摘录几篇文章里关于特斯拉端到端自动驾驶竞争门槛的看法：
1，路咖社的文章，段落标题是 “V12适合其他品牌吗？”
其实早在特斯拉宣布FSD V12变为端到端技术路线之前，类似的概念，已经被提及过了。原因是端到端的方案，相比其之前的各个层面模块化的组合，不需要海量的代码来设计行驶规则。只要不断输入人类的驾驶车辆数据，系统自己学习就可以。
但是，看似简单的入门条件，其实对数据要求非常高。
虽然不用海量代码，但需要输入质量相当高的驾驶数据，才能更好的帮助系统学习。在去年年初，特斯拉已经向这套神经中枢系统里输入了1000万个人类驾驶视频，而这些视频数据都是经过筛选的，而且都采集于那些驾驶技术不错的驾驶员。
对于海量的数据、数据标注、算力来说，都是非常大的挑战，这条路能走通的话也不适用于小型企业，需要投入非常庞大的人力。另外一个核心问题，端到端的技术没大规模普及开来，是自动驾驶系统的不可解释性。
例如在模型训练当中，出现不好的驾驶习惯或者测试时出现系统处理不好的路况下，没人能解释清楚问题的根本原因。现在特斯拉的解决方案，只能是针对性的多喂同类的数据，例如之前测试中路口停止标识之前是车辆停止的距离路口过远，就多投喂这类数据来进行学习。
从而诞生了一个新的问题，系统的学习是好的、坏的驾驶习惯都会学习，可能会学到不符合规则的驾驶行为。这目前还是一个有待干预或者规范的问题，应该是从学习数据上着手干预；但培养一个模型的学习能力，应该是按月或按年来算，这点应该很好避免。
总之，特斯拉FSD V12的面世对于自动驾驶来说确实意义重大，尤其是纯视觉感知方案。但是特斯拉的作业其实并不好抄，门槛低但技术壁垒极高，尤其是隐性成本。我们看到的显性成本是传感器、芯片便宜，但拿掉激光雷达之后，算法、路测、大量数据收集与标注、云计算、仿真训练等，这些都是成本投入的入口，算下来可能并不比激光雷达省钱。
现阶段FSD V12版本做到的效果，并不是一两年内达成的，而是长达十多年左右的研发与训练才“喂养”出来的产物。特斯拉坚决走纯视觉路线，企业规模能承担以上所有成本，规模化量产省成本拿掉激光雷达做高阶智能驾驶没有任何问题，但其他车企是否都要走特斯拉的纯视觉方案，最终要量力而为。
2，大嘴banker
算力壁垒
马斯克在直播中的车辆是一台搭载了HW3（Hardware 3.0）驾驶辅助硬件系统的Model S，上面安装了最新版FSD V12软件。这套HW3硬件采用的是特斯拉自主研发的FSD芯片，采用14纳米工艺制造，单芯片算力72TOPS。每套HW3.0硬件配置了两块FSD芯片，总算力为144TOPS，总功耗为200W。
马斯克称搭载FSD V12软件的HW3.0硬件，目前能以36FPS帧速率同时处理8个摄像头的数据（HW3.0硬件性能能支持到50FPS，但摄像头规格限制了帧速率提升），系统功耗仅为100W（HW3.0额定功率为200W），这一方面反映出HW3.0的高效能，也反映出FSD V12软件对算力的要求并不是十分严苛，HW3.0 144TOPS的算力对它来说也是有冗余的。
尤为重要的是V12所有推理无需网络连接在本地进行，要知道现在很多辅助驾驶系统，是要借助云端超算中心的算力的，如果没有互联网连接，你就无法启动高阶辅助驾驶，但FSD V12不需要时刻联网，它是真的独立个体AI。
在云端算力方面特斯拉也有显著优势。目前国内小鹏基于阿里云打造的“扶摇”智能计算平台，算力也只有600PFLOPS（每秒浮点运算60亿亿次）。而2022年特斯拉算力中心的算力已经达到了2EFLOPS（每秒浮点运算200亿亿次）。未来，自研算力平台Dojo投入使用后，特斯拉的算力还将再上一个台阶。
数据的壁垒
马斯克发现，当输入超过100万个视频后，基于神经网络的自动驾驶系统才开始表现良好。而在今年年初，特斯拉就已经向这套系统里输入了1000万个人类驾驶视频，并且还是经过筛选的老司机。特斯拉在全球各地近200万辆的车队，每天也会提供约1600亿帧视频用于训练。特斯拉预计，未来用于训练的视频将达到数十亿帧。
还有另一个问题是如何应对低能见度的驾驶条件，因为特斯拉所在总部加州从不下雨，能见度高。但如果是像中国西部一天经历四季的地区，经常有团雾或雨雪等视线受阻的情况下，AI也需要特定的数据。因此FSD V12需要世界各地各种天气条件的驾驶视频来进行训练，目前特斯拉也在全球都布置了驾驶训练人员。
总结：我们认为特斯拉在自动驾驶领域开始展现其难以逾越的壁垒，国内车企在英伟达芯片限制出口的背景下难以组织足够的算力与之竞争，而欧美传统车企挣扎在盈亏的泥沼中更无暇顾及；特斯拉采集的的标准化数据也是其重要的壁垒，即便英伟达下场也很难从传统车企中搜集到足够多的统一标准的行驶数据，随着端到端自动驾驶技术的不断进步，自动驾驶可能会迎来GhatGPT时刻，届时特斯拉将重回科技企业的定位，从不断向制造业车企靠拢的估值泥沼中摆脱出来。
3，智车行家
