Часть 1. Вводная

Прошло уже почти 5 лет с тех пор, как была опубликовал статью «Беспилотники 2021».

Так получилось, что все эти пять лет я не имел прямого отношения к отрасли беспилотных автомобилей. И если и были какие‑то громкие новости, то они прошли мимо меня.

Но 4 сентября была опубликована новость, которая не прошла мимо: Tesla вывела на дороги общего пользования Cybercab и запустила его в реальных сценариях роботакси. За один день интернет заполнили десятки и сотни видео, в которых обычные люди показывают, как работает технология.

Можно сказать, что беспилотные такси мы уже видели — и это правда. Waymo к этому моменту уже несколько лет возит пассажиров без водителя и накопила огромный полностью автономный пробег. Тесла некоторое время назад запустила сервис роботакси на базе Model Y с «охранником» на пассажирском сиденье. Наверняка были и другие запуски. Но всё‑таки автомобиль, в салоне которого вообще нет органов управления человеком, на публичных дорогах, не в режиме очередного «демо», а в реальных сценариях такси — ну потрясающе же, правда?

На этом фоне я решил ещё раз перечитать статью 2021 года и посмотреть, насколько изложенные тогда технические идеи и прогнозы подтвердились или, наоборот, были опровергнуты временем.

Забавно, что в 2021 году, строя гипотезы и прогнозы о будущем беспилотного вождения, сложно было даже представить, что настоящая революция в ИИ случится совсем скоро — и что уже через несколько лет статьи, программы, документы и много чего ещё в большинстве случаев не будут создаваться исключительно человеком. Появится инструмент, который довольно сильно перевернёт и профессиональные, и бытовые процессы.

Поэтому с основной частью этой статьи я пошёл по пути наименьшего сопротивления: попросил провести ретроспективный анализ большого брата — GPT.

Что из этого получилось — можно прочитать во второй части.

Но перед этим пару слов про отечественный прогресс.

В публичном пространстве я не вижу ни одной новости или другого убедительного подтверждения того, что за эти пять лет здесь произошёл какой‑то качественный скачок, ни в плане масштабирования, ни в плане технологической зрелости и роста. Что было пять лет назад, примерно то же мы видим и сейчас.

У меня по‑прежнему складывается впечатление, что компании слишком много внимания уделяют поиску прикладного применения своей текущей технологии вместо того, чтобы в режиме «фулл фокус» работать над развитием ключевой, интеллектуальной части технологии автономного вождения.

Шатлы, грузовики, роботакси — конкретное приложение технологии как не имело принципиального значения пять лет назад, так не имеет его и сейчас.

Если технология есть, применить её в грузовых перевозках или такси в конечном счёте будет делом техники и денег. В каких‑то архитектурах это будет стоить относительно дёшево — условные «четыре с половиной камеры и вычислитель» в Tesla‑way. В каких‑то довольно дорого — HD 3D map, 15 лидаров, радары, камеры, IMU, GNSS, redundancy и всего остального желательно по две штуки и с наносекундной точностью.

Но справедливо и обратное: если самой технологии нет, то её не будет ни в шатле, ни в грузовике, ни в роботакси — как ни старайся красиво это подать.

Часть 2. Ретроспектива 2021 (основной объем материала создан AI)

Если перечитать «Беспилотники 2021» сейчас, спустя почти пять лет, то главное впечатление довольно однозначное: изложенные тогда идеи в значительной степени выдержали проверку временем.

Причём интересно даже не то, насколько точно удалось угадать отдельные события. Гораздо интереснее, что довольно точно было выбрано само направление развития технологии и критерии, по которым имеет смысл сравнивать разные подходы к автономному вождению.

