Η εξαιρετική απόδοση της Tesla στις δοκιμές του Dongchedi οφείλεται σε μεγάλο βαθμό στην μακροχρόνια προσήλωσή της στην καθαρή οπτική τεχνολογία. Σε αντίθεση με την κοινή προσέγγιση άλλων αυτοκινητοβιομηχανιών που χρησιμοποιούν συνδυασμό πολλών αισθητήρων "Lidar + ραντάρ χιλιοστών + κάμερες", η Tesla βασίζεται αποκλειστικά σε κάμερες για τη συλλογή οπτικών πληροφοριών, χρησιμοποιώντας προηγμένους αλγόριθμους για την επεξεργασία τους και την επίτευξη περιβαλλοντικής αντίληψης και ελέγχου αποφάσεων. Αυτή η τεχνολογική επιλογή παρουσίασε αρκετά σημαντικά πλεονεκτήματα κατά τη διάρκεια των δοκιμών, ενώ προκάλεσε και συνεχιζόμενες αντιπαραθέσεις στον κλάδο.

Το πλεονέκτημα κόστους είναι η πιο άμεση ανταγωνιστικότητα της καθαρής οπτικής προσέγγισης. Σύμφωνα με τα στοιχεία της βιομηχανίας, το κόστος του συστήματος αυτόνομης οδήγησης της Tesla Model 3 είναι περίπου 40% χαμηλότερο από αυτό του Wanjie M9 που διαθέτει Lidar. Το κόστος ενός Lidar είναι περίπου 500 δολάρια, ενώ το κόστος των κοινών καμερών που χρησιμοποιεί η Tesla είναι μόλις μερικές δεκάδες δολάρια. Αυτή η διαφορά κόστους επιτρέπει στην Tesla να διατηρεί υψηλά περιθώρια κέρδους ενώ επενδύει περισσότερους πόρους στην ανάπτυξη αλγορίθμων και στην επεξεργασία δεδομένων. Οι διαδικτυακοί σχολιαστές είναι αρκετά αιχμηροί σχετικά με αυτό: "Η καθαρή οπτική είναι η σωστή πορεία, γιατί ο πραγματικός κόσμος είναι προετοιμασμένος για τους ανθρώπους, το Lidar σπαταλά άσκοπα το κόστος του υλικού".

Αυτό που εντυπωσίασε περισσότερο στις δοκιμές ήταν η ανθρώπινη λογική απόφασης που παρουσίασε το σύστημα της Tesla. Στην σκηνή "κατασκευής με φορτηγό", όταν το Model 3 πλησίασε την περιοχή εμποδίων με ταχύτητα 130 χλμ/ώρα, όχι μόνο αναγνώρισε έγκαιρα το εμπόδιο μπροστά και ενεργοποίησε το φρένο, αλλά ολοκλήρωσε και μια σειρά από πολύπλοκες ενέργειες όπως αλλαγή λωρίδας και αργή παράκαμψη μετά από σύντομη παύση, περνώντας τελικά με επιτυχία μέσα από έναν στενό χώρο μόλις 2,55 μέτρων. Αυτή η ικανότητα "ομαλής και λογικής αντίδρασης σε επείγουσες καταστάσεις" αντικατοπτρίζει το βασικό πλεονέκτημα του νευρωνικού δικτύου της Tesla — δεν είναι απλώς μια απλή "αντίληψη-αντίδραση", αλλά προσομοιώνει τη διαδικασία συνολικής κρίσης ενός ανθρώπινου οδηγού.

