”强调，数据处理能力可能比模型名字更决定结果。
十一、投入规模和中国跟进：方向正确不等于可以无限烧钱
节目估算，如果要做到接近 Tesla FSD 的规模，最贵的部分可能是训练基础设施、数据中心和数据采集，而非几百名核心人员。谈话中提到一万张 H100、几千张到一万张的早期训练规模，以及从一亿多美元到十几亿、几十亿美元的累计投入区间；同时提到 Tesla 继续扩张训练卡并建设 Dojo。所有这些数字都应看作嘉宾的节目时点估算，而非 Tesla 的财务披露。
孟醒认为复刻 Tesla 的合理投入可能低于 Tesla，因为后来者可以少走一些弯路；但如果要一直跑在世界前列，仍然会花很多“看不见回报”的钱。她最担心的不是投入本身，而是没有里程碑：一旦把端到端当成必然正确的方向，就可能不断追加预算，却不知道每一阶段到底证明了什么。
她给出两个验收标准：第一，替换旧系统不能让安全地板不可控地下降；第二，端到端带来的天花板提升必须有证据，说明原方案解决不了的问题，它确实更可能解决。L2 因为人可以兜底，适合渐进试错；L4 一旦移除人的兜底，就必须更加谨慎。
十二、中国车企的路线和落地障碍：会跟进，但不会完全照抄
节目提到蔚小理、华为、Momenta 等基本都在做端到端的组织和人员调整。孟醒认为大家的大方向相似，但特斯拉已经证明了路线并且继续向前迭代，国内多数团队仍在验证“能不能跑通”。国内团队规模通常更大，也更可能保留规则兜底，不会把所有失败直接丢给用户。
中国道路场景尤其是低速城市环境比美国复杂，端到端可能不是锦上添花，而是达到可用性的一种必要尝试。与此同时，模型的代际差距不能只按发布时间衡量，因为 Tesla 不会停在原地。国内团队即使晚一两年上线，也可能面对一个已经迭代到下一阶段的竞争者。
当主持人问小鹏的“神经网络、规控大模型、大语言模型”和理想的“端到端、视觉语言模型、深层验证系统”有什么区别，孟醒没有替公开宣传下结论。她认为这些组件从高层描述上很难判断真正的权重和接口，真正的分叉要等上线后的统计表现。系统二或大语言模型如果在车端运行，可能带来近一秒延迟；高速一秒已经对应几十米运动距离，这种延迟、算力和芯片约束必须放到具体实践里评估。
十三、FSD 进入中国：监管只是第一道门，数据和本地闭环更慢
节目最后把讨论拉到中国落地。FSD 在北美以外表现不一定相同，原因不只是法规许可，还包括数据安全和本地训练。车辆采集的本地数据可能需要留在本地，至少要做本地微调或服务集群；要先收集足够多的本地场景，再把数据清洗、合规、训练和部署闭环跑通。
孟醒估计，中国落地可能不需要重新训练全部模型，但仍可能需要几千张级别的计算资源用于微调和服务。直接把北美现成模型推过来、只做少量兜底，可能把产品体验和品牌砸掉；因此特斯拉面临的不是简单的“能不能进”，而是以什么节奏、在什么数据和责任条件下进入。
她最后又降低了市场冲击预期：即使 FSD 在北美，购买后真正开通的人也只是个位数比例，辅助驾驶可能还不是买车的前三大因素。消费者在门店一分钟到五分钟能看到、摸到、听到和体验到的东西，往往比一个需要长期使用才感受到的自动驾驶能力更影响购买。节目由此结束：技术重要，不等于它已经成为最强的消费决策变量。