В 2021 году ситуация выглядела так: Waymo (автор: здесь и далее под Waymo справедливо понимать любой другой построенный на классической selfdriving архитектуре) уже могла показывать настоящий автомобиль без водителя, тогда как Tesla формально оставалась на уровне SAE Level 2 и требовала постоянного контроля человека. Причём сама шкала SAE в то время воспринималась едва ли не как главный универсальный критерий зрелости технологии: практически любое обсуждение автономного вождения очень быстро сводилось к вопросу «а какой у них Level?», причём нередко шкалу пытались применять к вещам, для оценки которых она вообще не предназначалась. Разница между Level 2 Tesla и Level 4 Waymo для многих автоматически становилась почти исчерпывающим аргументом в пользу технологического превосходства последней.

Одновременно с этим, практически вся серьёзная индустрия автономного транспорта строила системы вокруг комбинации камер, лидаров, радаров, высокоточных карт и точной локализации. Tesla на этом фоне последовательно отстаивала гораздо более радикальную идею: для решения задачи self‑driving в долгосрочной перспективе достаточно визуальной информации с камер, если система научится достаточно хорошо её интерпретировать. Речь шла не просто об удешевлении сенсорного комплекта, а о принципиальном утверждении, что lidar и другие дополнительные средства восприятия не являются необходимым условием полного автономного вождения. Именно поэтому выбранный Tesla путь тогда многими воспринимался не как ещё один вариант архитектуры, а как спорная ставка против практически всего сложившегося отраслевого консенсуса.

Через пять лет некоторые из этих предположений уже можно проверять не на презентациях и обещаниях, а на реально работающих системах.

Если свести основные идеи статьи 2021 года к нескольким тезисам, то получится примерно следующее.

1. Разделение на «ADAS» и «настоящий беспилотник» плохо отражает техническую сущность системы. Уровень SAE прежде всего определяет условия эксплуатации и распределение ответственности, но не обязательно говорит о конечной архитектурной цели технологии.

2. В автономном вождении сформировались два фундаментально разных подхода: создание подробной модели окружающего мира с помощью лидаров, радаров, HD‑карт и точной локализации либо попытка научить систему воспринимать окружающую среду преимущественно так же, как это делает человек, — через зрение.

3. Главная сложность беспилотного автомобиля заключается не столько в измерении окружающего мира, сколько в его понимании и принятии решений. Можно очень точно измерить расстояние до каждого объекта и всё равно неправильно понять дорожную ситуацию.

4. Огромный парк обычных автомобилей Tesla с supervised‑системой может оказаться преимуществом, а не признаком технологического отставания. Такой парк позволяет собирать реальные сценарии, находить редкие случаи и постепенно обучать систему до состояния, в котором человек перестанет быть необходим.

5. Ключевой вопрос масштабируемости — не только стоимость конкретного автомобиля, но и стоимость распространения технологии на новую территорию. Если каждый новый город требует предварительного картографирования, специальной инфраструктуры и длительной локальной подготовки, масштабирование принципиально отличается от системы, способной приехать в неизвестный город и ориентироваться в нём по текущему визуальному окружению.

6. Если роботакси действительно станет массовым продуктом, архитектура, способная масштабироваться почти так же легко, как обычный автомобиль, должна получить фундаментальное преимущество.

ADAS оказался не тупиковой веткой, а стадией развития

Пожалуй, лучше всего проверку временем выдержала мысль о том, что формальное разделение на ADAS и autonomous driving может вводить в заблуждение.

В 2021 году утверждение:

«Waymo — настоящий беспилотник, а Tesla — всего лишь Level 2 ADAS»

было совершенно корректным с точки зрения эксплуатации системы. Tesla требовала постоянного контроля водителя. Ответственность оставалась на человеке. Автомобиль не считался автономным. Но из этого часто делался уже совсем другой вывод:

значит, Tesla решает принципиально более простую задачу.

И вот этот вывод оказался ошибочным.

Если посмотреть на развитие технологии ретроспективно, последовательность выглядит вполне логично:

FSD Beta
    ↓
FSD Supervised
    ↓
миллионы автомобилей под контролем человека
    ↓
накопление реальных сценариев
    ↓
роботакси на базе Model Y
    ↓
unsupervised operation
    ↓
Cybercab
    ↓
автомобиль без руля и педалей

4 сентября 2026 года Tesla начала ограниченные поездки Cybercab в Austin. Это двухместный автомобиль, конструкция которого изначально не предусматривает руля или педалей. На тот момент в Texas было зарегистрировано 45 Cybercab.

