通往自动驾驶出租车的两条道路

在 CES 展会和奥斯汀街头：两种截然不同的蓝图

1 月初，在拉斯维加斯举行的消费电子展（CES）上，Nvidia 发布了 Alpamayo——这是一个开放的大型视觉-语言-动作模型系列及配套模拟工具，旨在教导汽车对异常交通场景进行“推理”。该公司将这项技术描述为其所谓的“具身智能”（physical AI）的阶段性突破，并宣传该方法是一个可教导的模块化平台，车企可以将其接入自己的车辆中。

半年前，在德克萨斯州奥斯汀，Tesla 开始低调地允许一小支经过改装的 Model Y 车队搭载受邀乘客，作为其 Robotaxi 试点项目的一部分，这直观展示了该公司对仅限摄像头、基于车队训练的驾驶软件长达数十年的押注。这一部署——最初受到限制且受到监控——展示了一条截然不同的路径：Tesla 在其制造的车辆中搭载软件，并利用这些车辆积累现实世界的驾驶经验。

平台与产品：工程哲学的分歧

Nvidia 的公开宣传以平台优先。它销售芯片、中间件、传感器套件和运行环境（DRIVE Hyperion 和 DRIVE AGX/Thor）。在 1 月份，该公司强调了第三方安全评估以及一个车企合作伙伴生态系统，这些合作伙伴可以采用该技术栈的部分组件，而不是从零开始重建。这种模式让传统车企和造车新势力能够通过外包算力和软件来加速发展，同时保持选择传感器和车辆架构的自由。

训练算力：云集群、开放模型与 Dojo 的命运

直到最近，Tesla 一直在通过 Dojo 追求定制化的训练路径——这是一个内部超级计算机项目，被誉为全自动驾驶（Full Self‑Driving）研究以及最终人形机器人的支柱。2025 年，Tesla 调整了部分算力战略，自 2025 年年中的报道描述称，随着公司转向其他芯片和集群计划，Dojo 项目正在逐步缩减。这一变化说明了一个核心矛盾：私下构建世界级的训练超级计算机既昂贵又缓慢，而购买或联合租赁尖端的加速器可以更快地实现规模化，但也会让渡部分控制权。

Nvidia 的赌注则不同：提供高性能算力（其 GPU 和 DRIVE SoC）以及一种开放的“教师-学生”工作流，在这种流中，像 Alpamayo 这样的大型推理模型可以被提取为在车内运行的小型运行时网络。该公司还发布了一套模拟工具和开放数据集，旨在让许多参与者无需重建每一件基础设施即可进行训练、测试和验证。这种方法降低了传统车企部署高级驾驶辅助系统以及最终更高自动驾驶级别的门槛。

传感器与长尾问题

这两家公司在传感器上也存在分歧。Nvidia 的 Hyperion 参考设计明确支持多模态传感器套件——摄像头、雷达以及越来越多的激光雷达（lidar）——该公司在 CES 上以及关于 DRIVE Hyperion 平台的公告中强调了与激光雷达供应商的合作伙伴关系。Nvidia 认为，更丰富的传感器融合有助于系统感知深度，并在低能见度或极端场景（edge-case）下检测危险。

Tesla 则在坚持摄像头优先的策略，认为人类驾驶员仅依靠视觉，而经过良好训练的神经网络可以从视频中提取深度和运动信息。其优势在于更低的硬件成本和更简单的集成，加上来自 Tesla 车队的大量在役视频，可以不断改进模型。而监管机构和安全专家反复提出的缺点是，对于罕见事件的不确定性，以及纯视觉系统在异常情况下是否能像多模态技术栈那样具备良好的泛化能力。

监管、事故与公众信任

运行安全和公众监督是这两种战略的严峻考验。Tesla 的 FSD 和 Autopilot 系统一直是多项监管调查的对象，并有持续提交给美国安全监管机构的事故报告数据集。2025 年，在收到闯红灯和变道事故报告后，美国国家公路交通安全管理局（NHTSA）对数百万辆汽车发起了初步评估，这突显了早期采用者部署所面临的法律风险和政治审查。

Nvidia 强调了第三方安全评估，包括与知名汽车安全机构的合作，将其作为更清晰地映射到车企所依赖的现有监管框架的一整套方案的一部分。该公司的宣传——经过认证的组件、开放数据集以及来自 Alpamayo 的可解释推理追踪——明确旨在帮助原始设备制造商（OEM）在扩展自动驾驶功能时满足安全和审计要求。

市场动态与规模化之路

从战略上讲，Nvidia 和 Tesla 都在追求重叠的终极目标——大型自动驾驶车队和 Robotaxi 服务——但具有不同的风险/回报特征。Nvidia 面向庞大的车企市场销售，这些车企可能更倾向于可以集成到现有生产线中的模块化、经过验证的平台；这开启了许多收入路径，而无需像造车或运营车队那样投入大量资本。市场对 Nvidia 在 CES 发布会的早期反应包括激光雷达和传感器公司的供应商股票大幅波动，反映出投资者相信多供应商、平台化的方法会加速生态系统的增长。

如果其垂直整合战略取得成功，Tesla 的优势在于拥有一种独特的端到端产品：一辆车、一个经过数十亿英里真实路况训练的运行大脑，以及将这些车辆转化为 Robotaxi 并从中获利的服务。但这种模式将运营、监管和声誉风险集中于一处——而 Tesla 最近对定制算力努力的重组也凸显了这条路径是多么昂贵且脆弱。

融合、竞争与未来展望

尽管这两家公司存在分歧，但它们的路径可能会走向融合。Nvidia 开放的“教师-学生”路径使得车企（理论上甚至包括 Tesla）更容易采用基于推理的模型；Tesla 庞大的车队继续保持着端到端学习的数据优势。两家阵营的评判标准不仅在于其模型和芯片的先进程度，还在于现实世界的安全性、处理极端情况的透明指标，以及监管机构对无监督运行认证的意愿。

对于消费者和城市来说，短期内情况会显得有些混乱：混合车队、不同司法管辖区交织的监管，以及带有监控和地理围栏的逐步服务推广。对于投资者和技术人员来说，问题在于行业是向让自动驾驶普及的模块化平台倾斜，还是向少数掌握整个技术栈的垂直整合赢家倾斜。无论如何，Robotaxi 的竞赛现在看起来像是一场多赛道的角逐：一条赛道上挤满了数百万辆收集数据的消费级汽车，另一条赛道则是承诺更快验证和更广泛采用的标准平台与开放模型。

来源

• NVIDIA 新闻材料（Alpamayo、DRIVE Hyperion 和 DRIVE AGX 公告）
• 美国国家公路交通安全管理局（关于高级驾驶辅助系统的初步评估和调查文件）
• 供应商材料中引用的 TÜV SÜD 和独立汽车安全评估报告
• Tesla 关于 FSD、Robotaxi 试点和算力战略的公开声明和公司公告