我们认为，端到端神经网络模型的核心壁垒在于：专业的 AI 人才团队、海量的视频数据以及巨大的算力投入，国内主机厂乐观看或也仍需 3 年时间以实现“端到端”上车。小鹏、华为、理想等国内主机厂从 2023 年开始陆续实现这一代“BEV+Transformer”架构的量产上车。目前，尽快实现“脱图”以及尽可能多地“开城”是国内智驾车企的重点。而对于下一代的“端到端”架构，国内主机厂最快的也仍处于早期研发的阶段。据 36 氪网站上的文章《CVPR 最佳论文：大模型成就端到端自动驾驶》（2023/6/25，作者：李安琪），小鹏和理想目前都在筹备研发全栈端到端的自动驾驶方案，但效果还不太好。
我们认为，特斯拉之所以能够在短短的八个月时间内完成令人惊喜的端到端 demo 亮相，主要是得益于其在过去 3-4 年的时间里打造了百万级别的车队规模并积累了丰富的数据飞轮经验，同时还有强大的 AI 算法团队和雄厚的财力。而国内主机厂在 AI 人才团队、汽车销量规模、数据闭环能力、云端算力储备等方面皆有提升空间，即使现在开始投入研发，其神经网络模型的训练效率也势必会与特斯拉存在较大差距。
4，自动驾驶之心
特斯拉作业并不好抄，门槛和壁垒极高。
这主要体现在三个方面：
一是海量数据。
特斯拉的自动驾驶算法是业内公认能力最强、投入最大、研发最早的。截至目前，特斯拉 FSD 累积行驶里程已超 5 亿英里，Autopilot 使用里程已经超过 90 亿英里。
特斯拉的自动驾驶系统每天可以接收到车队回传的 1600 亿帧视频数据，支持神经网络训练。众所周知，数据积累取决于累计交付量和行驶里程，如此大的数据体量，也意味着需要投入大量的时间成本。
其次是自研芯片。
特斯拉自 2014 年开始自研芯片之路，2019 年发布了 FSD 自研芯片。
为了提升数据处理能力，为进一步的深度学习量身定制，2021 年 8 月，特斯拉发布了用于神经网络训练的自研芯片 D1，D1 芯片基于 7nm 工艺打造，算力可达 362TFLOPS。
D1 芯片具备较强的可扩展性，25 个芯片可组成一个计算模块，而 120 个计算模块可以组成外界熟知的「Dojo ExaPOD」超级计算机。
第三是围绕算法训练搭建的超算中心。
在特斯拉自建的大数据中心中，使用了 14,000 片 GPU 芯片，其中 10000 片用于 AI 训练的 H100，4000 片用于数据标注。
据了解，一片 H100 芯片官方售价 3.5 万美元，尽管在黑市被炒到 30~40 万元人民币，依然是「一片难求」。
特斯拉上线 H100 GPU 集群的同时，还激活了自研的超级计算机群组 Dojo ExaPOD，开启云端算力竞赛，以支持自动驾驶技术的更新迭代。
Dojo 于 2023 年 7 月开始生产部署，马斯克曾表示，到 2024 年，特斯拉还将向 Dojo 再投资 10 亿美元。预计到 2024 年 10 月，Dojo 算力会达到 100Exa-Flops。
从这个角度看，光是算法训练的芯片投入就十分惊人，达到数十亿元。
基于这样的数据，我们可以做一个简单的数学推算：
假设要开发一个特斯拉式纯视觉路线的高阶智能驾驶系统，这个方案总投入大约在 200 亿元。
试想一下，要压低这个成本需要多大规模的销量？
——当汽车销量到 2000 万辆时，每辆车的自动驾驶成本可以降到 1000 元。
——而当汽车销量只有几十万、上百万辆时，这笔投入该如何摊销？
当前，特斯拉累计销量超过 400 万辆，其所释放的规模效应让友商们难以企及。因此，特斯拉选择视觉路线，不只是「算法能力强」，更是建立在巨大的保有量、车载芯片自研、数据回环和自动化标注、自建超算中心训练模型等一系列能力之上的综合实力。
——————
回到本文的主题：特斯拉端到端自动驾驶能抄吗？
总体来说，友商们一时半会应该是抄不了的，或者跟不上的。且随着特斯拉继续加力，FSD就像是ChatGPT一样，会在算力和优质数据的加持下，获得更快的加速进步，相信友商们与之的距离会越来越大。
具体分析一下国内各家如果做端到端自动驾驶的机会：我觉得最有希望的是某为，但是其与特斯拉的距离至少是2年以上。
为何？缺数据。某为是具备资金与开发能力，其是最具有逆向开发能力的狼性企业。但是奈何自己没车，就算是今天开始通过合作企业收集合格数据，能够有类似V12开始看到效果的量，至少先来一年。根据特斯拉的经验，从开始看到苗头，到V12发布给部分用户，又要至少1年起步。
其他的新势力，基本可以忽略不计，没钱，没数据，且开发能力存疑。
唯一路上有足够车已经在跑的友商，嘿嘿，从来都没有收集过有效数据，因为老板觉得那是纯属扯…
至于国外，特斯拉根本没有对手。第一是国外本身没有合格的竞争对手，第二，国内即使出现奇迹，有人做出一些多多少少有些价值的东西，在今天的国际环境下，想在欧美有所作为，其难度可想而知。
当然啦，这并不妨碍各路友商们“号称”自己也在做，或者已做出端到端的智能驾驶，毕竟我们最擅长的事情是给文字加定语。
作为投资者，做好自己的功课，最为重要。
祝大家新春快乐，投资顺利！