Сам по себе небольшой первоначальный парк ещё ничего не говорит о будущем масштабе сервиса. Гораздо важнее другое: для системы на 8 камерах — пройдена фундаментальная граница между системой, которую всегда обязан страховать человек, и автомобилем, в котором человека как резервного водителя конструктивно больше нет.

В этом смысле тезис 2021 года подтвердился практически полностью: SAE Level описывал текущее состояние продукта и распределение ответственности, но оказался плохим индикатором технологического потолка системы.

Ставка на визуальное восприятие оказалась гораздо жизнеспособнее, чем казалось

Второй очень сильный тезис — возможность построить автономное вождение вокруг преимущественно визуального восприятия.

В 2021 году типичная архитектура серьёзного беспилотника выглядела примерно так:

cameras
+ lidar
+ radar
+ GNSS
+ IMU
+ HD maps
+ precise localization
        ↓
sensor fusion
        ↓
autonomous driving

Tesla сознательно пошла в другую сторону.

Вместо того чтобы как можно точнее измерить окружающую среду множеством разных физических сенсоров, была сделана ставка на гораздо более сложное машинное восприятие:

cameras
        ↓
neural networks
        ↓
local representation of the world
        ↓
prediction
        ↓
planning

Важный момент заключается в том, что за пять лет Tesla могла отказаться от этой идеи. Если бы camera‑centric подход упёрся в фундаментальный технологический потолок, самым естественным решением было бы вернуть радары, добавить лидары и постепенно приблизиться к классической архитектуре. Произошло обратное.

Это ещё не означает, что архитектура vision only лучше классической. Но это уже довольно сильный практический ответ на более фундаментальный вопрос:

возможно ли вообще построить настоящий driverless vehicle без архитектуры, в основе которой лежит lidar + radar + HD‑map localization?

По состоянию на 2026 год ответ выглядит как да.

Главная проблема действительно оказалась выше уровня сенсоров

Ещё одна важная мысль 2021 года заключалась в том, что autonomous driving нельзя свести к задаче точного измерения окружающего пространства.

Современный Waymo Driver прекрасно показывает достоинства классической архитектуры.

Waymo сегодня использует камеры, lidar и radar одновременно. Компания описывает распределение функций примерно следующим образом: lidar обеспечивает очень точную 3D‑геометрию и локализацию в HD карте, камеры дают семантическую информацию — например, цвета светофоров и дорожные знаки, — а radar хорошо измеряет скорость объектов и сохраняет работоспособность в условиях, в которых камеры начинают испытывать проблемы: сильный дождь, туман, пыль.

Это объективно очень богатая информация об окружающем мире. Но даже идеальное знание положения объектов ещё не отвечает на вопросы:

• Пешеход собирается переходить дорогу или просто стоит у края?

• Автомобиль впереди собирается перестраиваться или немного сместился внутри полосы?

• Можно ли объехать неожиданное препятствие через соседнюю полосу?

• Полицейский жестом разрешает ехать несмотря на красный сигнал светофора?

• Водитель другой машины действительно пропускает нас или просто немного замедлился?

• Что делать на перекрёстке, если формальные правила и фактическое поведение участников движения начинают расходиться?

Это уже не sensing. Это understanding, prediction и decision making. Именно поэтому аналогия с человеком, несмотря на некоторую упрощённость, остаётся содержательной.

Начинающий водитель и человек с двадцатилетним стажем используют примерно одинаковый сенсорный аппарат. Разница между ними прежде всего заключается не в качестве глаз, а в способности интерпретировать ситуацию и предсказывать её развитие.

Современный прогресс нейросетевых моделей только усиливает этот аргумент.

Главная технологическая битва постепенно сместилась от вопроса:

насколько точно система способна измерить окружающий мир?