Η καινοτομία της τεχνολογικής αρχιτεκτονικής της Tesla είναι επίσης ένας σημαντικός λόγος για την εξαιρετική της απόδοση. Το FSD V12 χρησιμοποιεί την αρχιτεκτονική Vision Transformer, επιτυγχάνοντας άμεση χαρτογράφηση από την είσοδο εικόνας στις εντολές ελέγχου μέσω ενός μοντέλου end-to-end. Ο αλγόριθμος σπαρτής πρόβλεψης διαδρομής μειώνει τον χρόνο απόκρισης για τις αποφάσεις σε πολύπλοκες διασταυρώσεις σε 120 χιλιοστά του δευτερολέπτου, πλησιάζοντας το ανθρώπινο επίπεδο. Πιο σημαντικό είναι ότι το σύστημα της Tesla χρησιμοποιεί σχεδίαση "ενιαίας ροής απόφασης", αποφεύγοντας προβλήματα σύγκρουσης πολλών συστημάτων. Στις δοκιμές του Dongchedi, το Wanjie M9 αναγκάστηκε να διακόψει τη λειτουργία NCA (αυτόματη υποβοήθηση πλοήγησης) λόγω ενεργοποίησης του AEB (αυτόματη έκτακτη πέδηση) στην σκηνή κατασκευής, οδηγώντας σε κατάρρευση της στρατηγικής του συστήματος. Αντίθετα, το σύστημα FSD της Tesla, λόγω της ενιαίας αρχιτεκτονικής του, δεν παρουσίασε την κατάσταση "αλληλοσυγκρουόμενων αποφάσεων", με αποτέλεσμα οι αποφάσεις να είναι πιο συνεκτικές και σταθερές.

Ωστόσο, η καθαρή οπτική προσέγγιση αντιμετωπίζει επίσης πολλές αμφιβολίες και περιορισμούς. Η διαμάχη σχετικά με τις μεθόδους δοκιμών και την επιλογή σκηνών είναι η πιο προφανής. Ο υπεύθυνος του Huawei ADS ανέφερε στα μέσα κοινωνικής δικτύωσης: "Η πραγματική σύγκριση αυτόνομης οδήγησης θα πρέπει να γίνεται σε πολύπλοκες σκηνές όπως χωριά και αγορές, και όχι σε κλειστές αυτοκινητόδρομους." Πράγματι, οι δοκιμές του Dongchedi διεξάγονται αποκλειστικά σε σκηνές αυτοκινητοδρόμου, χωρίς να περιλαμβάνουν τις πολύπλοκες αστικές συνθήκες της Κίνας, όπως οι δεξιές στροφές χωρίς προστασία και η ανάμειξη μηχανοκίνητων οχημάτων, οι οποίες είναι αναγνωρισμένα αδύνατα σημεία της καθαρής οπτικής προσέγγισης. Οι πραγματικές δοκιμές του Φεβρουαρίου έδειξαν ότι το FSD παρουσίασε 34 παραβάσεις στους αστικούς δρόμους της Κίνας, με την ικανότητα αναγνώρισης τοπικών χαρακτηριστικών κυκλοφορίας όπως οι ειδικές λωρίδες λεωφορείων και οι λωρίδες παλίρροιας να είναι προφανώς ανεπαρκής.

Η εξάρτηση από το περιβάλλον είναι μια άλλη μεγάλη πρόκληση. Η ακρίβεια αναγνώρισης της καθαρής οπτικής προσέγγισης μπορεί να μειωθεί κατά 30% σε ακραίες συνθήκες όπως έντονη βροχή ή αντίθετο φως. Αν και το υλικό HW5.0 της Tesla διαθέτει 12 ανθεκτικές κάμερες, χρησιμοποιώντας προσαρμοσμένους φακούς της Samsung με θερμαντικά στοιχεία και αδιάβροχες επιστρώσεις, που μπορούν να διατηρήσουν αποδοτική ανίχνευση σε απόσταση 250 μέτρων σε βροχερές και χιονισμένες συνθήκες, στην πραγματικότητα μπορεί να υπάρξουν διακυμάνσεις στην απόδοση σε πολύπλοκα περιβάλλοντα. Σε σύγκριση, οι προσεγγίσεις πολλαπλών αισθητήρων, μέσω της ενεργητικής ικανότητας ανίχνευσης του Lidar, μπορούν να προσφέρουν πιο σταθερή απόδοση αντίληψης σε κακές καιρικές συνθήκες.

