最近，一段特斯拉车主使用 FSD 通过中国挂壁公路的视频，被马斯克转发后，引发了很多讨论。
这段视频之所以有传播性，不只是因为马斯克转发了它，更因为这个场景本身很有代表性。
挂壁公路不是标准高速，也不是规整的城市快速路。它道路狭窄、弯道密集，一侧靠山、一侧临崖，道路边界也未必十分清晰。对人类司机来说，这种路都需要高度集中注意力。
所以很多人看到视频后的第一反应是：
特斯拉没有激光雷达，为什么还能在这种路上开得这么自然？
过去几年，国内很多高阶智驾方案都强调激光雷达、毫米波雷达、摄像头、高精地图和多传感器融合。相比之下，特斯拉一直坚持主要依靠摄像头的纯视觉方案。
但这篇文章不想简单讨论“纯视觉赢了”还是“激光雷达输了”。
真正值得思考的是：
特斯拉为什么敢长期押注纯视觉？它背后的算法逻辑和系统能力到底是什么？
先划清一个边界：这里讨论的 FSD，仍然是需要驾驶员监督的辅助驾驶系统，不等于无人驾驶。视频能说明体验进步，但不能单独证明系统已达到无人驾驶水平。
一、挂壁公路真正考验的，不是“识别车道线”
很多人理解自动驾驶，容易把它拆成几个动作：
能不能识别车道线，能不能跟车，能不能转弯，能不能避障。
但挂壁公路这类场景，考验的不是某一个单点能力，而是系统对整个空间关系的理解。
它要判断道路边界、车身余量、临崖风险、弯道曲率，以及对向来车是否会占用本车空间。
更关键的是，即使没有清晰车道线，车辆也应该知道：
这条路大概应该怎么走。
所以，这已经不是传统意义上的“白线识别”问题了。
真正让用户觉得“开得像人”的，不是系统机械地识别一条线，而是它能够理解周围空间，并给出连贯、平顺、有安全感的动作。
这也是这段视频引发关注的原因：它让大家直观感受到，纯视觉已经不只是概念，而是在复杂真实道路中表现出了较强实用性。
二、激光雷达不是错，特斯拉只是选择了另一条更难的路
在讨论特斯拉之前，必须先说一句公道话：
国内很多厂商选择激光雷达，并不是因为路线落后，而是因为这是一条更稳妥的工程路径。
原因很简单。
摄像头看到的是二维图像，激光雷达给的是三维点云。对自动驾驶系统来说，距离和空间结构信息非常重要，而激光雷达可以更直接地提供这类信息。
尤其在自动驾驶早期，如果一家车企没有足够大的真实道路数据，没有成熟的视觉算法体系，也没有长期训练出来的大模型能力，那么增加激光雷达，就是一种很自然的工程选择。
它可以帮助系统更快判断障碍物距离、道路边缘和前方空间是否可通过。
所以，激光雷达更像是一种“工程加速器”。
但特斯拉选择了另一条更难的路。
它没有把主要精力放在不断增加传感器上，而是把更大的压力放在算法、数据、训练算力和软件迭代上。
换句话说：
激光雷达路线，是用更多传感器增强确定性；
特斯拉纯视觉路线，是用更强的算法和数据能力，让摄像头承担更多理解世界的任务。
这也是特斯拉最值得研究的地方。
三、纯视觉为什么现在变强了？关键不是摄像头，而是从“二维识别”走向“三维世界建模”
很多人理解纯视觉时，容易把它想得太简单：
不就是几个摄像头看路吗？
但这并不是特斯拉纯视觉路线真正的核心。
摄像头只是输入端。真正决定系统能力的，是后面的算法如何把这些二维图像，转换成车辆可以用于驾驶决策的三维世界模型。
自动驾驶系统真正需要的，不是一张张图片，而是一个不断更新的空间判断：前车离我多远，旁边车辆是否要并线，道路边界在哪里，前方弯道应不应该减速，哪块空间能走，哪块空间不能走。
所以，纯视觉路线的难点从来不是“能不能看见”，而是：
能不能从图像中恢复空间关系，并进一步预测这个空间接下来会发生什么。
如果用三个关键词概括这条技术链路，可以理解为：
多摄像头空间融合与深度估计、BEV 鸟瞰视角表征、Occupancy 空间占用网络。
这三个词听起来比较技术化，但它们其实是在回答同一个问题：
摄像头看到的是二维图像，车辆真正需要的是一个可以用来规划和控制的三维动态世界。
1）多摄像头空间融合与深度估计：先把“几张图”变成“一个空间”
特斯拉车辆前后左右都有摄像头，每个摄像头看到的都是不同角度的二维画面。
如果只是把这些画面拼在一起，系统仍然只是“看见了很多图”。
真正有价值的是，算法要把不同摄像头的信息统一到车辆自身的坐标系中，知道前方目标在哪里、侧方车辆在哪里、道路边缘在哪里、障碍物和车身之间的相对位置是什么。
更难的是，摄像头不像激光雷达那样直接给出距离。系统还要结合相机标定、车辆运动、连续帧变化，估计深度和空间关系。
这就是纯视觉的第一道门槛：
从二维图像里恢复三维空间。
它虽然少了激光雷达提供的直接距离信息，但算法必须承担更多任务：判断距离、还原空间、理解相对位置，并且要在车端实时完成。
2）BEV：让车从“看画面”变成“看地图”
