一颗车规激光雷达，哪怕连年降价，仍是几百到几千元的成本，一辆车若装多颗更贵，而一颗普通车载摄像头只要几十到一两百元，二者在 物料清单 上差着整整 一个数量级 。 这笔钱乘以一年上百万辆的销量，就是 几十亿元 的总成本差，足以直接影响一台车的定价空间和产品毛利。 不急着判定谁先进谁落后，只算一笔账：特斯拉坚持不用激光雷达，到底是抠门，还是算了另一笔你没算过的规模账。 智能驾驶的技术路线上，全球车企大致分成两派，这桩公案已经争了好几年，至今没有定论。 一派以特斯拉为代表，坚持以摄像头为主的 纯视觉方案 ，配合人工智能算法和算力实现辅助驾驶，车上不搭激光雷达。 马斯克多次公开质疑激光雷达路线，认为人靠两只眼就能开车，足够多的摄像头加足够强的算法也可以，而且更省成本、更易扩展——这是他个人一贯的观点，从几年前讲到今天，立场没有变过。 另一派是多数中国车企和部分海外厂商走的 多传感器融合路线 ，摄像头、毫米波雷达、激光雷达一起上车，形成多重感知冗余。 不少新车普遍搭载一颗甚至多颗激光雷达，有的车型把雷达藏在车顶，有的嵌在前保险杠里，硬件配置表上写得明明白白。 要把两派的分歧算成账，头一个绕不开的变量，就是激光雷达这颗硬件到底值多少钱，它构成了两条路线最直观的成本差。 车规级激光雷达即便经过几轮国产降价，单颗仍是数百到数千元量级，精度和线数越高价格越贵；全车多颗配置成本更高，一套多雷达方案的感知硬件投入可以到万元级别。 而摄像头则极其便宜，一颗车规模组不过几十到一两百元，全车环视加前视也就几百元的物料。 二者在物料清单上的价差，就是这场路线之争最实在的金钱起点。 沿着这笔硬件差，先算纯视觉这本账，看看省下的钱如何滚成一套更大的成本逻辑。 纯视觉这本账的头一项，是把 单车物料成本 压到最低。 摄像头单价远低于激光雷达，全车少装几颗雷达，每台车直接省下几千元量级的硬件开支。这个数字单车看不扎眼，放到批量里就是质变。 这笔节省乘以规模化销量极为可观。按百万辆年销量估算，每车省几千元，汇总就是数十亿元的总成本优势。 这部分要么转化为更有侵略性的定价——同级别车型比别人便宜一两万，消费者看得见的实惠；要么沉淀为更高的毛利——在价格战白热化的市场上，多出来的毛利就是活下去的弹药。无论走哪个方向，都是真金白银的竞争筹码。 第二项成本优势在数据侧。纯视觉的硬件高度统一，全系车型都是一套摄像头方案，不分高低配、不加选装包，这意味着所有车辆回传的数据格式一致、口径统一，不需要针对不同硬件配置做额外适配。 庞大的车队跑在真实道路上，能以极低的边际成本回传海量真实路况，用来训练 端到端 的驾驶模型。 它的底层逻辑是对人类驾驶的模拟：人靠两只眼睛加一个大脑就能开车，那么足够多的摄像头加足够强的人工智能，理论上也能逼近甚至超过人的感知判断。 这条路一旦走通，感知能力的提升主要靠算法和数据，而不是堆硬件。 第三项是可扩展性。硬件越简单、零部件越少，整车的装配、维护和迭代成本越低，也更容易在不同价位车型上快速复制同一套方案。 从二三十万的车到十几万的车，摄像头方案几乎可以原封不动搬过去，而激光雷达方案在不同价位车型上的适配和标定，是额外的一笔工程开销。 把省硬件和便宜的数据合在一起，就形成了一个会自我强化的循环，这个循环正是纯视觉账本里最关键的飞轮。 纯视觉的飞轮可以拆成四环，我们一环环说清它为什么被信奉者认为能越滚越快。 头一环是硬件简单带来低价。少装昂贵雷达，整车成本和售价更有竞争力，同等价位能吸引更多消费者。 在十五到二十五万这个主力价格带，每一千块的价差都可能影响消费者的最终选择，纯视觉方案在定价上天然多出一层腾挪空间。 第二环是低价和爆款带来庞大装车量。路上跑的车越多，回传的真实驾驶数据就越多，覆盖的路口、天气、突发场景就越全。 特斯拉在全球拥有 数百万辆级 的车队规模，每天产生的行驶里程是天文数字，这些数据源源不断地汇入训练集群，成为算法迭代最核心的燃料。 第三环是海量数据反哺算法。训练样本越大、场景越丰富，模型识别和决策能力迭代得越快，辅助驾驶体验随之变好。 一个在北方冰雪城市、南方暴雨路段、西部强逆光高原都跑过几万公里的模型，和一个只在少数场景训练过的模型，处理能力完全不在一个量级。 端到端架构下，数据规模和模型能力几乎是 线性正相关 的。 第四环是更好的体验又拉动更多销量。销量再带来更多数据，于是硬件越简单、装车越多、数据越便宜、算法越强，形成正向循环。 后来者即使想追，也很难在短时间内补齐如此庞大的数据里程。这道壁垒不是靠砸钱就能速成的，它需要时间和真实行驶里程去堆，而时间正是竞争中最稀缺的资源。 这套飞轮在商业上极有想象力，也是纯视觉路线最硬的底气。 不过账本从来要两头算，融合派愿意多花一份雷达钱，买到的是纯视觉给不了的另一种东西，这就要翻开第二本