我不確定這是否有意義。雖然埃隆比我聰明得多，但我想說說我的看法： 我認為傳感器融合並不是不可能的，只是讓系統變得更加複雜。我可以看到一個物體，觸摸它，聞到它，我的大腦可以自然地將這些信息融合在一起。我認為傳感器融合本質上並不更不安全，但它增加了系統的複雜性，並增加了故障點的數量。特斯拉的主要問題是他們的車載雷達分辨率太低。 Waymo目前還不能在高速公路上載客，部分原因是LIDAR傳感器的範圍以及為高速駕駛進行調校的難度。還有高速行駛帶來的額外風險。但他們現在實際上在高速公路上運行，沒有人坐在駕駛座上，讓員工進行測試。所以我認為說他們不能在高速公路上行駛並不公平，他們只是還不覺得讓客戶使用它是安全的。 我最喜歡的論點是，深度學習勝過多傳感器方法的原因在於，使用單一低成本傳感器模態可以構建的大規模數據集對於提高模型的預測準確性極為強大。你可能擁有所有這些高級傳感器，但如果這意味著你的數據集規模、種類等只是個小部分，那麼僅依靠視覺模型的預測準確性和安全性可能實際上會更高。 我同意他所說的僅依靠視覺更好，但我認為問題的關鍵並不在於傳感器融合。