一辆 Waymo 的车顶，被一整套巨大的硬件支架完全封死

一辆 Waymo 的车顶，被一整套巨大的硬件支架完全封死。 里面塞着 13 个摄像头、4 个激光雷达、6 个雷达，甚至给传感器外壳配了 10 把不足 3 英寸的微型雨刮器和喷水嘴。 隔壁的 Tesla Model Y，车顶是一整片通透的全景玻璃。 很多人把这当成一道视觉风景：一边视野开阔，一边像头顶顶着个杂货架。 真正的问题是：为什么两家做同一件事，车顶的物理形态会分化成两个完全不同的物种？ 这和车顶好不好看没有任何关系。 那套庞大的车顶支架，在工程学上有个名字：物理冗余代偿。 回到 2005 年 DARPA 挑战赛，塞巴斯蒂安·特龙那一代工程师确立了经典机器人学的分层架构。 当计算机视觉无法从普通的二维像素里可靠地算出三维空间时，系统只能向物理世界索要确定性。 怎么索要？ 用激光雷达向外发射脉冲，靠光子的飞行时间测距直接测量深度。 为了拿到 360 度的无死角视线，传感器必须架在全车最高点。 为了防止鸟粪、雨雪和灰尘挡住激光，必须给传感器加装加热丝、清洗液喷嘴和微型雨刮器。 为了处理发热和震动，还要给车顶加上沉重的机械结构与冷却管路。 你看懂了这套逻辑，就看懂了那个车顶。 那不是一个简单的传感器支架。 那是经典机器人流水线无法在算法内部消除空间不确定性时，被迫在车辆物理结构上支付的硬件税。 Tesla 的路线，把这笔税从车顶搬进了芯片。 既然人类驾驶员只靠两只眼睛接收光子、靠大约 20 瓦功耗的大脑就能理解路况，整个道路体系本就是为视觉感知设计的。 用端到端神经网络和占用网络，把空间重建、几何预测和时间序列推演全部压缩进硅片里的矩阵运算。 原本需要旋转雷达、机械喷嘴和微型雨刷解决的问题，被置换成了算法权重。 两种方案真正的分水岭，不在今天的车顶透不透光。 在于扩张时的边际成本。 在车顶堆叠物理冗余，每造一辆车都要重新焊接支架、布置管线、标定传感器。 这笔硬件成本和维护负担，随着车队规模线性增长，永远不可能降到零。 把物理硬件置换成神经网络权重，算法的复制边际成本是零。 一旦视觉模型在算力集群里完成训练，下线的数百万辆普通消费级汽车，不需要改动一颗螺丝、不需要封死一块玻璃，天生就具备同样的感知结构。 工业史上所有能够被芯片和代码吞噬的机械装置，最终都会从物理外壳上消失。 那片被完全保留下来的全景玻璃，展示的不是审美。 它是一条清晰的分界线：一边还在用机械结构为传统算法补课，另一边已经把整座物理世界折叠进了硅片。