知嘹汽车/Jasper
不仅在央视平台上表现卓越，而且拥有170万用户群体，经过两个月的时间，实现了零事故的记录。
特斯拉之外，其他车企的自动驾驶技术尚无法达到如此高度。这一成就昭示着特斯拉的自动驾驶技术已达到L5级别的完全自动驾驶水平，同时，其车型机器人项目也得以顺利实施。
而我们的自动驾驶，距离差的还很远。
即便不提技术路径的不同，仅就超算中心的计算能力而言，特斯拉就已领先于绝大多数汽车制造商。
依据2024年的相关数据，特斯拉的DOJO智能计算中心，其计算能力已突破至100EFLOPS。
去年的华为鸿蒙智行，其算力仅为5EFLOPS，而今年吉利的算力虽然声称达到“中国车企第一”，但实际上也只有23.5 EFLOPS。
单是特斯拉一家，就已经几乎达到了我们所有车企算力的总和。
自动驾驶系统需准确捕捉道路上的各类资讯，并需对结构复杂的深度神经网络进行训练，若计算能力不足，将直接对模型精确度和系统研发进度造成不利影响。
自动驾驶技术不仅依赖仿真平台来再现多样的交通状况和气候条件，而且超算中心的计算能力与仿真任务的执行速度、验证周期之间存在着密切的联系。
换言之，由于在计算能力上的差距，我们的自动驾驶系统在模型精确度、算法设计以及研发时间等方面与特斯拉的差距将不断拉大。当竞争对手正忙于处理新数据并更新算法时，我们的计算能力连现有数据都无法完全掌握。
除了超算中心在计算能力方面的显著区别，我们在培养模型所需的花费上也存在相当大的鸿沟。
特斯拉自主研发了专用芯片，并采用了分布式训练架构。相较之下，我国多数汽车制造商仍依赖GPU集群。在成本和造价方面，我们超算中心的单位算力大致是特斯拉的3至5倍。
不仅计算能力有限，而且费用相当高昂。如此一来，每当特斯拉提升些许计算能力，我们的费用便呈现指数级增长，尽管目前尚能承受，但展望未来，恐怕将难以持续。
而最后，则是仍然在技术路线上的差异。
特斯拉在纯视觉领域取得了显著成就，然而，我国某些汽车制造商依旧坚持采用协同融合的技术路径。
仅凭视觉感知不够，于是我们引入激光雷达，若仍不足，还需增添更多摄像头。如此一来，不仅造车成本有所上升，计算能力的压力也在增大，同时车辆的能耗也有所提升。
特斯拉的端到端技术采用的是单阶段流程，从识别到决策一气呵成。相比之下，我国众多汽车企业仍沿用分两阶段的传统技术。
两段式技术并非全然不可取，然而其中增设的分析环节往往会在众多场合拖慢决策进程、加大计算负担。在自动驾驶领域，所追求的技术路径理应是运用更简化的工程手段来处理庞大的数据量，而两段式技术在这方面显然存在固有的不足。
但这也不代表着我们中国在自动驾驶上全是劣势。
我国新能源使用比例持续攀升，同时，基于人口车辆使用情况所具备的固有优势，我们将获取更多数据以供神经系统学习之用。
从长远角度考量，我们的数据库资源相当充足，这为我们设定了更高的上限，然而，这一切的实现都建立在先克服算力限制、降低超算中心运营成本以及提升技术竞争力的基础之上。
以目前的水平来看，我们的差距还有很远。
