特斯拉手里有张牌经常拿出来秀：84亿英里真实道路数据。 这个数字确实吓人。Waymo靠几千辆测试车跑了十几年，数据量连特斯拉零头都不到。特斯拉的逻辑很清晰，几百万辆普通用户的车每天在路上跑，相当于几百万个免费数据采集员在帮它打工，数据喂给超算，训练出更好的自动驾驶模型，模型好了用户体验提升，车卖得更多，更多的车又采集更多数据，飞轮就这么转起来了。 这套逻辑在早期确实有效。前几十亿英里的数据积累，让FSD从"将将能用"进化到"真的好用"，进步是肉眼可见的。高速公路变道、城市主干道跟车、红绿灯识别，这些场景的体验提升非常明显。 但现在这个飞轮的转速正在放缓，而且放缓得很明显。数据从50亿英里涨到84亿英里，用户体验的提升幅度却越来越难感知。道理很简单：好跑的场景早就跑透了。高速公路、城市主干道、晴天直线，这些数据多到溢出来，模型早就训练得差不多了，再喂同类数据，边际收益越来越低。 真正卡脖子的是那些"长尾场景"。暴雨里被积水遮住的路牙、逆光下突然冲出来的行人、没有标线的乡村岔路、凌晨施工现场临时改道的锥桶阵。这些场景在84亿英里里占比极低，但它们才是自动驾驶真正过不去的坎。数量再多的普通数据，也填不上这个质量上的缺口。 对中国用户来说，这个问题更直接。国内的路况复杂程度远超美国，电动车、外卖骑手、行人混行，加上各地道路标准不统一，特斯拉在美国积累的数据，在国内的适配效果打了相当大的折扣。更别说中国的数据安全法规明确限制数据出境，特斯拉在国内采集的数据不能直接传回美国超算，这意味着国内用户的驾驶数据无法完整融入全球训练体系，飞轮在中国市场转得更慢。 还有一个容易被忽略的问题：数据的价值不只看数量，还看标注质量。几百万辆用户车采集的是原始行驶数据，要转化成有效训练样本，需要大量人工标注和筛选。这部分的成本和效率，才是数据飞轮真正的瓶颈，而不是英里数本身。