一年前，Andrej Karpathy 曾说过一句话： “Waymo 有硬件问题，而 Tesla 有软件问题。” 旧金山停电让 Waymo 的车辆陷入瘫痪，但 Tesla 的 FSD 却没有。下面是我认为的原因： Waymo 是“模块化”的：它依赖高精地图、激光雷达、各类传感器、5G 连接以及多个神经网络。只要其中任何一个模块出问题，系统就可能失效。交通灯停电后，高精地图与现实不再匹配，车辆便进入安全停靠（brick 模式）。同时，车辆还失去了与远程操作员的连接。 Tesla FSD 是“端到端”的：一个大型神经网络直接把摄像头像素转化为转向与制动。这正是 Andrej 提出的 Software 2.0 思路：不再为每个场景手写 C++ 规则，而是用数十亿英里的人类驾驶数据来训练神经网络。这里的“代码”就是模型权重，驾驶方式更接近人类。我认为，现在 Waymo 面临的是一个巨大的软件问题。它的模块化路线在规模化上是一个依赖陷阱。从长期看，Tesla FSD 会胜出。 Andrej Karpathy said a year ago, “Waymo has a hardware problem, while Tesla has a software problem.” The SF power outage froze Waymo, but not Tesla FSD. Here’s why imo: Waymo is “modular”: It relies on HD maps, LiDAR, sensors, 5G, and many neural networks. It works well until a single module fails. When the traffic lights died, the HD map no longer matched reality, so the car defaulted to a safe stop (brick mode). Also, the cars lost their connection to remote operators. Tesla FSD is “end-to-end”: One massive neural network converts camera pixels directly into steering and braking. This follows Andrej’s Software 2.0 idea: Instead of writing manual C++ logic for every scenario, you train a neural net on billions of human miles. The "code" is the model weights. It drives more like a human. I think now Waymo has a huge software problem. Its modular approach is a scaling and dependency trap. Long term, Tesla FSD wins.

Yuchen JinCo-founder & CTO, hyperbolic_labs

2025/12/23 07:32 UTC

观点原文

一年前，Andrej Karpathy 曾说过一句话：

“Waymo 有硬件问题，而 Tesla 有软件问题。”

旧金山停电让 Waymo 的车辆陷入瘫痪，但 Tesla 的 FSD 却没有。下面是我认为的原因：

Waymo 是“模块化”的：

它依赖高精地图、激光雷达、各类传感器、5G 连接以及多个神经网络。只要其中任何一个模块出问题，系统就可能失效。交通灯停电后，高精地图与现实不再匹配，车辆便进入安全停靠（brick 模式）。同时，车辆还失去了与远程操作员的连接。

Tesla FSD 是“端到端”的：

一个大型神经网络直接把摄像头像素转化为转向与制动。这正是 Andrej 提出的 Software 2.0 思路：不再为每个场景手写 C++ 规则，而是用数十亿英里的人类驾驶数据来训练神经网络。这里的“代码”就是模型权重，驾驶方式更接近人类。

我认为，现在 Waymo 面临的是一个巨大的软件问题。

它的模块化路线在规模化上是一个依赖陷阱。从长期看，Tesla FSD 会胜出。

Andrej Karpathy said a year ago, “Waymo has a hardware problem, while Tesla has a software problem.”

The SF power outage froze Waymo, but not Tesla FSD. Here’s why imo:

Waymo is “modular”: It relies on HD maps, LiDAR, sensors, 5G, and many neural networks. It works well until a single module fails. When the traffic lights died, the HD map no longer matched reality, so the car defaulted to a safe stop (brick mode). Also, the cars lost their connection to remote operators.

Tesla FSD is “end-to-end”: One massive neural network converts camera pixels directly into steering and braking. This follows Andrej’s Software 2.0 idea: Instead of writing manual C++ logic for every scenario, you train a neural net on billions of human miles. The "code" is the model weights. It drives more like a human.

