摘要

于振华认为V14终于把FSD从“技术可用”推到“产品足够好”，并因此收回了过去“用户不懂”的判断。 他在V14.2上感受到右转、停车场进出、高速大弯变道与驾驶员监控的整体改善；跨年夜一名车主从美国西海岸开到东海岸、全程无接管的自述，也成为泓君提到的体验变化案例。
旧金山停电成为两位嘉宾判断端到端路线优于rule-based路线的关键样本。 于振华认为，Waymo面对未定义的红绿灯失效场景会停住，而Tesla可按路权优先处理；端到端还能从大量人类驾驶行为中学习。但他也承认，rule-based修复已知问题很快，端到端重新采数、训练的周期可能更长。
Robotaxi竞争已经从“能不能开”转向扩张速度、安全员移除与资产效率。 Waymo多年只拓展了5个城市，年底又开辟5个城市，并寻求约150亿美元融资；大卫用Tesla约4美元、Waymo约18美元且绕开101高速的同程对比说明服务差异，但泓君澄清他并未实际乘坐后者。于振华说德州据他所知不必再次获批即可移除安全员，泓君随后又总结为“目前主要卡在技术上”，现场并未完全统一；于振华则把2026年4月Cybercab量产后的车队ramp-up、再移除安全员视为合理窗口。
于振华的核心判断是：Tesla的领先首先来自算法与“智能密度”，数据和算力优势还没进入同维度比较。 自2023年下半年V12以来，他尚未看到其他玩家在算法上接近Tesla；国内厂商即使使用端到端、VLA或世界模型等名称，按他的长期测评，差距仍在扩大。“数据和算力优势，那是后面的事情。”
Tesla的护城河被归结为技术思想、内部人才、敢于押注，以及软硬件co-design，而不只是更多GPU。 第四代芯片设计时尚无端到端，第五代已把端到端和大语言模型纳入需求；Dojo虽已取消，于振华仍认为车端推理芯片具有“决定性的比重”——“巧妇难为无米之炊”。
按节目给出的约1,000亿美元估值和150亿美元融资规模，两位嘉宾都表示不会投资Waymo。 泓君援引的口径为Waymo每公里1.43美元、Tesla可能为0.81美元，并预测Waymo新车型每英里的成本可能降至0.99—1.08美元；大卫则强调充电人员、传感器维护、机械激光雷达寿命和折旧，认为“1,000亿实在太贵了”。
所谓从L2“跳到”L4，在嘉宾看来更像产品体系打通，而非跨越一个可靠的行业刻度。 单一车型、数据一致性、车端算力和管理层优先级都是前提；如果企业同时维护二十款车型，或把换电等事项放在自动驾驶之前，直接升级就很难成立。大卫还质疑“上下半场”的定义：“你又不是吹哨的，怎么定义上下半场？”

精读

1. V14让“用户不懂”变成了过时解释

泓君先披露节目立场：两位嘉宾都是Tesla支持者，讨论明显偏向Tesla；Waymo及其他L4厂商的完整反方观点，将留给后续节目，而不是在本期替他们代言。
于振华使用的是V14.2，并非更晚的V14.2.2.2。他曾不喜欢V14初版的保守右转，约到V14.1.4时已有明显提升，但他明确说自己不确定具体小版本。
真正改变判断的是体验闭环：驾驶员监控放松、停车场进出自然，高速大弯变道时的担忧减少了很多。过去他问“FSD这么好，大家怎么不用”，如今的答案是：“不是用户不懂，是我产品不够好。”
泓君还提到跨年夜一名车主的新闻自述：从美国西海岸开到东海岸，包含充电、停车在内全程没有接管，并称没有出现险情。这是车主案例，不是嘉宾亲自测试。

2. 一次4美元与18美元的比较，暴露了服务边界

大卫圣诞节前同时打开Tesla Robotaxi和Waymo：前者从家到健身房约4美元多，后者因不能走那段101高速而绕路、报价约18美元。他的产品标准很朴素：“一个自动驾驶车表现好就是无聊。”
泓君的追问保留了必要边界：大卫没有实际乘坐那趟18美元的Waymo；于振华也指出Waymo部分路径已经开放高速，可能只是大卫当日路线的某个入口未覆盖，不能把单次路线差异外推成完全没有高速能力。
运营成熟度也不能混写。Waymo在湾区可以不带驾驶员，Tesla当时仍需主驾安全员；奥斯汀正在逐步测试移除安全员，但目前主要仍配安全员。
大卫认为Tesla用量产Model Y开展服务，更容易沿现有车辆体系与DMV、SFO机场管理方推进；Waymo则需要扩展车辆和车队运营体系。高速技术相对简单，却因事故后果重，反而往往最后开放。