к вопросу:

насколько хорошо она способна этот мир понять?

При этом из успехов visual approach совершенно не следует, что lidar или radar являются бесполезными. Автономная система вовсе не обязана копировать ограничения человеческой биологии. У компьютера есть возможность использовать физически независимые каналы восприятия:

camera → visible light

lidar → laser time-of-flight

radar → RF reflection / Doppler

И здесь появляется важное понятие redundancy.

Если яркое солнце, грязь на объективе, туман или другая проблема одновременно ухудшает работу камер, независимый физический канал может продолжать поставлять полезную информацию.

Именно это остаётся одним из центральных аргументов Waymo. В актуальном описании своей технологии компания прямо подчёркивает, что сочетание camera, lidar и radar создаёт избыточную картину мира, которую не способен дать один сенсор.

Поэтому сегодняшний Cybercab позволяет довольно уверенно закрыть один вопрос:

Можно ли построить driverless автомобиль без lidar?

Да, очевидно, можно. Но он пока не отвечает на другой:

Можно ли такой архитектурой обеспечить необходимую безопасность во всём целевом ODD (Operational Design Domain — область условий, в которых автономная система спроектирована и разрешена для работы) лучше или дешевле, чем при использовании нескольких независимых типов сенсоров?

Supervised fleet действительно оказался очень сильным инструментом развития autonomy

Ещё одна идея, которая пять лет назад могла восприниматься почти как попытка оправдать отсутствие настоящего роботакси, сегодня выглядит гораздо убедительнее.

Tesla получила возможность развивать автономное вождение не только на небольшом специализированном test fleet, но и на огромном количестве серийных автомобилей.

Классическая модель разработки беспилотника условно выглядит так:

develop
    ↓
test fleet
    ↓
collect failures
    ↓
improve
    ↓
validate
    ↓
driverless deployment

Tesla получила возможность построить другой цикл:

develop
    ↓
deploy supervised
    ↓
massive real-world fleet
    ↓
collect difficult scenarios
    ↓
train
    ↓
deploy new model
    ↓
collect again
    ↓
repeat

Пока человек остаётся ответственным за движение, система может сталкиваться с огромным количеством реальных ситуаций без необходимости заранее доказывать надёжность, достаточную для полностью автономной эксплуатации.

С этой точки зрения supervised ADAS становится не противоположностью роботакси. Он превращается в механизм его разработки. Именно здесь раннее присутствие Tesla на миллионах обычных автомобилей начинает выглядеть совсем иначе. То, что в 2021 году можно было воспринимать как недостаток:

«машина всё равно требует водителя»,

одновременно являлось способом накопить огромный объём реального опыта до момента, когда водитель сможет исчезнуть из control loop. Насколько именно этот data advantage окажется решающим, пока неизвестно. Но сама модель развития технологии совершенно точно оказалась жизнеспособной.

Самый интересный вопрос — масштабирование

Именно здесь результаты спустя пять лет требуют наиболее аккуратной оценки.

В статье 2021 года классический подход с лидарами, HD‑картами и высокоточной локализацией был назван практически немасштабируемым. Если понимать эту фразу буквально — как невозможность увеличивать количество автомобилей и территорию работы, — она проверку временем не выдержала. Но в контексте статьи под «не масштабируется» подразумевалась несколько другая проблема: сколько стоит распространить уже работающую технологию на следующую территорию?

Waymo сегодня работает уже в 14 городах, увеличила флот до нескольких тысяч автомобилей и накопила более 200 миллионов миль полностью автономного пробега. Это серьёзные достижения и вполне убедительное доказательство того, что классическую архитектуру можно превратить из ограниченного эксперимента в большой коммерческий сервис. Но фундаментальная архитектура Waymo за пять лет не изменилась.