行业里常说的 BEV，也就是 Bird’s-Eye View，鸟瞰视角。
它的价值不在于名词本身，而在于它改变了自动驾驶系统理解世界的方式。
摄像头看到的是前视、后视、侧视画面，但车辆做决策时，真正需要的是一种“上帝视角”的空间图：我在哪里，其他车在哪里，道路边界在哪里，可行驶区域在哪里。
BEV 的作用，就是把多个摄像头看到的图像，转换成车辆周围的一张统一空间地图。
这对挂壁公路这种场景尤其重要。
因为这种路往往没有非常标准的车道线，路边界也不一定规整。车辆真正要判断的，不是“有没有一条白线”，而是：
我的车身在这条窄路里还有多少余量？前方弯道的可通行空间在哪里？
所以，BEV 让车辆从“看几张画面”，升级为“在统一坐标系里理解道路”。
3）Occupancy：不只是识别“这是什么”，更要判断“这里能不能走”
传统视觉感知很依赖分类：这是车、这是人、这是护栏、这是锥桶。
但真实道路并不会总是按训练标签出现。路上可能有石块、掉落物、临时围挡、山体凸起、非标准障碍物，很多东西并不好归类，甚至模型以前没有见过。
这时候，如果系统只会问“它是什么”，就会受到限制。
更接近驾驶本质的问题应该是：
这块空间有没有被占据？我的车能不能通过？
这就是 Occupancy 的价值。
它不是急着给每个物体命名，而是先判断车辆周围空间的占用状态：哪里是空的，哪里被占据，哪里存在风险，哪里可以作为行驶路径。
从这个角度看，Occupancy 更像是自动驾驶系统的“空间直觉”。
挂壁公路这种场景，恰恰最能体现这一点。车辆真正要理解的，不是“这是一块山体”还是“这是一条边线”，而是：
这片空间是否可通行，车辆经过时是否安全。
4）时间维度：自动驾驶不是看照片，而是理解连续变化
还有一个容易被忽略的问题：驾驶不是静态问题，而是动态问题。
看一张照片，只能知道某辆车现在在哪里；连续看几秒，才能判断它是不是要变道、是不是在减速、是不是准备抢行。
所以自动驾驶系统不能只看当前帧，而要理解连续时间里的变化。
它要判断前车是不是突然变慢，旁边车辆是不是在向我靠近，对向来车会不会占用我的空间，弯道后方的道路走势又在如何变化。
如果说 BEV 解决的是“空间在哪里”，Occupancy 解决的是“空间能不能走”，那么时序融合解决的就是：
这个空间接下来会怎么变化。
把这几层连起来，就能更准确地理解特斯拉纯视觉方案。
它不是简单依赖摄像头“看图开车”，而是通过算法完成一条复杂链路：
二维图像输入 → 多摄像头空间融合与深度估计 → BEV 鸟瞰视角表征 → Occupancy 空间占用判断 → 时序预测 → 驾驶决策。
这才是纯视觉路线真正的技术含义。
所以，特斯拉纯视觉的核心并不是“没有激光雷达”，而是它试图用摄像头和神经网络，建立一套可持续训练、可持续进化的世界模型。
这也是为什么用户会感觉新一代 FSD 的动作更自然：它不是只在识别一个个物体，而是在理解道路结构、空间余量、运动趋势和可行驶区域。
四、特斯拉真正的护城河：不是少装了什么，而是建立了完整闭环
讲到这里，其实就能明白，特斯拉的真正优势，并不只是算法本身，而是算法背后的整套闭环。
第一，是车队数据。
自动驾驶最难的不是正常道路，而是各种长尾场景：临时施工、道路标线消失、窄路会车、复杂路口、山路急弯、非机动车乱入。
这样的场景靠工程师在办公室里想，是想不完的，必须靠大量车辆在真实道路上不断遇到、记录、筛选、训练，再反馈回模型中。
第二，是训练算力和模型迭代能力。
纯视觉不是低成本方案。它只是把成本从看得见的传感器硬件，转移到了看不见的数据中心、训练体系、模型架构和车端部署优化上。
第三，是OTA 闭环。
车辆在真实道路上运行，系统发现复杂场景，数据进入训练体系，模型更新，再通过 OTA 回到车辆。
这个循环一旦跑起来，优势会越来越明显。
也正因为如此，其他厂商并不能简单照抄特斯拉。
纯视觉看起来像是“少装硬件”，实际上考验的是数据能力、AI 能力、软件能力、芯片能力、整车工程能力和组织协同能力。
没有这些底层能力，强行走纯视觉，可能不是先进，而是冒险。
最后还是要回到理性判断：特斯拉让大家看到了纯视觉路线的上限，但这不代表激光雷达没有价值，也不代表纯视觉已经解决所有问题。
激光雷达在 Robotaxi、高安全冗余、低能见度场景和研发早期，仍然有它的重要意义。
所以，特斯拉真正证明的不是“激光雷达没用”，而是：
当车队数据、模型能力、训练算力、软件 OTA 和整车工程形成闭环之后，纯视觉路线可以被推进到非常高的实用水平。
这也是这段挂壁公路视频真正值得讨论的地方。
它不是一个简单的炫技视频，而是让我们看到：
自动驾驶的竞争，已经从传感器堆料，进入到数据、模型、算力、软件和工程闭环的系统竞争。