Είναι σημαντικό να σημειωθεί ότι οι τεχνολογικές προσεγγίσεις δεν είναι εντελώς αντίθετες, και ο κλάδος δείχνει τάσεις συγχώνευσης. Το Huawei ADS 3.0 έχει προσαρμοστεί σε στρατηγική "Lidar ως κύριο, οπτική ως δευτερεύουσα"; ενώ η Tesla βελτιώνει σιωπηλά τους αλγόριθμούς της, με την τελευταία έκδοση FSD Beta 13.2 να εισάγει περισσότερη τεχνολογία σημασιολογικής διαίρεσης, αυξάνοντας την ακρίβεια αναγνώρισης κατά 27%. Μια κοινή συναίνεση αρχίζει να διαμορφώνεται στον κλάδο: δεν υπάρχει απόλυτη βέλτιστη πορεία, μόνο συνδυασμένες προσεγγίσεις που είναι οι πιο κατάλληλες για συγκεκριμένο περιβαλλοντικό και τεχνολογικό οικοσύστημα. Η απόδοση της Tesla στις δοκιμές του Dongchedi αποδεικνύει τη βιωσιμότητα της καθαρής οπτικής προσέγγισης υπό συγκεκριμένες συνθήκες, αλλά δεν σημαίνει ότι αυτή η πορεία έχει καθολικά πλεονεκτήματα σε όλες τις σκηνές.

Μετά την ανακοίνωση των αποτελεσμάτων των δοκιμών υποβοηθούμενης οδήγησης του Dongchedi, αν και η απόδοση της Tesla κέρδισε ευρεία προσοχή, οι αντιπαραθέσεις γύρω από τη μεθοδολογία, την αμεροληψία και την αντιπροσωπευτικότητα των δοκιμών προέκυψαν επίσης. Αυτές οι αντιπαραθέσεις όχι μόνο αντικατοπτρίζουν την προσοχή του κοινού στο σύστημα αξιολόγησης της αυτόνομης οδήγησης, αλλά αποκαλύπτουν επίσης τις ελλείψεις του κλάδου στην τυποποίηση. Η εις βάθος ανάλυση αυτών των σημείων αντιπαράθεσης είναι κρίσιμη για τη σωστή κατανόηση της πραγματικής σημασίας των αποτελεσμάτων των δοκιμών.

Ο έλεγχος των μεταβλητών των δοκιμών είναι μία από τις πιο αμφισβητούμενες πτυχές. Πολλοί ειδικοί του κλάδου και αυτοκινητοβιομηχανίες επισημαίνουν ότι οι κρίσιμες παράμετροι κατά τη διάρκεια των δοκιμών, όπως η ταχύτητα του οχήματος και η απόσταση ακολουθίας, δεν έχουν ενιαία πρότυπα. Για παράδειγμα, στην δοκιμή "ξαφνική εξαφάνιση του προπορευόμενου οχήματος", οι συνθήκες σκηνών που αντιμετωπίζουν διαφορετικά μοντέλα διαφέρουν — κάποια οχήματα έχουν ελεύθερη λωρίδα στα αριστερά και μπορούν να παρακάμψουν, ενώ άλλα έχουν την αριστερή λωρίδα κατειλημμένη από άλλα οχήματα και δεν μπορούν να παρακάμψουν. Ομοίως, η απόσταση ακολουθίας χρησιμοποιεί τις "μεσαίες" ρυθμίσεις που καθορίζονται από κάθε αυτοκινητοβιομηχανία, αλλά αυτή η διαφορά προτύπων είναι τεράστια: η "μεσαία" της Tesla μπορεί να αντιστοιχεί σε περίπου 120 μέτρα απόσταση ακολουθίας (7 λευκές γραμμές), ενώ η "μεσαία" του Wanjie είναι μόλις περίπου 45 μέτρα (3 λευκές γραμμές). Αυτή η ασυμφωνία στην εκκίνηση καθιστά δύσκολη τη διαγώνια σύγκριση των αποτελεσμάτων των δοκιμών.

