前面几章我们拆了会飞回来的火箭、绕地球一圈的星链、算力堆成山的 Colossus。这些东西有个共同点：它们要么已经在天上转、在地上跑，要么就明明白白地没做出来。判断起来相对干脆。
这一章要拆的两样东西——特斯拉的 FSD（Full Self-Driving，字面「全自动驾驶」，其实目前是需要人盯着的高级辅助驾驶）和 Optimus（特斯拉的人形机器人）——要滑溜得多。它们不是「有」或「没有」的问题，而是「做到了几成」的问题。而恰恰是这个「几成」，最容易被发布会上剪好的视频和「明年就好」的承诺糊弄过去。
所以我们得换一把更细的尺子。不看它能做什么惊艳的事，看它最差的时候有多差。
先说真的那一半：辅助驾驶已经很能打
得先把话说公道。这些年 FSD 的辅助驾驶能力，进步是实打实的。很多车主每天在用，从家门口到公司，大部分路况下人几乎不用动手，体验相当好。这不是口号，这是真本事，是已经在跑、已经产生价值的「现金」那一层。
把它想成一个已经很熟练的实习司机：直路、常规车流、跟车、并线，它开得又稳又顺，比很多人开得还平滑。你坐在旁边基本可以放松——但你不能睡着。
「不能睡着」这四个字，就是真的那一半和跳票那一半之间的整条鸿沟。
为什么「明年就能全自动」喊了很多年
「明年实现完全自动驾驶」这句话，马斯克从很多年前就开始说，每年推一次。这不是黑他，这是有据可查的模式：一次次预告完全自动/无监督，一次次延后。为什么一个每年都在真实进步的系统，那个终点却像地平线一样，走近了它又退远了？
答案是一个词：长尾问题（long tail）。
驾驶里 99% 的场景是常见的——直路、红绿灯、正常的车。这部分好解决。要命的是剩下那 1%：无穷无尽、每一种都很罕见的怪情况。
这些怪情况有个名字叫 edge case（边缘案例，指罕见到平时几乎遇不上、但一旦遇上系统就没见过的情形）：前面突然改道的施工、一块被人歪着摆放的临时标志、半夜横穿马路的鹿、暴雨里糊成一片看不清的车道线、旁边那个突然作出反常动作的司机。
每一种 edge case 单独看都极其罕见，一年碰不上几回。但坏就坏在——它们种类是无穷的。单个罕见，合起来却几乎天天有新花样。你没法穷举，也没法提前给系统「排练」一遍。
安全由最差的尾部决定，不由平均水平决定
这是整章最反直觉、也最要命的一点，工程师尤其要记住：
自动驾驶的安全性，不是由它平均开得多好决定的，而是由它最差的那一次决定的。
一个系统 99.9% 的时间开得比人还稳，听起来很棒。但如果剩下那 0.1% 里偶尔来一次灾难性的误判，你就不能真正放手让它无人驾驶。因为你不知道下一个路口会不会正好撞上那个尾部。平均分再高，救不了你——出事的从来是尾巴。
类比一下：考试从 90 分提到 99 分，比从 60 分提到 90 分难得多。而自动驾驶要的不是 99 分，是 99.9999……分——每多一个 9，难度指数级往上翻。
这就解释了那个诡异的现象：搞定最后 1%，花的力气比前面 99% 加起来还多。前面 99% 靠数据和迭代能猛涨，涨得让人以为「终点就在眼前」；可越往尾部走，你要收集的怪情况越罕见、越难凑齐，每前进一个 9 都要付出越来越大的代价。承诺「明年」的人，往往是站在那条陡峭曲线的前半段，拿前半段的斜率去外推后半段——外推错了很多年。
还有一道坎：感知本身就会出错
在做决策之前，车得先「看懂」世界，这一步叫 感知（perception，把摄像头/传感器传回的像素，翻译成「那是个什么、在往哪动、会不会挡我路」）。听起来简单，但在光照极差、物体被半遮挡、或者遇上一个训练里从没见过的奇怪东西时，感知照样会认错。感知一错，后面再聪明的决策都是错上加错。
别听承诺，看硬指标
工程师的本分，是把发布会的形容词换成可核查的数字。判断自动驾驶到底走到哪一步，盯这几个：
- 脱离率（disengagement，每行驶多少里程需要人类接管一次）：越低越好。这是最诚实的进度表——它直接量的就是「尾部还剩多少」。从每几百英里接管一次，到每几十万英里才接管一次，中间隔着的正是那一串越来越难的 9。