Каждый следующий квадратный километр всё ещё нужно подготовить

Waymo по‑прежнему использует HD maps как важную часть Waymo Driver. Перед полноценной работой на новой территории её необходимо картографировать, построить подробное представление дорожной инфраструктуры, провести локальное тестирование и validation. Сами карты затем необходимо поддерживать в актуальном состоянии. Значительная часть этого процесса сегодня автоматизирована, а автомобили Waymo сами обнаруживают изменения окружающей среды, но принцип остаётся прежним.

Условно расширение территории всё ещё выглядит так:

новая территория
      ↓
mapping
      ↓
HD map
      ↓
local testing
      ↓
validation
      ↓
service deployment
      ↓
continuous map maintenance

Waymo очень серьёзно оптимизировала этот pipeline. Но качественного перехода от city‑specific deployment к universal deployment пока не произошло.

Проще говоря, Waymo научилась значительно эффективнее масштабировать сложную систему, но сама система от этого не стала универсальным водителем, которого можно просто привезти в незнакомый город и отправить работать.

И именно здесь возникает тот самый scaling tax классической архитектуры.

Допустим, сервис работает на территории 100 квадратных миль. Чтобы увеличить её до 200, необходимо получить и валидировать знания ещё о 100 квадратных милях. Пусть mapping стал в десять раз дешевле, большую часть работы делает AI, а обновление карт практически автоматизировано — дополнительная территория всё равно создаёт дополнительное состояние, которое необходимо построить, проверить и затем поддерживать.

Причём старая территория никуда не исчезает:

new mapping
      +
new validation
      +
maintenance of existing territory

Поэтому стоимость следующей квадратной мили можно сильно уменьшить, но архитектурно она не стремится к нулю.

Масштабирование Waymo и обычного такси — всё ещё разные вещи

Лучше всего проблема видна в сравнении с обычным сервисом такси.

Если обычный водитель приезжает работать в новый город, нет необходимости предварительно строить высокоточную трёхмерную модель всех улиц, по которым он потенциально может поехать. Навигация говорит ему примерно, куда ехать, а непосредственно дорогу он воспринимает в реальном времени.

Waymo доказала, что можно перейти от десятков автомобилей к тысячам и от одного города к четырнадцати. Но новый город всё ещё остаётся отдельным инженерным deployment project.

Это количественный прогресс, и весьма серьёзный. Но качественного перехода к принципиально другой модели масштабирования пока не произошло.

И абсолютные числа здесь мало что говорят без второй чаши весов

Те же 200 миллионов полностью автономных миль Waymo звучат впечатляюще — и являются очень сильным аргументом в вопросе safety и зрелости системы.

Но применительно к масштабируемости накопления опыта эту цифру полезно поставить рядом с Tesla.

Tesla уже накопила более 10 миллиардов миль с активным FSD Supervised. Да, это не прямое сравнение: Waymo проезжает свои мили полностью автономно, тогда как в Tesla человек остаётся ответственным за автомобиль. Но механизм получения данных они демонстрируют очень хорошо:

Waymo:
собственный autonomous fleet
        ↓
больше машин
        ↓
больше автономных миль


Tesla:
автомобили клиентов
        ↓
массовое использование FSD
        ↓
больше реальных миль

Именно здесь идея использовать consumer fleet как инструмент развития autonomy показывает своё фундаментальное преимущество. Чтобы существенно увеличить собственный реальный пробег, Waymo должна масштабировать физический autonomous fleet. Tesla получает дополнительный опыт каждый раз, когда очередной клиент включает FSD.

Поэтому сами по себе «несколько тысяч Waymo» или «200 миллионов автономных миль» мало говорят о предельной масштабируемости технологии. Это большие числа внутри молодой индустрии autonomous driving, но совсем небольшие числа относительно автомобильного мира в целом.

Tesla делает ставку на другую модель

Потенциальная модель масштабирования Tesla выглядит принципиально иначе.

Если visual driving stack действительно способен хорошо управлять автомобилем в общем смысле, то новая территория не должна требовать предварительного создания её подробной 3D‑копии.

