對於特斯拉的競爭對手而言，雷射雷達路線可能是它們在自動駕駛上追趕特斯拉的最好機會。
從馬斯克與何小鵬兩位CEO相隔大洋抄起鍵盤隔空互懟，再到25歲天才少年Austin Russell創立的公司Luminar登錄納斯達克，公司股價在12個交易日股價漲幅超過4倍，一切都圍繞著一個話題「雷射雷達」。
特斯拉作為新能源汽車的絕對標杆型企業，曾多次在公開場合抨擊雷射雷達在無人駕駛方面應用前景。
而各大車企卻展現了截然不同的態度，紛紛押寶雷射雷達。在奧迪、奔馳、寶馬、本田、沃爾沃、雷克薩斯，再到小鵬、長城、長安、北汽未來發布的車型上，都能夠找到雷射雷達的身影。
在這道雷射雷達抉擇與否的選擇題中，特斯拉這一次站在了幾乎所有人的對立面上。
一、雷射雷達為何成為市場爆點？
從自動駕駛的產業鏈分布來看，自動駕駛系統分為三大類，即感知層、決策層、執行層，分別代替人的眼睛、大腦、手腳。
感知層包括了車輛定位和環境信息感知，而感知層之所以能夠在自動駕駛中代替人的眼睛，依靠於攝像頭、雷達對於周邊環境信息進行捕捉搜集。
這意味著，雷達的不同技術路徑，代表著用什麼樣的眼睛去看這個世界。
在目前的市場上，主流的環境信息感知處理方案上分成了兩類：
一、以特斯拉為代表的視覺算法為主導的流派，通過攝像頭、毫米波雷達捕捉周邊環境信息，再通過算法為主，進行分析抉擇。這一類方案所需的硬體成熟度較高，成本低，但毫米波雷達探測角度較小，遠距離探測能力也不足，需要優異的算法來彌補缺點。
二、以Waymo、大部分車企為代表的雷射雷達主導的流派，在攝像頭、毫米波雷達的基礎上增加了雷射雷達，可以進行遠距離、全方位的探測，解析度較強，但硬體成本較高，且雷射雷達同樣也存在一些問題：比如，在惡劣天氣的條件下表現一般，缺乏對環境的顏色和紋理信息的辨別，並且在大範圍安裝雷射雷達後，雷射雷達有無法判斷是否為自己發出的脈衝光的串擾風險，這會直接導致雷射雷達判斷不出物體的形狀。
對於大部分車企而言，他們在自動駕駛的研發上相對於特斯拉起步較晚，無論是新能源汽車或者是傳統汽車巨頭，在自動駕駛領域裡，它們都無法做到像特斯拉一樣，擁有完全自主軟硬體算法的掌握與開發能力。
以軟體研發較為深入的造車新勢力舉例：
蔚來使用的是特斯拉「前女友」Mobileye研發的晶片，在此基礎上進行算法的自研；
「全棧自研」的小鵬即將使用的是特斯拉另一位「前女友」英偉達研發的Xavier晶片，自動駕駛方案也在剛剛落地；
理想不光是晶片，在自動駕駛的視覺算法上，甚至都是Mobileye提供的打包解決方案，未來在切換到Nvidia Orin還需要進行算法的重寫。
而一些傳統車企，在自動駕駛探索的路上才剛剛起步，大部分都是選擇了由三方提供技術支持來實現他們從0到1的過程。
相對於特斯拉提供的Auto Poilt產品，在自動駕駛維度上，他們與特斯拉實際上完全沒有可比性，能與特斯拉對標的企業應該是谷歌Waymo、英偉達等有能力直接提供自動駕駛方案的科技公司。
而特斯拉已經在視覺算法上已經栽了好幾個跟頭的情況下，這些企業在追趕的道路上，如果選擇與特斯拉同一條賽道，可能會比特斯拉摔的更狠，摔的更慘。
因此，選擇更為穩妥的雷射雷達配合其他傳感器的整體方案是最優的答案，結合雷射雷達綜合成本大為下降，已經進入到預量產階段，二者綜合之下，直接點燃了市場對於雷射雷達的熱情。
對於馬斯克而言，在這場雷達路線上的選擇，放棄雷射雷達的底氣來源於兩方面：一方面，一開始雷射雷達的價格過於昂貴；更重要的一點則是，他堅信特斯拉算法升級的速度會比雷射雷達降價的速度更快。
二、算法與降價之間的博弈
從公開消息來看，儘管雷射雷達的頭部玩家們都宣稱自己手中接到了量產訂單，但雷射雷達量產到雷射雷達真正應用到汽車，並且汽車實現量產上市之間，還存在著一定的時間差。
雷射新銳Luminar早就曝光了手握15億美元的訂單，但從過往兩年1260萬美元、1500萬美元的營收來看，這筆訂單還並未真正落地。
從公司最近披露的信息中提到：「預計到今年底前將售出大約100臺雷射雷達。」這也從產能角度證明了這筆訂單實際並未落地。
雷射雷達鼻祖Velodyne在中國敗北之後，選擇了與現代、福特合作，但這兩家車企搭載雷射雷達的量產車型，最早也要在2021年實現上市。
寶馬的雷射雷達供應商Innoviz在第一代產品還沒有在車輛搭載上市的情況下，推出了第二代產品，成本相較於第一代下降70%，預計在2021年年中應用於寶馬。
小鵬、北汽、長安、廣汽等搭載雷射雷達量產車型的發布最早也在2021年，在不跳票的情況下，到雷射雷達的大範圍落地，仍然存在著1~3年的窗口期，在這窗口期，特斯拉能做到什麼樣的地步？
