一颗车规激光雷达，哪怕连年降价，仍是几百到几千元的成本，一辆车若装多颗更贵，而一颗普通车载摄像头只要几十到一两百元，二者在物料清单上差着整整一个数量级。
这笔钱乘以一年上百万辆的销量，就是几十亿元的总成本差，足以直接影响一台车的定价空间和产品毛利。
不急着判定谁先进谁落后，只算一笔账：坚持不用激光雷达，到底是抠门，还是算了另一笔你没算过的规模账。
智能驾驶的技术路线上，全球车企大致分成两派，这桩公案已经争了好几年，至今没有定论。
一派以特斯拉为代表，坚持以摄像头为主的纯视觉方案，配合人工智能算法和算力实现辅助驾驶，车上不搭激光雷达。
马斯克多次公开质疑激光雷达路线，认为人靠两只眼就能开车，足够多的摄像头加足够强的算法也可以，而且更省成本、更易扩展——这是他个人一贯的观点，从几年前讲到今天，立场没有变过。
另一派是多数中国车企和部分海外厂商走的多融合路线，摄像头、毫米波雷达、激光雷达一起上车，形成多重感知冗余。
不少新车普遍搭载一颗甚至多颗激光雷达，有的车型把雷达藏在车顶，有的嵌在前保险杠里，硬件配置表上写得明明白白。
要把两派的分歧算成账，头一个绕不开的变量，就是激光雷达这颗硬件到底值多少钱，它构成了两条路线最直观的成本差。
车规级激光雷达即便经过几轮国产降价，单颗仍是数百到数千元量级，精度和线数越高价格越贵；全车多颗配置成本更高，一套多雷达方案的感知硬件投入可以到万元级别。
而摄像头则极其便宜，一颗车规模组不过几十到一两百元，全车环视加前视也就几百元的物料。
二者在物料清单上的价差，就是这场路线之争最实在的金钱起点。
沿着这笔硬件差，先算纯视觉这本账，看看省下的钱如何滚成一套更大的成本逻辑。
纯视觉这本账的头一项，是把单车物料成本压到最低。
摄像头单价远低于激光雷达，全车少装几颗雷达，每台车直接省下几千元量级的硬件开支。这个数字单车看不扎眼，放到批量里就是质变。
这笔节省乘以规模化销量极为可观。按百万辆年销量估算，每车省几千元，汇总就是数十亿元的总成本优势。
这部分要么转化为更有侵略性的定价——同级别车型比别人便宜一两万，消费者看得见的实惠；要么沉淀为更高的毛利——在价格战白热化的市场上，多出来的毛利就是活下去的弹药。无论走哪个方向，都是真金白银的竞争筹码。
第二项成本优势在数据侧。纯视觉的硬件高度统一，全系车型都是一套摄像头方案，不分高低配、不加选装包，这意味着所有车辆回传的数据格式一致、口径统一，不需要针对不同硬件配置做额外适配。
庞大的车队跑在真实道路上，能以极低的边际成本回传海量真实路况，用来训练端到端的驾驶模型。
它的底层逻辑是对人类驾驶的模拟：人靠两只眼睛加一个大脑就能开车，那么足够多的摄像头加足够强的人工智能，理论上也能逼近甚至超过人的感知判断。
这条路一旦走通，感知能力的提升主要靠算法和数据，而不是堆硬件。
第三项是可扩展性。硬件越简单、零部件越少，整车的装配、维护和迭代成本越低，也更容易在不同价位车型上快速复制同一套方案。
从二三十万的车到十几万的车，摄像头方案几乎可以原封不动搬过去，而激光雷达方案在不同价位车型上的适配和标定，是额外的一笔工程开销。
把省硬件和便宜的数据合在一起，就形成了一个会自我强化的循环，这个循环正是纯视觉账本里最关键的飞轮。
纯视觉的飞轮可以拆成四环，我们一环环说清它为什么被信奉者认为能越滚越快。
头一环是硬件简单带来低价。少装昂贵雷达，整车成本和售价更有竞争力，同等价位能吸引更多消费者。
在十五到二十五万这个主力价格带，每一千块的价差都可能影响消费者的最终选择，纯视觉方案在定价上天然多出一层腾挪空间。
第二环是低价和爆款带来庞大装车量。路上跑的车越多，回传的真实驾驶数据就越多，覆盖的路口、天气、突发场景就越全。
特斯拉在全球拥有数百万辆级的车队规模，每天产生的行驶里程是天文数字，这些数据源源不断地汇入训练集群，成为算法迭代最核心的燃料。
第三环是海量数据反哺算法。训练样本越大、场景越丰富，模型识别和决策能力迭代得越快，辅助驾驶体验随之变好。
一个在北方冰雪城市、南方暴雨路段、西部强逆光高原都跑过几万公里的模型，和一个只在少数场景训练过的模型，处理能力完全不在一个量级。
端到端架构下，数据规模和模型能力几乎是线性正相关的。
第四环是更好的体验又拉动更多销量。销量再带来更多数据，于是硬件越简单、装车越多、数据越便宜、算法越强，形成正向循环。
后来者即使想追，也很难在短时间内补齐如此庞大的数据里程。这道壁垒不是靠砸钱就能速成的，它需要时间和真实行驶里程去堆，而时间正是竞争中最稀缺的资源。
