激光雷达明明能秒测距离，为什么顶尖自动驾驶方案还要死磕纯视觉？

装一颗激光雷达就能量准距离，为什么非逼着摄像头去猜？

每次看到自动驾驶因为逆光或者看错影子突然幽灵刹车，大家都会忍不住吐槽： 求求你用激光雷达吧，明明几百块钱就能把距离测得清清楚楚，何必非跟纯视觉死磕？

这个抱怨非常符合直觉。 先看激光雷达怎么干活的。 它向外打出一束激光，碰到前面的卡车、护栏或者路人，光线弹回来。 算一下发射和接收的时间差，乘上光速。 距离当场就有了，精度能卡到毫米级。 在激光雷达眼里，世界根本没有颜色和幻觉，只有一张实打实的三维点阵图。 前面到底是真有一堵墙，还是路边画了一张巨幅海报，激光一扫就见分晓。

再看摄像头是怎么看的。 摄像头拍回来的，是一张张二维平面的彩色像素。 在一张平面的照片里，你怎么知道两百米外那个白色的物体，是一辆横停的大货车，还是天上飘着的一团低云？ 这全靠神经网络在背后估算。 算法得顺着光影、边缘、透视线条和地面的车道线，一点点往回推空间位置。 这就像人闭上一只眼睛去伸手抓桌上的茶杯。 一旦碰到逆光暴晒、暴雨反光，或者地面有大片深色阴影，算法稍有一瞬间吃不准，就可能把影子当成障碍物，当场来一脚急刹。

既然激光雷达这么省心，现在的固态雷达也降到了几百美元，为什么还有人死活不装？ 真不只是为了抠那点硬件成本。 工程上最残酷的地方，从来不在于单个零件好不好用，在于架构一旦选定，背后的代价就彻底锁死了。

第一个要命的关卡，是多传感器融合时的信任冲突。 车上如果同时装了激光雷达和摄像头，在路上开得好好的，突然前面飘过来一个巨大的黑色塑料袋。 激光雷达一照，光束反弹，立刻报警：前方有实体障碍物，必须立刻急刹。 但摄像头算法一看，这只是一张轻飘飘的塑料膜，直接压过去毫无危险。 这时候整辆车听谁的？ 听激光雷达的，车子在高速公路上突然踩死刹车，很容易造成后车追尾。 听摄像头的，万一下次路中间不是塑料袋，而是一块深色的花岗岩呢？ 两套传感器只要一打架，工程师就得写海量的人工规则去裁决。 规则越叠越厚，代码越来越脆，遇到稀奇古怪的路况就会互相掣肘。

更深层的关卡，在整个数据训练的飞轮上。 纯视觉方案押注的是端到端大模型。 路上跑着数百万辆量产车，每天把人类司机在各种复杂路况下的驾驶视频源源不断传回来，喂给同一个模型训练。 这是用百亿公里级的真实世界视频堆出来的通用智能。 如果现在突然决定给新车加装激光雷达，整个数据体系马上就割裂了。 以前几百万辆车采集的纯视觉视频，新模型没法直接拿来对齐。 激光雷达的三维点云和高清视频在帧率、视场角和时间戳上差异极大，跨模态数据对齐的计算开销极其惊人。 这就等于为了眼前的局部确定性，把自己用海量车队滚出来的视频数据飞轮给砸了。

激光雷达确实是一个极佳的物理外挂。 把它装上去，当场就能拿到一份高精度的空间答案，解决眼下最让人头疼的测距问题。 但这种外挂也会把感知能力锚定在硬件探测的物理边界内。 而纯视觉是一条极度反人性的苦路。 它试图用摄像头去复现人类驾驶员的大脑感知，必须忍受漫长的不完美，在一次次被质疑和失误中死磕模型的泛化能力。

大家吵的从来不是要不要省下几百块钱。 这是一场两种技术哲学的不可逆押注。 到底是要一套看得见天花板但今天就能交卷的工程补丁，还是赌端到端视觉大模型最终能把整个真实物理世界彻底看懂？