以上这些努力的终极目标都是自动驾驶。电动化确实令人期待，但未来这项技术肯定是大路货，特斯拉电动车多出来的那些优势并不具有决定性，而自动驾驶则会深刻的改变我们的世界，从根本上来看它才是真正的新技术，绝对的奇货可居。
特斯拉也在朝这方面努力，虽然 Elon Musk 依然坚持不走寻常路。作为科技公司的特斯拉到底能不能将非科技公司们斩落马下？
在自动驾驶领域，特斯拉要对抗的不只是汽车巨头们，它还要和软件公司竞争。特斯拉不需要在软件上打垮底特律，但它必须在软件领域让整个硅谷臣服。
在这场竞争中，特斯拉认为自己的优势所在是能通过售出的电动车采集数据，从而获得关键的竞争优势。眼下，自动驾驶热潮的兴起必须感谢过去 5 年里机器学习技术的大跃进，而它要提取各种典型范式，就必须掌握海量数据。那么，这个“海量”要如何定义？
在这样的背景下，特斯拉选择尽可能多的往现售车辆中安装各种传感器，随后通过传感器采集数据。它们能先一步吃螃蟹是因为特斯拉的电动车已经是搭建在软件平台上的新世代车辆，而传统 汽车厂商可没这个能耐。
随着自动驾驶能力的不断进步，特斯拉可以通过 OTA 让旗下车辆同时“飞升”。由于特斯拉已经有数十万辆车在路上奔跑，因此它们能获得一种“自我强化式”的赢者通吃效应：更多的数据带来更强大的自动驾驶能力，推动车型销量大幅攀升，继而积累更多经验和数据，形成超级良性循环。
如果 Elon Musk 的小算盘真的打成了，对特斯拉绝对意义深远。即使没有这段时间热炒的特斯拉自动驾驶打车网络（摩根斯坦利为其估值 177 亿美元），它也能成为市场上的狠角色。
不过，这只是理论上的，特斯拉想靠这条路成功还得解决两个潜在的问题：我们真的能只靠视觉就实现自动驾驶吗？赢者通吃效应到底会在哪适用？
先来说说视觉的问题。特斯拉不走寻常路就在于，它虽然用上了大量传感器，但 Musk 一直拒绝激光雷达，因此特斯拉的电动车只能靠摄像头来采集 360 度视角，而雷达则只能提供前视探测。这就意味着特斯拉的 3D 建模只依赖视觉这一个途径。
不幸的是，计算视觉现在还不够好，虽然未来有一天它可以胜任这项工作，但现在还不太现实。此外，有了天量数据也不一定能让视觉挑大梁，这也是其他公司普遍采用激光雷达传感器的原因。
其实 Musk 的想法很容易猜透，他一直对激光雷达说“不”还是因为这种传感器太贵了，动不动就要数千甚至数万美元。如果是测试车队，这点钱确实不算什么，但想卖车，这样的高昂成本谁也负担不起（激光雷达可能比 Model 3 都贵）。
此外，现在的技术条件下，往车上安装激光雷达也会不可避免的影响车辆造型。虽然激光雷达的成本和体积都在快速缩水，但想在量产车上用到足够廉价的激光雷达，恐怕还要多年时间。
此外，即使有了好用的传感器套件和“传感器融合”技术，自动驾驶的拼图也难完全凑齐。当然，在高速上巡航控制我们已经玩的很纯熟，但整体来看整个业界还有大量工作要做。
因此，特斯拉决定押宝视觉技术，它要在其他传感器商品化之前解决视觉技术的问题。能用上新传感器后，再乘顺风车迎头赶上。不过，Musk 的赌注风险可不小，也许十年之内 Waymo 就能拿出全自动驾驶解决方案，并将激光雷达售价拉到一两千美元，可能那时特斯拉还没把视觉技术完全吃透。
其次，特斯拉还在赌一个提前量，它想提前实现自动驾驶以实现赢者通吃。不过，即使特斯拉在视觉上取得了巨大突破，也不意味着它就能笑到最后，除非自动驾驶技术永远是个只有少数人能掌握的玄学。
虽然 Waymo 的测试车已经累积了 900 万英里的测试里程，但恐怕搭载 Autopilot 2.0 版本的 20 多万辆特斯拉电动车跑的更多，不过到底多少数据才算尽头？
对机器学习项目来说，这已经成了困扰所有人的通病。数据确实可以不断增加，但什么时候会出现收益递减呢？或者说，自动驾驶是否有天花板？在商业化落地前，你又需要多少车来做测试？此外，机器学习也在快速变化，谁也不敢说未来数据需求量不会大幅降低。
因此，即使特斯拉能解决视觉和其他自动驾驶问题，将数据和车队管理的无人能及，但 Waymo 也有希望解决所有问题并且进入汽车销售市场。也许当自动驾驶开始进入主流时，已经有 5 到 10 家公司做好准备，到时恐怕自动驾驶就像现在的 ABS 那么普及流行。
当然，这些都只是可能性。如果真的走到这一步，所谓的“破坏性创新”就又成了伪命题，到时就不能书写“软件人”（ software people）战胜“老司机”的故事，因为大家都成为了“软件人”。