这套飞轮在商业上极有想象力，也是纯视觉路线最硬的底气。
不过账本从来要两头算，融合派愿意多花一份雷达钱，买到的是纯视觉给不了的另一种东西，这就要翻开第二本账。
融合派的账，核心与其说是硬件贵不贵，不如说愿不愿意为安全冗余付一份保险费，我们把这道冗余的原理讲透。
摄像头本质是被动感知，它靠接收环境光"看"世界，和人的眼睛工作原理类似。
一旦遇到逆光眩目、漆黑夜晚、暴雨大雾，或是前方出现白色静止障碍物这类极端场景，摄像头和视觉算法就可能看不清、甚至误判。
这与其说是算法不够聪明的问题，不如说物理原理决定了它接收到的信息本身就不完整——光线不够就没有信号，光线太强就过曝饱和，摄像头能做的只有在物理极限内尽力而为。
激光雷达则是主动感知，它自己发射激光束、靠反射时间直接测出周围每一点的精确三维距离，不依赖环境光，黑夜、强光对它影响很小，等于用一套原理完全不同的方式独立感知世界。
哪怕对面来车开了远光灯，激光雷达照样能精确测出前方障碍物的距离和轮廓。
正因为原理不同，激光雷达能在视觉算法万一判断失误时兜底，相当于给车辆配了一双"不会被强光暴雨晃花的第二双眼睛"。
多一道独立信息源，就多一次纠正错误、避免事故的机会，两道感知链路同时失效的概率远低于任何单道链路。
融合派算的是风险定价：消费者愿意为降低事故概率支付这份硬件溢价，而一次严重事故带来的赔偿、召回和品牌损失，远高于全车几颗雷达的成本。
用确定的小额硬件支出，对冲不确定的巨额事故损失，这正是买保险的逻辑——每年交几千块保费，买的与其说是确定收益，不如说一个极端情况下的兜底保障。
没有人会觉得买保险是浪费钱，因为保险买的是那个"万一"。
这份保险到底值不值，关键要看事故代价的形状，而它正是非对称的，这也是纯视觉路线绕不开的最强质疑。
最强的反方意见必须正面摆足：纯视觉省下的硬件成本是确定的、有限的，可一旦在极端场景因感知缺失酿成严重事故，代价却是不确定的、可能极其巨大，这就是风险的非对称性。
头一层非对称在概率与后果。省雷达每车稳定省几千元，可严重事故概率虽低，一旦发生就是生命和巨额赔偿，小概率乘以极大后果，期望值并不轻松。
一辆车省三千元，一百万辆省三十亿，但一起致死事故的社会成本、法律赔偿和舆论代价，可能是数亿元量级，而且不可逆。
第二层在品牌信任。智能驾驶承载的是人命，一次被广泛传播的事故，对一家企业技术口碑的打击，可能需要很多年、花更多营销费才能修复，远不是当初省下的硬件钱能覆盖。
社交媒体的放大效应还会成倍加剧这种冲击，一段事故视频在全网的传播速度和情绪烈度，远远超过十次成功的辅助驾驶演示。
还要公允地指出，特斯拉不用激光雷达，除了技术信仰，也可能部分出于商业节奏和毛利考量，这并不等于激光雷达无用。
纯视觉在特定场景的感知短板是客观存在的，不能因为飞轮故事讲得漂亮就忽略。
不过反过来，也不能把融合路线神化。装了激光雷达不等于万事大吉，多传感器的数据融合、决策同样高度依赖算法，硬件堆砌而算法拉胯，照样会误判。
融合算法要解决多源数据的时间同步、空间标定、冲突决策等问题，工程复杂度不低。
冗余只是多一道保障，不是免死金牌，最终能不能把冗余用好，仍然是算法能力的比拼。
把两本账的优势和代价都摊平，就能跳出"谁对谁错"的口水，看清这场争论真正的分水岭是什么。
同一座城市的晚高峰，纯视觉的车和顶着激光雷达的车平稳并线。
两条路线像两种不同的保险方案，最终的理赔员，是车轮下的真实世界和各自账本上的长期数字。
剥掉技术名词，这场路线之争其实是两种成本结构的对赌：特斯拉赌的是算法进步快到足以补上硬件缺失，省下的海量硬件成本和数据规模飞轮长期更划算。
融合派赌的是安全冗余不能省，为非对称的事故代价多付一份硬件钱更稳妥。
两本账都自洽，分歧只在风险定价：一方更相信算法的成长速度和规模效应，一方更愿意为确定性的安全冗余付溢价，买的是不同的保险，并没有绝对的对错。
拉长时间看，这未必是你死我活，更可能是分层共存。
在大规模普及的辅助驾驶阶段，成本敏感的纯视觉有广阔空间；在更高等级、更复杂的场景，多传感器冗余会长期存在。
随着激光雷达持续降价，两条路线的硬件成本差还会缩小，融合方案的门槛也在不断下探，二者的边界可能比今天更模糊。
技术路线的最优解，最终由规模成本和事故成本这两本账的长期赛跑决定。
对消费者而言，与其争谁更先进，不如看清各自把钱花在了哪、又把风险留在了哪，这才是读透这场争论的关键。
