为什么纯视觉是自动驾驶的最终路线？ 可能出乎很多人的意料，我认为第一原因是：「便宜！」 摄像头这东西，有太多太多产业可以分担成本了——手机、电脑、监控......全人类几乎所有行业或多或少都会用到CMOS，这个成本分摊率是无敌的。 传音卖到非洲，让黑叔叔们露出大白牙自拍的山寨机，都在间接帮蔚来 ES8 的自动驾驶摊平成本。 规格再高的车用 CMOS 摄像头，都必然在巨量需求下短时间内大规模降本并普及，汽车上任何传感器都不具备这种绝对成本优势。 然后，才是大家说的：“因为人用眼睛，所以自动驾驶也应该是图像”。 这里的底层逻辑，就是单位时间的数据量。 目前最好的毫米波雷达，是 4D 成像的，这玩意扫描能力大幅提升，已经可以形成「点云」，就是跟云朵一样的探测点。 多少个呢？——几万个。 激光雷达为啥就是比毫米波「高档」？——因为它们天然就能形成点云，牛逼的型号可以到几十万。 但是 CMOS 呢？ 是个人都知道看纸面参数，蔚来、理想的 ADAS 摄像头，是 800 万像素。 800 万！ 而且再考虑到传感器的刷新率，CMOS 摄像头可以轻松做到 60Hz，每秒给到 60 张图；毫米波和激光雷达能到 25Hz 都不得了。 所以视觉的数据量是无敌的。 为什么大家用 Lidar 和毫米波？因为关键的前车距离等参数，还是得靠这些能直接拿到“深度信息”的传感器。 但是图像、视频就没有嘛？当然有啊，不然你开车的时候怎么判断前车距离的。 只不过，人类的 AI 算法还太弱，没法准确的从视频里面，“高效取出”深度信息等关键参数。 所以我们才需要大模型，暴力拉升处理能力。 一旦大模型能力突破瓶颈，配合像素等参数更高的 CMOS 摄像头，超高数据量+超高 AI 能力+超高硬件算力......才能达成自动驾驶这个伟大成就。 其他任何传感器都无法给到超高数据量。