在没有端到端之前，图1这种谣言还是很有迷惑性的，但是现在应该没人信：“特斯拉每年投入上百亿美元搞AI基建，只是因为纯视觉AI更省钱”

事实上，纯视觉AI，是最费钱的技术路线

因为雷达等可以直接测得深度距离速度的传感器越少，则对AI的“数据算力模型”的需求越大

而AI的“数据算力模型”，是当今全球最烧钱的铁人三项

因为要搞纯视觉AI，特斯拉每年AI基建投入接近100亿美元

所以，当小鹏逐步转向纯视觉ai的时候，如果有人说他是为了省钱，也是说不通的

至于4D毫米波，两年前的确在特斯拉s及x上实验性上车过的，后来又全部取消了，已经装了4D毫米波的车，售后时也会被拔掉

为什么去掉呢？端到端的效果超预期，是主因

端到端之前，视觉信号不能做到无损传输，HW3.0硬件系统在面对极端天气如的大雨大雾及无光的黑夜场景，有可能会存在判断力下降的情况，因此当时特斯拉是想借4d毫米波雷达来做应对特殊天气的安全冗余的

切端到端之后发现，当摄像头信号能够无损传递，视觉所包含的信息的丰富度和准确度，已经让4d毫米波雷达所能提供的信号价值已经低于的噪音骚扰

上述转变还是发生在hw3.0的端到端架构上的，3.0摄像头的像素只有120万，车端算力也只有144tops（稠密），端到端之后也产生了奇效

而fsd进入到v13阶段时，根据hw4.0的500万像素摄像头及720tos算力的第一个版本的端到端，相对于之前的v12，又有了质的飞跃

接下来通过加大参数模型，加大数据训练，提升上下文长度，单是hw4.0，还有10倍以上的提升空间，在hw4.0时代，再倒退回去，去增加4d毫米波雷达的杂音去获得较少的信号（4D毫米波最强也只是等效上千信道）的可能性已经很少了

原因与hw3.0时一样，正常路况情况下，为了获得这么少的信号，不值得增加这么大一个杂音

而Hw5.0，又会是hw4.0的10倍以上性能，算力可能到5000tops，像素更不是HW4.0能比，那时候特斯拉的数据量也远比现在丰富，每年近百亿美元的超算基建投入，也都可以发挥作用了，在这种情况下，再倒退回去增加一个4d毫米波雷达，它的可能性就更加要低于hw4.0和hw3.0时代了

HW5.0时代的模型，算力，数据，都远超现在，能力越强，投入视觉AI越多，需要增加其他补足能力缺陷的传感器的可能性越小

#特斯拉fsd##特斯拉##小鹏mona#