Αντιμετωπίζοντας αυτές τις αμφιβολίες, το Dongchedi απάντησε: "Οι μεταβλητές δεν μπορούν να είναι εντελώς ομοιόμορφες, αλλά η συνολική λογική είναι κοντά σε πραγματικές σκηνές χρήσης αυτοκινητοδρόμου, και όχι σε τυποποιημένες εργαστηριακές δοκιμές." Τόνισαν ότι ο σκοπός των δοκιμών δεν είναι να δουν "ποιος είναι ο πιο έξυπνος", αλλά "ποιος κάνει τα λιγότερα λάθη". Αυτή η θέση έχει κάποια λογική, καθώς το πραγματικό οδικό περιβάλλον είναι γεμάτο μεταβλητές και τα συστήματα αυτόνομης οδήγησης πρέπει να είναι ικανά να αντιμετωπίζουν την αβεβαιότητα. Ωστόσο, ως συγκριτική αξιολόγηση, η κατάλληλη ρύθμιση των κρίσιμων μεταβλητών παραμένει βασική απαίτηση για την επιστημονικότητα των αποτελεσμάτων.

Η αμφισβήτηση της ανθρώπινης παρέμβασης σχετίζεται με την αμεροληψία της διαδικασίας δοκιμών. Στο βίντεο δοκιμής του Wanjie M9 στην σκηνή κατασκευής, το όχημα ξαφνικά στρίβει, οδηγώντας σε αποτυχία της ενέργειας αποφυγής, και κάποιοι χρήστες του διαδικτύου αμφισβήτησαν μέσω αργής αναπαραγωγής του βίντεο ότι ο οδηγός παρενέβη στον έλεγχο του οχήματος. Οι τεχνικοί του Dongchedi εξήγησαν ότι αυτό οφείλεται σε σύγκρουση του συστήματος λόγω της διακοπής της λειτουργίας NCA μετά την ενεργοποίηση του AEB, και δεν είναι ανθρώπινη παρέμβαση. Αυτή η εξήγηση είναι λογική, αλλά αποκαλύπτει επίσης το πρόβλημα της έλλειψης διαφάνειας κατά τη διάρκεια των δοκιμών — αν η δοκιμαστική πλευρά μπορούσε να δημοσιοποιήσει εκ των προτέρων πιο λεπτομερείς διαδικασίες λειτουργίας και κριτήρια αξιολόγησης, τέτοιες αμφιβολίες θα μπορούσαν να αποφευχθούν.

Η πιο θεμελιώδης αμφισβήτηση αφορά την αντιπροσωπευτικότητα των σκηνών δοκιμών. Οι δοκιμές του Dongchedi επικεντρώνονται σε 15 επικίνδυνες σκηνές, όλες προεπιλεγμένες και τυποποιημένες. Ωστόσο, το πραγματικό οδικό περιβάλλον είναι πολύ πιο περίπλοκο και μεταβλητό, ειδικά τα μοναδικά κυκλοφοριακά φαινόμενα των κινεζικών πόλεων, όπως οι ηλεκτρικές μοτοσικλέτες που διασχίζουν ελεύθερα, οι πεζοί που διασχίζουν τις προστατευτικές μπάρες και οι μηχανοκίνητοι που κινούνται αντίθετα, δεν έχουν αποτυπωθεί στις δοκιμές. Η κριτική του υπεύθυνου του Huawei ADS είναι καίρια: "Η πραγματική σύγκριση αυτόνομης οδήγησης θα πρέπει να γίνεται σε πολύπλοκες σκηνές όπως χωριά και αγορές." Οι περιορισμοί των σκηνών δοκιμών καθιστούν δύσκολη την πλήρη αποτύπωση των διαφορών στην απόδοση των συστημάτων κατά τη διάρκεια της πραγματικής χρήσης.