特斯拉在自動駕駛一直保持著極為激進的研發路線，從整車的傳感器來看，特斯拉用了12個超聲波傳感器，1個毫米波雷達，8個感知攝像頭，在整車的感知範圍布局上，幾乎沒有重疊，而對比小鵬，小鵬光是毫米波雷達就使用了5個，這充分顯現了馬斯克對於自身視覺算法的自信。
儘管這種自信造成了數起「人工智障」才能發生的血淋淋事故，但馬斯克始終認定雷射雷達是沒有必要的配件，並堅持在視覺算法的路線上不斷優化。
在11月發布的FSD Beta版本中，特斯拉利用神經網絡的深度學習功能，通過多個不同角度的視頻文件提取特徵要素合併融合，再進行加工處理成為時態模塊形成點狀的數據，點狀數據匯集到 BEV 網中，將時間和序列進行融合，展現更平滑和動態的結果。
從最終的結果來看，特斯拉引入了3D鳥瞰預測圖，將攝像頭一直被飽受詬病的只能拍攝「二維畫面」實現了3D化的呈現。
在算法不足以支撐更高級別自動駕駛功能的前提下，打出「安全牌」用多種雷達與傳感器的硬體組合是對消費者負責任的選擇。
而對於特斯拉，在算法領先於同行玩家的同時，如何使用性價比最高的零件創造更大的效益，是特斯拉的目標。這也就註定了，在馬斯克眼中，價格高昂的雷射雷達，只能是其他企業對於視覺感知存在的問題和缺陷的遮羞布。
從這個角度來看，雷射雷達的供應商在雷射雷達的降本之路上，能夠成為最大的受益者。因為對於在算法上存在不足的整車企業而言，雷射雷達的大規模普及，是他們在自動駕駛上能追上特斯拉必不可少的「加速器」。
三、特斯拉的多賽道優勢
對於自動駕駛算法而言，推動其發展進化的核心物質基礎有兩個，一個是晶片本身的算力，另一個是訓練算法模型的數據。
解析特斯拉的自動駕駛的競爭格局，對比整車製造商，特斯拉擁有完全自主軟硬體算法的掌握與開發能力。
而對比能夠直接提供自動駕駛方案的科技公司，特斯拉在數據沉澱、商業化變現的維度上，也佔據著優勢。
對於自動駕駛而言，訓練的機會越多、掌握的場景數據越多，技術進步便越快；而技術進步越快，就能推動市場消費者進一步的加入，從而掌握更多的場景數據，實現一種良性循環，夯實的壁壘也會越來越高。
谷歌Waymo最初的自動駕駛解決方案用於計程車，這種重資產的商業模式註定了，如果使用大量實況路測的話，谷歌需要在計程車、自動駕駛兩個維度，同時進行大範圍的燒錢。
因此谷歌只能通過模擬仿真的場景進行自動駕駛的路測模擬，儘管從數據來看，可以每日實現100年的虛擬技術路測，但在實際的駕駛過程中，有很多突發場景與反應，是只有切身碰見才能將數據記錄，虛擬技術路測很難去進行模擬。
谷歌目前也走上了多角色發展的路線，自研雷射雷達實現了商業化之路，同時在車載系統、無人卡車等領域不斷布局，在未來或許能產生多業務之間的協同效應，但就目前而言，Waymo離C端用戶，還存在著一定距離。
而Mobileye儘管與很多車企達成了合作並提供了解決方案，但是其攝像頭收集到數據的所有權都歸屬於車企，是否願意將收集到的數據貢獻給Mobileye完全取決於車企，在這種被動的情況下，目前在新勢力中，也僅有蔚來與Mobileye實現深度合作願意將數據共享，對於未來軟硬體自研一體化的趨勢下，Mobileye的市場份額或將越來越小。
而特斯拉累計銷售的車輛已經突破了100萬輛，在擁有大量車輛的前提下，在此基礎上開發出深度學習的「影子模式」，在數據的搜集廣度跟成本上，擁有以上企業都不具備的絕對優勢。
在路測中，一部分通過虛擬環境進行模擬，在實際的駕駛過程中，機器並不參與駕駛，而是由人主導，機器在整個過程中能夠學習駕駛員在面對各種情況時的行為數據，出現模擬結果和駕駛員真實操作相違背的時候，將其深度學習並記錄上傳，從而提升自動駕駛能力，這一類的數據更為真實，也更有價值。
與此同時，特斯拉採用的是硬體預裝+後續付費的模式，所有產品從出廠時均配備相關的自動駕駛硬體，如果用戶想要添加和使用這些功能，用戶可以以打包價在車輛預訂或後續使用時買斷相關的功能，特斯拉會通過 OTA 進行系統升級，這也給予特斯拉商業化變現的良好平臺。
不論是對比整車製造企業，亦或是自動駕駛方案解決商，多賽道的特斯拉相比之下，在數據閉環、商業化落地、算法更新速度上，擁有著行業標杆型企業應有的優勢。
而在自動駕駛行業業務盈利模式還沒有成熟的階段，行業充斥著大量不確定性，一個新技術的出現與應用，是就此沉默還是改變行業，只能交給時間來決定。
獅子抓兔子，不論抓到與否，對於獅子而言，只是這一頓飯能否吃飽的問題，可對於兔子而言，卻是至關生死的問題。
手握優勢的特斯拉，自信不光源於對自身技術的自信，也在於它擁有著試錯的成本，但對於其他競爭企業而言，這可能是它們是近年來在自動駕駛上追趕特斯拉的最好機會。