特斯拉最近改变了策略，基本放弃了model2廉价车的研究，转而全力投入研发自动驾驶FSD和robotaxi。
似乎是看到在成本和制造方面与中国电动车竞争优势不明显，因此转而投入AI自动驾驶这个美国有领先优势的领域，直接把电动车的竞争抬升到另一个维度。
同时，据说FSD技术已经用在了musk的人形机器人上。未来随着自动驾驶FSD的AI能力的成熟，其在人形机器人领域也将取得突破和领先。musk自己说人形机器人是一个比电动汽车还要大的市场。以前还觉得这个太遥远，但上周GPT-4o和google的Astra发布，让人联想到了人形机器人将会很快拥有视觉、听力、说话的能力。似乎人形机器人也并没有那么遥远了。
FSD和与华为ADS相比，FSD采用了纯视觉方案，而华为以及其他国内厂商是用雷达等辅助设备、高精地图等辅助信息，来训练的智驾方案。就如同给一个智力水平一般的人一份导航地图，标明了哪里有红绿灯哪里有转向提示等，同时给了他一个雷达探测器告诉他前面多远有个障碍物。纯视觉方案，AI通过视觉图像判断与前方障碍物的距离，通过视觉识别和判断路面上的各种红绿灯指示牌，理论上也可以适用于没有高精地图的地方使用。这种方式训练的AI显然比国内雷达、高精地图加持的AI更聪明更通用。特斯拉擎天柱上矍铄已经使用了FSD的芯片、摄像头等方案，显然机器人要在真实世界行动需要的是FSD这种通用的AI智能。
再联想到现在的LLM算法，transformer模型是一个更通用，且可以不断叠加算力、模型参数，可以不断scale out的模型。在GPT出现之前，有BERT，T5等在专业领域更强大，更高效的模型。但是OPENAI选择用transformer不断累加算力、数据和参数，终于出现了智能涌现的AGI雏形。计算机领域仍然延续了底层逻辑简单、通用，通过叠加、快速迭代完成指数增长的奇迹。
通用计算机出现之前，有科学家尝试用复杂的齿轮和机械装置制造计算机器，当时最先进的机械计算机据说设计为可以进行伯努利数计算，只可惜由于设计太过复杂，最终这个设计未能完成。而图灵提出了一种通用计算机的设想，他把复杂的计算逻辑，分解为最简单的二进制运算，通过迭代最简单的计算单元最终完成复杂的运算逻辑。最终冯诺依曼设计出了通用计算机架构，并实现了通用计算。对比现在的LLM算法发展，是否似曾相识。OPENAI的研究员在twitter上调侃背诵的“The bitter lesson”提出了类似观点：在AI领域，基于数据和一般目的方法（如深度学习）的成功，对比那些依赖于人类知识精心构建的专门的算法，展现出了压倒性的优势。Sutton认为，这是一个“苦涩的教训”，因为它意味着过去很多依赖于专家手工设计特征和算法的努力，尽管初期可能取得一些成功，但最终被更加简单、可扩展且依赖于大量数据的方法所超越。
所以，此时此刻，对于AI大模型领域，通用性更强的算法，和使用“奇技淫巧”微调、对齐而适应特定场景的算法，你认为哪个更有前景？