不是蝙蝠。
我们要造的是给人类开的车，而不是给蝙蝠开的车。
人类有眼睛，大脑就是用视觉在驾驶。
你想让车学会像人一样驾驶，那就用人类的感知方式。
你说激光雷达便宜了，是的，比三年前便宜很多，但关键不在价格。
关键是它没能解决核心问题：理解世界。
激光雷达给你的是点云，一个距离场，它不知道交通灯是红的还是绿的，它不知道这个是小孩还是塑料袋。
它只是一个更贵的尺子。
在人工智能领域，多数据不等于好数据。
我们当然可以往模型里灌更多输入，但信息要有信息熵，要有对理解世界有用的信号。
激光雷达在高速公路上，或者高度规则化的场景下可能有用，但在日常城市驾驶，它反而会让系统依赖一个捷径，不去构建真正的世界模型。
你提到大语言模型，对，规模很重要。
但语言模型的前提是人类语言本身就包含了整个世界的复杂性，视觉输入也一样，视觉包含了驾驶所需的全部复杂性。
如果我们加进激光雷达，神经网络可能会依赖‘简化的答案’，而不去学习真正困难但关键的部分。
所以，这不是偷懒。
恰恰相反，纯视觉是更难的路线，需要更强的网络，更大的算力，更聪明的训练，激光雷达是捷径，但走捷径你到不了终点。”
马斯克摊手笑道：“如果你愿意在你的车顶上装一堆传感器，造一辆‘科研用的高价玩具’，当然可以。
但如果你想让全世界几千万辆车都能自动驾驶，就必须走视觉路线，规模化的未来只有一条路。”
林燃说：“多模态多模态，如果连视觉和传感器的数据都没有办法融入到同一个世界里，那又谈什么多模态。
如果我们真的追求的是简单的，单一的，人是怎么理解世界，人工智能或者机器人就应该要怎么理解世界，这是一种傲慢，人类也不应该有汽车、有飞机、有火车，人类就应该只依赖双腿，不断磨炼自己的双腿。
现在的大模型，也不应该用各种结构化、非结构化的数据进行训练，它不但能对话还能输出画面、动画。
从数据到图像再到动画，LLM的大模型输出的越来越多元，反而自动驾驶还抱着原教旨主义的人工智能，认为就应该只有视觉。
现在如果我们有一个框架，能够把激光雷达的
…。。