業內人士
簡單分享一下看法
這兩家在技術路線上是完全不同的
技術方面：
狗車部分：
狗車 08年還啥時就出現 當時 deep learning 還沒完全起飛 大多數路線都還是走 classical robotics
有很長一段時間業內都公認狗車是最領先的 畢竟傳統路線 你搞得久 搞得多 不會差到哪
但狗車就是太早當領頭羊 組織太大 頭洗下去太久了
這幾年 deep learning 爆發後 沒有辦法快速pivot
畢竟你都一個車隊跑這麼久了 behavior planning 300 多人 你現在說要轉End to end 那路上在跑的怎麼辦？ 養的一堆人只會做傳統的怎麼辦？ 根本不可能
一些朋友在狗車 基本上就是一個人負責一個超小的feature 然後幾乎不可能上車
狗車現在不是完全手寫 很多 perception, maybe prediction 都有用 DL 了但就我所知 在planning 這塊 還是傳統MPC
另外就是仰賴高精度地圖 昂貴sensor 這在幾年前DL 起飛前可能合理 但現在看來完全讓整個商業模型不可行
你說他已經在路上跑 有收入了 但問題是開到報廢前 能回本？
Tesla 部分：
FSD 在今年之前 也是跟狗車差不多 走classical robotics 混一些DL (說實在2020之後應該沒有純手寫的公司了）
但director帶種 直接說幹就幹 今年V12 直接換成 end to end 直接一個質的飛躍
成本方面 一台車就靠幾個相機 完爆其他業內
另外這一兩年open ai （gen ai)火爆 主要就是因為發現 當你今天模型（算力）夠大 data夠多 你就頂呱呱
這在無人車 或者是general robotics 方面 在以前大家完全不是這樣想的
Robotics 在learning based approach 有兩大流派：
Imitation learning
Reinforcement learning
Imitation learning( or behavior cloning) 基本就是照抄你給他的資料 好一點可以舉一反三
傳統認為這路線是走不通的 因為會有 out of distribution 所導致的compounding error
簡單來說就是他沒看過的 他就有可能炸開 一旦炸開 它就到一個更沒看過的 更加炸裂
Generative AI (GPT/ diffusion model)這些基本上就是 imitation learning
結果現在發現 那我模型（算力）更大 讓他抄（data)更多 那他不就都看過了？
這竟然就突然讓imitation learning 突然可行了
GPT 剛開始出來時(GPT2吧？）也沒啥人注意 表現一般般 直到GPT3 之後 無腦加大 更大模型 更多資料 才一飛沖天
這幾年NLP/ CV 的這些突破 很快都會出現在robotics上
但這邊的重點就是你要有足夠的算力（gpu)跟足夠的資料
算力方面 錢可以解決
狗車有狗狗爸爸 tpu 應該不是問題
Tesla 基本上也是卯起來買gpu
但資料量方面 基本上目前業界沒有人打得贏Tesla 他就幾百萬輛台車整天在路上跑
狗車我沒查過 但貼文有人說才700輛？
你算力在屌 你如果只有一咪咪資料 也是沒用
結合以上 我自己是認為狗車可能現在在侷限ODD 可以比FSD 好
但超出營運範圍 跟未來growth 我不看好狗車
說啥狗車可以搞商用卡車 這些哪個將來FSD不能搞？ 一旦狗車說只搞商用 基本上也可以收一收了
貼文裡有人分享Waymo research 他們那跟車上跑的不同組 基本就是養個research組 能發發paper 吸引一些人進去 實際上最後應用到車上的很少
股點方面 自己是看多Tesla 但這股票本質上跟meme stock沒啥區別 FSD/ Optimus 做得好 不一定會完全表現在股價上