В пределе:

новая территория
      ↓
navigation / coarse localization
      ↓
visual perception
      ↓
local world understanding
      ↓
driving

В идеальном случае новая территория для Tesla не является отдельным mapping project и всё больше становится обычным deployment уже существующей технологии.

Поэтому прогноз о масштабируемости пока рано записывать в ошибки

Waymo за пять лет добилась гораздо большего прогресса, чем можно было ожидать в 2021 году. Она доказала, что HD‑map‑based architecture можно довести до тысяч автомобилей, десятков городов и сотен миллионов полностью автономных миль.

Но фундаментальное ограничение, лежавшее за фразой «это не масштабируется», никуда не исчезло.

Waymo пока не показала перехода:

city-specific deployment
        ↓
universal deployment

Она показала другое:

дорогой city-specific deployment
        ↓
менее дорогой city-specific deployment

И это важное достижение, но не одно и то же.

Скорость географического расширения Tesla в ближайшие годы станет одним из самых интересных способов проверить, насколько велико это архитектурное различие на практике.

Незакрытый вопрос № 1 — безопасность

Cybercab является чрезвычайно важным технологическим событием, но сам факт отсутствия руля ещё не доказывает достаточный уровень безопасности системы. Пока автомобиль работает как supervised ADAS, редкая ошибка может быть перехвачена человеком.

После удаления человека логика меняется:

system failure
      ↓
vehicle failure

И здесь Waymo обладает очень серьёзным преимуществом в накопленной статистике реальной полностью автономной эксплуатации. Более 200 миллионов driverless miles — это уже огромная доказательная база.

Поэтому на сегодняшний день можно дать конкртеный ответ на вопрос:

camera‑centric архитектура способна привести к реально работающему driverless автомобилю?

Да, это уже подтверждено практически.

Но остается открытым вопрос:

такая архитектура обеспечивает лучшую безопасность, чем multimodal sensor fusion?

Это пока не доказано.

Незакрытый вопрос № 2 — доминация

Самым сильным прогнозом 2021 года была идея о том, что при действительно массовом рынке роботакси преимущество в конечном итоге получит Tesla или другая технология, построенная на аналогичном техническом дизайне. Сейчас этот прогноз выглядит намного реалистичнее, чем пять лет назад. Но считать его сбывшимся пока совершенно рано.

Waymo уже доказала production viability классического подхода.

Это настоящий коммерческий autonomous service, большой полностью автономный пробег, работа в разных городах и постоянно расширяющийся ODD. Tesla теперь доказала technological viability альтернативного подхода. Camera‑centric stack прошёл путь от supervised Level 2 до purpose‑built автомобиля, в котором вообще отсутствуют органы управления человеком. Дальше начинается наиболее интересная часть эксперимента.

В конечном счёте победителя определит не количество камер или лидаров, ни формальный SAE Level, а, скорее всего, произведение трёх параметров: SAFETY × COST × SCALE

Если Waymo сможет продолжать быстро снижать стоимость multimodal hardware, автоматизировать mapping и открывать города один за другим, преимущество Tesla может оказаться меньше ожидаемого.

Если же Tesla сможет показать сопоставимую безопасность и при этом действительно распространять роботакси на новые территории почти как универсальную технологию вождения, преимущество станет уже не вопросом стоимости пары лидаров.

Оно станет архитектурным.

Так насколько идеи 2021 года выдержали проверку временем?

Если собрать результаты в одну таблицу, получается примерно следующее.

Если всё‑таки попытаться дать этой ретроспективе условную оценку, я бы поставил идеям статьи около 8,5 из 10.

Но самое интересное заключается даже не в количестве совпавших прогнозов.

Главное попадание — в выборе параметров, по которым вообще нужно оценивать autonomous driving.

Не:

• Какой SAE Level сейчас написан в документации?

• Сколько лидаров находится на крыше?

• У кого сегодня больше флот роботакси?

А:

• Насколько хорошо система понимает окружающий мир?

• Какова стоимость обучение системы принятия решений?

• Какова стоимость одного автомобиля?

