截至 2026 年 8 月，Tesla 純視覺自動駕駛已證明相機主導的系統能在受限區域內提供付費無人駕駛服務；它尚未證明的，是純視覺為唯一能規模化的路線。這個差別看似只是語氣，實際上正是整場 Robotaxi 爭論最容易被偷換的地方。
把問題說得更精確：相機能讀取號誌顏色、標誌文字、車道線與行人動作等道路語意，是現有道路基礎設施下的關鍵入口；但「視覺很重要」不會自動推出「雷達與 LiDAR 沒有邊際價值」，更不會推出「任何營運設計範圍都只需要相機」。本文所稱「純視覺」，是對 Tesla 公開描述、以相機影片為核心之路線的分析標籤，不是對每一輛 Robotaxi 完整感測器 BOM 的查核。接下來不重做感測器規格百科，而是拿 2026 年已公開的商業部署與安全證據，檢驗「唯一解」這個可以被推翻的命題。
先說結論：Tesla 純視覺自動駕駛證明了可行，未證明唯一
目前最穩健的判斷可以拆成三層：
- 可行性：Tesla 已在部分城市、有限服務範圍內推進沒有車內駕駛的 Robotaxi 行程，足以否定「相機主導方案不可能無人營運」。
- 規模性：Tesla 的軟體分發、量產車硬體與監督式車隊資料，可能形成較低硬體成本、較快複製的路徑；但公開資料還不足以比較每車成本、服務可用率與遠端協助。
- 唯一性：Waymo 已公布逾 2.2 億英里的 fully autonomous miles。這至少證明一套多感測器系統能在限定 ODD 累積大量無人駕駛曝險，因此「多模態系統做不到這件事」不能成立。
真正待驗證的不是「哪一種感測器比較高級」，而是同一個 ODD 下，哪套系統能交出更好的安全、可用性、fallback 與單位經濟。
2026 現況：FSD（Supervised）與 Robotaxi 是兩套證據
第一個必要切割，是消費者版 FSD 與 Tesla 自營 Robotaxi。Tesla 的官方支援頁仍把消費者產品稱為 FSD（Supervised）：駕駛必須持續主動監督，系統不會讓車輛成為完全自動駕駛。這些里程可以訓練與驗證模型，卻不能直接充當無人 Robotaxi 的安全分母。想理解這兩種產品為何不能混算，可先看 AlphaLab 的FSD 商業採用分析。
第二個切割，是「進入市場」與「整座城市完全無人」。Tesla 在 2026 年 7 月 22 日的Q2 股東簡報中稱 Robotaxi 已進入七個都會區，但舊金山灣區仍標為「Safety Driver」；Austin、Dallas、Houston、Miami、Orlando、Tampa 則標為「Ramping Unsupervised」。這是 Tesla 自己的營運標籤，不是監管機關的統一認證，也不代表每一趟、每一條道路都沒有安全員。
截至 8 月 1 日，Tesla 的Robotaxi 支援頁列出六個有限服務區，App 會顯示邊界，營運時段也依地區不同。這比「七城全面無人」少了戲劇性，卻更接近投資人真正該看的部署單位：城市裡哪一塊 ODD、什麼時段、什麼天候與什麼 fallback 可以穩定營運。
鋼人化 Tesla：純視覺路線真正強在哪裡？
支持 Tesla 的最強版本，不是「動物有眼睛，所以車也只要眼睛」，而是一套工程與商業假說。
- 少一層異質融合稅：拿掉 LiDAR／雷達，可以減少硬體成本、外參校準、時間同步、跨模態物件關聯、感測器健康診斷與供應鏈變異。
- 把資源集中在必須解好的視覺：無論其他感測器是否存在，號誌、標誌、車道與許多行為語意終究要靠影像理解。把主系統逼到能處理視覺長尾，可能避免用局部補丁掩蓋核心缺口。
- 量產車資料與軟體分發：Tesla Q2 圖表顯示累積 FSD（Supervised）里程已逼近 120 億英里；期末「Active FSD Subscriptions」為 148 萬，年增 56%。註腳定義包含一次性買斷與月訂閱，排除免費試用，不能誤寫成 148 萬名月付用戶。
這些優勢都是真實、而且可能很重要。Tesla 的AI 官方頁也顯示，它把所有相機的影片在空間與時間上組合；換句話說，Tesla 公開描述的視覺主導路線本身就包含多鏡頭與時間融合，不能被簡化成「沒有融合」。若 AI5 等車端算力讓更大的時空模型進入量產車，這個資料—訓練—分發迴路還可能加速；相關硬體瓶頸可延伸閱讀Tesla AI5 記憶體架構分析。