I think now Waymo has a huge software problem. Its modular approach is a scaling and dependency trap. Long term, Tesla FSD wins.

ABAB AI 解读

这段话不是在做“Waymo vs Tesla”的口水战，而是在点出自动驾驶路线之争中一个已经开始显性化的“结构性胜负手”。真正的分歧不在某次事故或停电，而在系统架构是否具备“抗现实突变能力”。

我从技术范式、系统鲁棒性、规模化逻辑、长期胜负四个最高层次来解读。

一、Karpathy 那句话的真正含义：不是硬件 vs 软件，而是架构代差

“Waymo 有硬件问题，Tesla 有软件问题。”

很多人当时误解为：

Waymo 传感器太复杂
Tesla 算法还不够好

但 Karpathy 的真实意思是：Waymo 的问题是“硬件/外部依赖太多”，Tesla 的问题是“软件还在追赶人类”。

这是两个完全不同阶段的问题：前者是结构性天花板、后者是时间问题

二、旧金山停电事件揭示了一个残酷事实：模块化系统怕“现实断层”

Waymo 的系统，本质是一个高精度工程拼装体：

HD Map：假设世界是“已知的”
LiDAR：假设感知可以被精确建模
交通灯系统：假设基础设施可靠
5G + 远程操作员：假设随时可兜底

在一切正常时，它表现非常好。

但问题在于：现实世界不是“逐渐变坏”的，而是“突然失真”的。

当停电发生：

交通灯状态 ≠ 地图预期
世界模型与现实瞬间脱钩
系统无法判断“这是异常，还是新常态”
于是只能进入 brick mode（安全停靠）。

👉 这不是 bug，而是模块化系统的必然行为：当依赖链断裂，系统只能整体失效。

三、端到端系统的真正优势：不是“更聪明”，而是更像人

Tesla FSD 的核心不是“AI 很强”，而是：它不依赖“世界应该是什么样”，而是根据“我看到的世界”直接行动。

这正是 Software 2.0 的本质：

传统系统：人类 → 写规则 → 覆盖世界

FSD：人类 → 驾驶数据 → 学会反应

当交通灯熄灭：人类会怎么做？

减速、观察、把路口当成无灯路口

FSD 学到的正是这种行为模式

👉 端到端系统不是“知道规则”，而是“模仿判断”。

这使它对：停电、临时施工、标志缺失、世界“看起来不对劲”的情况具有更高的行为连续性。

四、为什么说 Waymo 的问题现在“从硬件变成了软件问题”？

关键在于：模块化架构在规模化阶段会指数级复杂化。

随着城市增加：

不同的交通灯标准
不同的道路标识
不同的施工习惯
不同的基础设施可靠性

Waymo 必须：

维护更多 HD maps
处理更多例外规则
依赖更多本地化工程

👉 每扩一个城市，依赖项不是线性增加，而是乘法增加。

这就是所谓的 dependency trap（依赖陷阱）。

而 Tesla：数据来自全球、模型是统一的、改进一次 → 全网受益

五、长期胜负判断：这是“工程极限 vs 学习系统”的对决

从长期看：

Waymo 路线的极限是：在“高度受控环境”里做到接近完美、但难以覆盖开放世界的所有异常

Tesla FSD 路线的极限是：当数据足够多、训练足够久、行为会无限逼近“人类平均驾驶水平以上”

而自动驾驶真正的终局需求是：不是“完美世界下的完美驾驶”，而是“混乱世界中的可接受驾驶”。

六、一句真正的顶层结论

旧金山停电不是一次偶然事故，而是一次“架构压力测试”：模块化自动驾驶在世界失真时选择停机，而端到端系统选择继续判断；在一个本质上不可预测的现实世界里，后者才具备长期规模化的可能性。

这正是为什么，这次事件被很多业内人士视为自动驾驶路线之争的一个“分水岭信号”。

AITeslaGoogle