• Сколько стоит следующий миллион автомобилей?

• Сколько стоит следующий город?

• Сколько стоит следующий километр дороги?

• И какой объём реального опыта необходим, чтобы убрать человека из control loop?

Поэтому аргумент образца 2021 года:

«Какой ещё конкурент Waymo? У Tesla же просто ADAS»

проверку временем определённо не выдержал. А вот самый интересный прогноз пока только начинает проверяться. Теперь уже не так интересно, способен ли автомобиль Tesla ехать без человека. Cybercab дал на этот вопрос достаточно наглядный ответ.

Гораздо интереснее другое:

сможет ли универсальное визуальное восприятие превратить запуск автономного транспорта в новом городе из отдельного инженерного проекта почти в обычное развертывание программно‑аппаратного продукта?

Если да, то через несколько лет события 2026 года, вероятно, будут восприниматься не просто как запуск ещё одного сервиса роботакси. Они будут выглядеть как момент, когда окончательно стало понятно, какая из двух архитектурных ставок оказалась правильнее.

Часть 3. Заключение

За пять лет моя позиция по технологии не изменилась. Я все также ставлю на стэк vision‑only или vision+radar only. Уверен что массовое по настоящему массовое роботакси будет посторено на модели Теслы.

Напоследок изложу свою текущую позицию по составу сенсор сета и сложности систем.

Я не могу спорить с тем, что условные двадцать сенсоров разных типов могут давать более полную и надёжную информацию об окружающем мире, чем восемь камер. Более того, в «сухой математике» я вполне готов согласиться, что так оно и есть. Но есть следующие «Но» которые отодвигают это преимущество в количестве сенсоров на второй (или еще дальше) план:

1. Если 20 сенсоров лучше 8. то почему 40 не лучше 20?

Допустим, двадцать сенсоров действительно лучше восьми.

Но сорок, вероятно, будут ещё лучше двадцати. Всегда можно добавить ещё один lidar, radar, камеру, IMU или ещё что‑нибудь продублировать. Понятно куда ведет это направление...

Поэтому для массового применения технологии правильный инженерный вопрос, на мой взгляд, звучит не так:

Как получить максимум информации об окружающем мире?

А так:

Какой минимальный sensor set позволяет обеспечить требуемый уровень безопасности при постоянной эксплуатации?

Это уже нормальная задача оптимизации. Redundancy — хорошо. Но у неё есть цена: деньги, масса, энергопотребление, вычисления, калибровка, обслуживание и сложность.

Поэтому вопрос не в том, лучше ли двадцать сенсоров восьми.

Вопрос в том:

достаточно ли восьми?

И в 2026 году уверенно ответить «нет» на этот вопрос, как мне кажется, уже довольно сложно.

Не всякое техническое преимущество автоматически становится преимуществом продукта.

2. Хрупкость

Каждый дополнительный элемент не только добавляет информацию и redundancy. Он добавляет сложность.А сложность сама по себе является источником проблем.

На моей практике было огромное количество случаев из серии:

• здесь данные пришли на 3 мс позже;

• здесь разъехались timestamps;

• здесь два узла оказались в разных состояниях;

• здесь ошиблись в локализации на несколько миллиметров.

Каждая такая проблема решаема. Но чем больше сенсоров, интерфейсов, источников времени, вычислителей и алгоритмов fusion, тем больше появляется состояний и взаимодействий, которые необходимо предусмотреть и проверить.

Все помнят общий инженерный принцип:

при прочих равных более простая архитектура содержит меньше мест, в которых что‑то может пойти не так.

Что дальше

Спустя пять лет моя основная позиция не изменилась. Скорее наоборот — сейчас я уверен в ней сильнее. Как минимум прогнозы по архитектуре Тесла way подтвердились чуть менее чем полностью. Если обобщать, то финальное лидерство получит тот кто будет следовать направлению:

меньше зависимости от заранее подготовленного мира и больше способности автомобиля самостоятельно этот мир понимать.

Посмотрим в 2031-м.