Tesla 純視覺自動駕駛還缺哪一段證明？
缺的是把「龐大監督式資料引擎」轉成「可比較的無人營運結果」。Tesla 的 Q2 簡報提供一張 Cumulative Paid Robotaxi Miles 圖，曲線截至 2026 年 6 月、終點低於縱軸 250 萬英里的上限；但圖上沒有精確端點，也沒有依城市、天候或有無安全駕駛拆分。Paid 描述付費行程，不等於全部都是 driverless miles。
Tesla 現行的Vehicle Safety Report則以 FSD（Supervised）為統計對象，碰撞前五秒內曾啟用 FSD 就歸入 engaged。Q2 簡報有 Robotaxi 里程，卻沒有同時提供可計算無人 Robotaxi 碰撞率所需的事件數與無人里程分母。這不等於 Tesla 從未公布任何安全資料；只是目前兩組公開口徑還接不起來。讀數時也要避開小樣本倍率陷阱，詳見Tesla Robotaxi 安全分析。
最強反例：多模態系統已在限定 ODD 累積大量無人里程
Waymo 在 2026 年 6 月 24 日公布，最新安全分析涵蓋截至 3 月 31 日、五個營運地區的逾 2.2 億英里 fully autonomous miles。這是公司揭露，不代表全部都是付費載客里程，也不能隔離 LiDAR、雷達、地圖或營運流程各自造成多少效果；它能支持的窄結論是：多感測器系統可以在限定 ODD 累積大規模 fully autonomous miles。
算式很簡單：2.2 億 ÷ 250 萬 = 88；因為 Waymo 是「逾」2.2 億、Tesla 曲線終點「低於」250 萬，所以兩份公司揭露數值的算術比嚴格大於 88。這不是證據強度，更不能證明 Waymo 安全 88 倍、便宜 88 倍或更適合全球部署；真正有資訊量的是前一段的存在事實：多模態系統已在五個限定營運地區累積大量 fully autonomous miles。若想理解「里程多」為何不自動等於資料護城河，可接著看Robotaxi 資料護城河分析。
安全證據也要守住版本邊界。2025 年一篇同儕審查研究分析的是 5,670 萬英里 Waymo rider-only 資料，並以地點、道路與車種對齊人類基準；它不是 2.2 億英里版本，而且作者皆任職 Waymo、里程由公司提供。這能說明多感測器系統已建立可量測的 ODD 內安全證據，不能反推 LiDAR 是唯一原因。
真正的工程取捨：融合稅與異質觀測
相機可以從多視角與時間序列推論語意、深度與運動；LiDAR 提供主動式幾何與距離量測；雷達直接量測距離與徑向速度。這些資訊不是完全重複，因此異質感測器可能對低對比、遮擋或部分光學退化提供不同觀測。可是「多一種感測器」也不會自動「多一層安全」：校準錯位、時間不同步、跨模態關聯錯誤與壞訊號傳播，都可能讓融合系統退化。
一項收集逾 10,000 公里惡劣天候資料的CVPR 2020 研究，觀察到不同模態會遭遇不對稱失真，因而採用依訊號品質調整的融合方式。這同時支持兩件看似相反的事：異質感測器可能互補，而天真的融合也可能失敗。工程答案取決於 ODD、清潔、故障診斷、學習架構與驗證，不是感測器數量的投票。
端到端不是感測器清單
「端到端／模組化」描述訓練與系統邊界；「camera-only／multimodal」描述輸入模態，兩者是不同的軸。TransFuser把相機與 LiDAR 特徵送進端到端駕駛策略，已足以推翻「端到端必然只用相機」這個概念等式；它的結果來自 CARLA 模擬器，不能當成公共道路安全證明。
把感測器口水戰換成 safety case
NHTSA 的自動駕駛安全框架把 ODD、物件與事件偵測反應（OEDR）、fallback 與最低風險狀態列為核心元素。這正好說明，安全案例的基本單位不是「有幾顆感測器」，而是整套系統在指定道路、地區、速度、時段與天候下，遇到能力邊界時怎麼做。
| 應公開比較的指標 | 它回答的問題 |
|---|---|
| 按 ODD／天候拆分的無人里程 | 系統究竟在哪些條件下累積經驗？ |
| 人傷、氣囊與重傷事故率＋信賴區間 | 結果是否優於對齊後的人類基準？ |
| 遠端協助、fallback 與最低風險停靠頻率 | 「無人」背後需要多少營運介入？ |