3. Cybercab量产是安全员移除的真正时钟

于振华说，按他所知，德州应该不需要监管部门再次批准，奥斯汀可以先上路、后监管；加州则相反，要先拿到牌照再上路。随后泓君又总结为“目前来看，主要还是卡在技术上”，因此现场存在技术与监管判断上的张力。
对马斯克未在年底前兑现承诺，于振华的解释是团队仍在收尾V14；如果技术团队尚未完成这项工作，就不太可能同时在安全员移除上取得很大进展。他预计可能比承诺晚一些，而不是用“农历新年”补期限。
他更看重马斯克确认的2026年4月Cybercab量产。Cybercab是真正没有方向盘的车；Tesla现金流不像Alphabet那样宽松，车辆若不能上路接单就会形成库存风险。因此，大卫认为量产前或量产后用一两个月把车辆ramp up，再移除安全员，是“非常合理的时间点”。

4. 旧金山停电把两条技术路线推上了压力台

于振华原以为Waymo即使采用rule-based，也会为红绿灯失效准备多套backup：美国无信号路口仍可按先到先行处理。他对Waymo没有在这套路权逻辑上做好处理感到意外，而不是认为车辆依赖V2X或车路云。
泓君把嘉宾观点概括为：Tesla的端到端模型像黑盒，从大量人类驾驶中学习；Waymo依赖规则和高精地图，碰到未定义变化便可能停住。于振华补充，旧金山面积大约相当于深圳南山区或上海浦西某个区，Waymo已测试多年，却仍可能遇到这种corner case，因此对商业运营有现实风险。
大卫曾在一个路口观察到Waymo左转受阻，连续六七轮信号灯堵住后车，最后突然快速通过；他推测可能发生了远程接管。于振华也说，真正做商业化运营都会配备远程操控能力。
两条路线的交换条件很清楚：Waymo发现规则缺口后可以迅速修补，但没人知道“下一个不可预见场景”；端到端可能在很多场景下表现得更“游刃有余、从容自然”，却不能保证每个具体问题都即时修好。

5. 水坑、湿路与多排停车说明corner case为什么写不完

泓君转述Ashok的“迷你电车难题”：面对大水坑，车要判断积水深度、对向来车与短暂借道逆行的综合风险。rule-based很难写死所有组合，而于振华认为人和AI都可以通过权衡处理这种情况。
于振华举出湖南某城市的无人出租车事故：洒水车造成路面湿滑，系统参数没有写入这个因素，因此没有充分考虑刹车距离变长。他的推论是，人类在雨天驾驶时产生的行为数据会进入端到端训练，系统不太会因为湿滑导致刹车距离稍长就完全无法应对。
于振华转述Andrej Karpathy的回忆：Tesla早期为路边单排停车误刹写规则，随后又遇到double park；换到其他国家，还可能出现triple park乃至更多排。“这种是无穷无尽的。”
他同时保留反面：rule-based修复已知缺口很快，端到端可能需要重新采数、训练，因此V13到V14隔了差不多一年；它的特点不是小步频繁改规则，而是“一更新就是革命性的更新”。

6. 可解释性应留在线下，而不是占据驾驶闭环

泓君认为，驾驶时不必把红色垃圾桶先语言化再行动；人也常把它下意识视作障碍物。她对在线可解释性持保留态度，认为可以依靠足够大的数据量，也就是“力大砖飞”。
她以理想第一代“双系统”为例：慢思考试图像ChatGPT一样向人解释判断，快思考处理更快的驾驶闭环；这条路线后来被放弃。泓君认为，乘客并不需要机器实时报告“它在想什么”，在线解释反而可能浪费时间。
于振华补上的区分是：在线无需逐步解释，但离线需要解释。监管、模型评估、异常动作复盘和下一轮数据采集，都需要在充足算力下回答“这一刻为什么这样操作”；这也是他从Ashok演讲中保留的重点。

7. 算法尚未拉齐，谈数据与算力优势还太早

于振华认为自2023年下半年V12以来，尚无玩家在算法上接近Tesla。理想、小鹏、蔚来都曾宣称端到端，但按他的长期观察和测评表现，距离真正的端到端还非常遥远。
因而他的比较顺序是：只有大家掌握同一套已知算法后，Tesla的数据和算力才构成下一层优势。自动驾驶不像LLM那样已有快速人才流动与公开方法，Tesla除Ashok做过一次技术演讲外，很少分享具体技术。
Ashok演示的simulator最令他震撼：驾驶者像玩游戏一样转动方向盘，另一边生成新的场景并采集这些数据。这让不同corner case的数据采集部分变成可构造的训练问题。
大卫把仍坚持rule-based的原因压缩为两个：“第一做不出来，第二包袱太重。”他认为VLA、世界模型等名词不应制造“技术焦虑”，真正要看的是系统解决问题的“智能密度”。

