如何评价余承东认为特斯拉FSD上限很高，下限很低的说法？
余承东对FSD这个评价，算是对目前端到端OneModel方向的标准行业认识。
上限很高讲的是端到端的方案能够解决大量现在rulebase的问题。
在华为ADS2.0的时代，大家做智能驾驶主要是靠纯粹的手搓规则。
比如你从1万条规则增加到10万条规则，你会感觉汽车的智能驾驶能力提升了40%，从智障变成能用了。
从10万条增加到50万条，你会感觉又提升了30%，从能用变成了还可以。
从50万条增加到100万条，你感觉提升了20%，有些比较刁钻的场景也可以解决了。
这时候问题就来了，如果rulebase还要再继续提升的话，就需要把100万条规则增加到200万条，这次提升的幅度可能就只有10%了。
然而我们肉眼可见的，人力会再次翻一倍，而且你的投入越大，收益会越小。
另外你从系统的复杂性来说，当规则越来越多的时候，它理论上确实是会更安全，但是它也会变得更加不可解释，当出现问题的时候，会越来越难解决。
所以我们看ADS2.0时代下，大家跟随特斯拉用BEV空间方案，解决的是95%的常见问题，大家会感觉智驾的进步突飞猛进。
这就相当于所有人都还在解决吃不吃的饱的问题，你突然让大家都能每顿饭吃得上肉，大家的体验就很好。
然而到了端到端的时代，这个路线主要解决的是开发工程的问题。
相当于大家吃的还是猪肉，但是你这次给吃的是粮食猪了。
但问题也在这里，就是大家还是在一个更关注吃饱的方面，你提供一个吃好的选择，体验提升不是很大。
端到端的好处在于，它直接从传感器输出到模块，不用先处理一个空间出来，让模块在空间里理解。
同时数据直接到模型，模型可以直接理解原始数据，这就有一个模型自训练学习的基础。
而且我们熟悉的训练大模型的方法，也都可以用到车载模型上。
你比如蒸馏模型，用更好的数据去喂。
像华为有一篇智驾论文就介绍了，怎么用激光雷达的数据当老师，去教育同平台的视觉方案，让视觉方案的体验更好地接近于激光雷达方案。
这就是工程上的一种优点，它大大提高了复用率通用性，不再是每个平台都要手搓海量的规则。
但这个方法也不是完美的。
纯粹的OneModel端到端，世界模型是会赋予它理解场景前所未有的能力，但是大模型有的通病，他也全都有。
简而言之，onemodel会经常理解岔，而且做出车主完全无法理解的操作。
因为之前的智能驾驶架构里面，传感器到BEV之后，有认路的模组，有预测动作的模组，有负责安全的模组等等，每一块都是各干各的，而且有优先级的排序。
onemodel是把判断都丢给一个模型，直出结果。
好处就是快，结构简洁，可以不断训练，升级也快，天花板也很高，不用养一个很大的智驾研发团队——你也可以看到其实都是对车厂的好处。
而问题就是，大模型幻觉的问题无法解决，它时不时会抽风。
这个也就是余承东所说的，下限很低，就是这么一个问题很难解决。
所以在onemodel的路径下，现在大家搞得是串联端到端，我们看华为发布会上ADS3.0的架构图里面，也把安全模块大大放大了。
这里面主要做的工作就是把BEV空间去掉了，所以提到了信息无损传输和决策速度快一倍。
理解起来很简单，就是识别特征的工作直接从传感器原数据识别了，不用在处理好的BEV空间里识别。
现在端到端的技术路线还刚刚开始，如果智驾要真的更大范围普及，有更强大的体验，那肯定是要上大模型的，靠人力手搓规则，现在已经摸到天花板了。
所以特斯拉在技术上确实有前瞻性，但主要也是有名，而且敢于上新技术。
实际上端到端在学术界几年前就关注到了，国内智驾供应商也是两三年前就开始做预研了，很早大家就意识到了这个问题。
现在的问题是，智驾做得好的厂商，上端到端反而是循序渐进的，在规则安全的基础上做。
而有些智驾做得不好的国内厂商，一来就硬上，既没有算力群，也没有积累，更没有对臭搞技术的敬畏，直接宣称要做onemodel。
大家可以看到，我对智驾就是非常激进的改革派了，但是对于直接研发半年硬上onemodel的厂商，我只能说四个字。
谋财害命。