| 服務可用率與拒載／停駛時數 | 安全是否靠大幅縮小服務換來？ |
| 每車硬體、清潔、維護與營運成本 | 便宜的是感測器 BOM，還是完整服務？ |
這也是 AlphaLab 在Robotaxi 四道閘門與Robotaxi 路線之爭反覆強調的觀點：展示影片只回答「能不能跑一趟」，安全案例與單位經濟才回答「能不能長期營運」。
最強 Tesla 反方：這條路仍可能勝出
批判「唯一解」不等於看空 Tesla 的路線。相反地，Tesla 已經拿出最有力的反方證據：六個市場被公司標為 Ramping Unsupervised，量產車軟體可以快速部署，近 120 億英里的監督式資料迴路仍在成長。如果 Tesla 能用較少硬體、較低維護負擔，在更多 ODD 交出與多感測器系統同口徑或更好的安全結果，純視覺就可能成為商業上更強的解。
關鍵是「如果」後面的證據還沒齊。Tesla 沒有在 Q2 簡報中公布按城市與無人狀態拆分的事故率、遠端協助頻率、服務可用率或每車營運成本。市場擴張速度值得追，但不能把城市名稱直接換算成廣度，也不能把 supervised miles 換算成 driverless safety。追蹤里程曲線時，可搭配Robotaxi 成長率分析，避免只看單月斜率。
什麼證據會改變判斷？
若 Tesla 公布下列資料，我會顯著提高對純視覺優勢的信心：
- Robotaxi 無人里程按城市、道路類型、速度、天候與時段拆分；
- 與當地、同道路口徑對齊的人傷、氣囊與重傷事故率，附信賴區間；
- 遠端協助、fallback、最低風險停靠與車輛救援頻率；
- 服務可用率、極端天候停駛規則與感測器清潔失效資料；
- 完整每車硬體、清潔、維護、保險與遠端營運成本，而不只 BOM。
反過來，若在可重複、同條件的資料中看到相機共同失效，而異質感測器確實讓系統及時降級或避免碰撞，判斷就應更靠近融合。這兩種結果都比「人類只有眼睛」或「多一顆感測器一定更安全」更有資訊量。
我的判斷：把唯一解降回可驗證命題
Tesla 純視覺自動駕駛已跨過「相機影片為核心的路線能不能在受限區域運作」的一道重要門檻，這值得承認；Waymo 的大規模多感測器無人里程，則證明多模態系統能在限定 ODD 累積大量 fully autonomous miles。兩者共同否定的是兩種過度自信：視覺主導路線不可能營運，以及多模態路線做不到大量限定區域無人里程。
截至 2026 年 8 月，最符合證據的結論是：Tesla 正在驗證一條可能更低硬體成本、也更容易軟體分發的路；它是一條已開始商業驗證的道路，不是已被證明的唯一道路。下一階段真正能拉開差距的，不是感測器口號，而是更寬 ODD 下同口徑的安全、可用性、介入與成本。
Tesla 純視覺自動駕駛 FAQ
Tesla FSD 現在已經是無人駕駛嗎？
不是。消費者版 FSD（Supervised）仍要求駕駛持續主動監督，與 Tesla 自營 Robotaxi 的無人行程不能混為一談。
Tesla Robotaxi 已在七座城市完全無人嗎？
不能這樣寫。Tesla Q2 簡報稱進入七個都會區，但灣區仍標為 Safety Driver，另六區是公司標籤 Ramping Unsupervised；範圍與時段都有限。
純視覺能上路，是否代表 LiDAR 與雷達多餘？
不代表。它證明相機主導方案在部分 ODD 可行，尚未證明其他感測器在所有風險情境都沒有邊際價值。
Waymo 的 2.2 億英里是否證明 LiDAR 路線更好？
不會。它證明多感測器系統能在五個營運地區累積大規模 fully autonomous miles，不能單獨識別安全、成本或任何感測器的因果效果。
文中的大於 88 倍代表 Waymo 安全 88 倍嗎？
完全不是。兩家公司公布的里程定義、監督狀態與截止日不同；大於 88 只是一個保守的公司揭露數值算術下界，不代表證據強度。
端到端自動駕駛是否必須只用相機？
不必。端到端描述輸入與駕駛輸出如何聯合學習，不是感測器數量；相機＋LiDAR 或相機＋雷達的端到端架構都存在。
什麼資料最能證明 Tesla 路線更有優勢？
同口徑的無人里程、ODD／天候拆分、事故率與信賴區間、遠端協助頻率、服務可用率，以及完整每車營運成本。
想持續追蹤這條路線如何從工程展示變成可驗證商業系統，可收藏 AlphaLab Tesla 專區。