8. Tesla的人才土壤比明星履历更重要

于振华归纳的要素包括技术思想、人才、敢于“置之死地而后生”的勇气，以及计算机算力。他认为这些条件目前只有Tesla同时具备，方向上的信念主要来自马斯克。
Ashok是第一个加入FSD团队的人；更高级别的人陆续去了Nvidia、Waymo、Aurora等公司后，他与内部骨干留下继续推进。端到端成果出现时，主力并非拥有大量论文的学术明星，而是长期内部成长的团队。
泓君说，特斯拉收购DeepScale属于acqui-hire，约十余人加入；她认为这次收购很失败，创始人可能加入一两年后被解雇，其他人也没有很好磨合。于振华补充，问题不只在工作强度“比startup还要startup”，更在于能否适应problem-driven、少造名词而以解决问题为核心的文化。

9. 推理芯片是端到端上车的决定性约束

Tesla芯片分训练与车端推理两线。节目所述Dojo已经取消，负责人Peter Bannon也已离职；目前端到端相关训练芯片主要仍来自Nvidia。于振华还引用黄仁勋对马斯克的称赞：马斯克能为xAI快速建成包括发电和水冷系统在内的训练集群；Tesla所需GPU没有xAI那么多，马斯克也会直接响应团队提出的“更多GPU”需求。
于振华参与过第四、第五代推理芯片：第四代设计时端到端尚未出现，需求主要来自rule-based系统；第五代则已纳入端到端及大语言模型场景，后面还会有第六、第七代。
软硬件co-design的难点不是塞进多少算力，而是软件团队能否说清未来三年、五年甚至六年的需求。硅谷软件团队与奥斯汀硬件团队虽是两个team，但联系紧密；软件需求清晰，硬件才可能设计得好。
马斯克曾带着儿子到硬件部门开了34个小时的会。于振华认为，这与马斯克思考xAI如何竞争、如何做出更便宜的推理有关，因此第五代芯片不只考虑自动驾驶，也考虑大语言模型应用。
Dojo失败在他看来不推翻整体战略：训练芯片远比推理芯片复杂，又始终有Nvidia可买，特斯拉缺少真正背水一战的动力；若未来Nvidia推进过慢或偏离Tesla需求，训练芯片仍可能重新出现。

10. Waymo的估值争议落在全生命周期成本

节目开头提到，Waymo多年只拓展了5个城市，年底又开辟5个城市，并寻求约150亿美元融资，估值超过1,000亿美元。泓君随后援引摩根士丹利数据称，当前Waymo每公里成本为1.43美元，Tesla可能为0.81美元；对Waymo新车型的预测则是每英里成本可能降至0.99—1.08美元，原话本身使用了不同单位口径。
大卫拒绝投资的理由不只是一趟车的账面成本：充电、传感器维护、车队人员和折旧都会扩张。他在湾区充电站看到有3名员工负责车辆充电，而Cybercab使用无线充电；机械激光雷达方面，他认为大约两年还可以，三年可能就不太行，这也会影响车辆生命周期成本。
于振华会“孤注一掷”投Tesla，但仍喜欢Alphabet及Gemini；他的区别是Alphabet也没有all in Waymo。按节目所述约2,000辆车的规模，Waymo每进一个城市仍要增加车队，用户增长10倍时成本也可能大幅增长，并非纯软件式规模经济。

11. L2到L4不是跳级题，而是系统能否直接去掉安全员

面对FSD算力受限的质疑，于振华指出其推理不像LLM逐token递归回跑：输入虽大，却没有相同的自回归latency负担；V14在第四代硬件上“还没有用完算力”，第五、第六代芯片则应对后续持续增长的需求。
大卫质疑SAE等级的解释力：Tesla可能有些短板只够L2，另一些长板却呈现L4能力，按短板效应一概叫L2会失真；中国再增加“L2.5”，也没有真正解决定义问题。
他认同何小鹏所表达的方向——把辅助驾驶和端到端Robotaxi方案打通——但前提是单一车型、统一数据、充足算力及管理层“孤注一掷”。二十款车型各自部署一套AI、数据不一致，或自动驾驶优先级低于换电，都难以直接升级。
泓君最后指出，Tesla并不先追逐L3等标签，而是直接关注能否去掉安全员。

新年直播3：华尔街视角下的AI泡沫、芯片及黑天鹅新年直播1：AI的2025与2026，技术领域的共识与非共识