- 真实无人运营的里程和范围：是全国随处能开，还是只在少数城市划好的一小块区域里跑？范围越窄，说明它能对付的长尾越有限。
- 安全员到底去掉没有：车里/远程还坐着随时接管的人，和真正谁都不管，是两个世界。「去掉安全员」是一道极硬的分界线，跨过去才算数。
用这几把尺子去量，你就不会被「年底就好」带着走——那句话每年都成立，也每年都作废。
两条路线：限定场景 vs 全场景纯视觉
这里要中性地讲清楚一个路线差异，别站队。
行业里已经有在限定区域内、真正没有安全员的商业 Robotaxi（无人出租车）在跑，比如走高精地图加激光雷达、只在划定城市区域运营的那一类路线。它证明了一件重要的事：「限定场景的无人驾驶」在物理上是可行的——把范围缩小、把地图喂饱、把长尾圈进一个可控的小世界，尾巴就被剪短了，问题就变得能收敛。
特斯拉走的是另一条路：纯视觉（主要靠摄像头，不依赖激光雷达和高精地图）、目标是全场景随处能开。这个志向大得多——如果成了，成本和可扩展性都碾压前一条路。但代价是：它没有把长尾圈起来，它要正面硬啃整条尾巴。志向越大，尾巴越长，越难。
一个是先把游泳池抽干了再走路，一个是要在大海里学会游泳。谁对谁错现在下不了定论，但难度不在一个量级，这一点是清楚的。
用我们的尺子收一下：特斯拉在限定城市区域已经开始试跑 Robotaxi、逐步往「移除车内安全员」的方向挪（有时只是把监督员挪到尾随的护航车上，并没真正彻底放手），这是真进展；但「全国、全场景、纯视觉、彻底无监督」，仍是那个被预告了很多年、还没兑现的目标。二者别混为一谈——真正跨过「谁都不管」那道线，才算数。
Optimus：把「演示」和「产品」分开
人形机器人 Optimus，是同一个陷阱的另一个版本，而且更容易上当——因为一段机器人叠衣服、颠鸡蛋、打太极的视频，实在太好看了。
但这里有个关键区分：演示里的动作，有多少是机器人自己想出来的，有多少是人在背后遥控或提前排练好的？不少惊艳的 demo 用了 遥控（teleoperation，人戴着设备远程操纵机器人，机器人本身没在「思考」）。一段流畅的表演，可能背后站着一个操作员。
剪辑好的演示，是一场排练过千百遍的表演；真实环境里干活，是没有剧本的直播。表演可以重拍到完美，直播会当场翻车。
而现实世界，恰恰是最不讲剧本的地方——地上有没预料到的东西、光线在变、物体滑了一下、人突然从旁边走过。机器人卡在哪儿？还是长尾和可靠性：在没排练过的、乱七八糟的真实环境里，自主、稳定地把活干完，比在舞台上表演一段难上太多。这也是为什么，公司自己也承认这些机器人目前主要还在「学习和迭代」，离在工厂里稳定干真正有用的活还有距离。
判断 Optimus，别看剪好的视频，问三件事：这个动作是自主的还是遥控的？换到一个它没练过的场景，它还稳不稳？它能连续可靠地完成，还是只是偶尔成功一次拍下来了？
收尾：用三层尺子把它们劈成两半
回到全书那三层尺子——口号、现金、物理——把这一章的东西各归各位：
- 已经在跑、有真价值的（现金 / 真本事）：日常辅助驾驶、在限定区域内的无人 Robotaxi、工厂里做数据采集和学习的机器人。这些是实的，别否认。
- 物理上不违法、但工程长尾极难、且被反复预告未兑现的（大量口号成分）：全场景、无人监管的完全自动驾驶，和在真实非结构化环境里自主可靠干活的通用人形机器人。这些不是骗局——它们没违反物理定律，也许终会到来——但它们卡在那条越往后越陡的长尾曲线上，「明年」这个词已经被用旧了。
给你一个能立刻用的动作：把「demo 惊艳」和「产品可靠」彻底分开。看到一段让你「哇」的视频时，先别激动，掏出那三把硬尺子量一量——脱离率降到多少了？真实无人里程覆盖多大范围？安全员到底去掉了没有？机器人那个动作是自主还是遥控？
能过这几关的，是逼近；过不了、只在发布会上闪光的，是跳票。长尾不会因为谁喊得响就变短——它只在那些沉默的、可核查的数字里，一个 9 一个 9 地，慢慢往前挪。