Η αντίκρουση των εμπορικών σημάτων σχετικά με τις αμφιβολίες είναι επίσης αξιοσημείωτη. Ορισμένοι χρήστες του διαδικτύου σημείωσαν ότι ο επενδυτής πίσω από το Dongchedi, η Sequoia Capital, έχει επίσης επενδύσει στην Tesla, αμφισβητώντας την πιθανή μεροληψία των δοκιμών λόγω "κεφαλαιακής αλληλεπίδρασης". Αν και το Dongchedi τονίζει ότι οι δοκιμές οργανώθηκαν σε συνεργασία με την CCTV και ότι η διαδικασία καταγράφηκε χωρίς περικοπές, η σύνδεση με το κεφάλαιο μπορεί πράγματι να επηρεάσει την εμπιστοσύνη του κοινού. Η ψυχρή απάντηση της Hongmeng Zhixing "δεν θα σχολιάσει" υποδηλώνει επίσης την επιφυλακτική στάση ορισμένων αυτοκινητοβιομηχανιών σχετικά με την αμεροληψία των δοκιμών.

Αυτές οι αμφισβητήσεις αποκαλύπτουν βαθύτερα προβλήματα που σχετίζονται με την έλλειψη ενός συστήματος προτύπων στον κλάδο της αυτόνομης οδήγησης. Αυτή τη στιγμή, η Κίνα δεν έχει καθιερώσει ενιαία εθνικά ή βιομηχανικά πρότυπα αξιολόγησης δοκιμών για την αυτόνομη οδήγηση, με κάθε οργανισμό αξιολόγησης να σχεδιάζει τις δικές του δοκιμές, καθιστώντας δύσκολη τη σύγκριση των αποτελεσμάτων. Η πρόταση του CEO της Ideal Auto, Li Xiang, είναι πολύ εποικοδομητική: "Πρέπει να καθιερωθεί ένα ενιαίο πρότυπο δοκιμών που να περιλαμβάνει 100.000 σκηνές, καλύπτοντας ακραία περιβάλλοντα όπως έντονη βροχή, νύχτα και σήραγγες." Σύμφωνα με πληροφορίες, η Κινεζική Ένωση Αυτοκινητοβιομηχανίας έχει ξεκινήσει την εργασία για την κατάρτιση του "Κανονισμού Αξιολόγησης Δοκιμών Συστήματος Αυτόνομης Οδήγησης", που προγραμματίζεται να εφαρμοστεί το 2026, γεγονός που θα βοηθήσει στην αύξηση της επιστημονικότητας και της αξιοπιστίας των αξιολογήσεων στον κλάδο.

Ένα άλλο κρίσιμο ζήτημα είναι τα όρια λειτουργίας των συστημάτων L2. Όλα τα μοντέλα που δοκιμάστηκαν διαθέτουν συστήματα υποβοήθησης οδήγησης επιπέδου L2, των οποίων ο σχεδιασμός προορίζεται να βοηθήσει και όχι να αντικαταστήσει τον ανθρώπινο οδηγό. Ο αναπληρωτής διευθυντής της Διεύθυνσης Κυκλοφορίας του Υπουργείου Δημόσιας Ασφάλειας, Wang Qiang, δήλωσε σαφώς: "Τα αυτοκίνητα που πωλούνται στην αγορά μας δεν διαθέτουν λειτουργίες αυτόνομης οδήγησης." Αυτό σημαίνει ότι ανεξάρτητα από τα αποτελέσματα των δοκιμών, οι οδηγοί πρέπει να διατηρούν την προσοχή τους καθ' όλη τη διάρκεια και να είναι έτοιμοι να αναλάβουν τον έλεγχο του οχήματος. Ορισμένες αυτοκινητοβιομηχανίες υπερβάλλουν τις ικανότητες "αυτόνομης οδήγησης", οδηγώντας τους καταναλωτές σε μη ρεαλιστικές προσδοκίες σχετικά με την απόδοση του συστήματος, γεγονός που είναι επίσης η αιτία της διαφοράς μεταξύ των αποτελεσμάτων των δοκιμών και της δημόσιας αντίληψης.