先说结论

• 9 月 1 日，Waymo 同日向公众开放丹佛、圣迭戈、坦帕三城——公司史上最大单日扩张，无人运营都会区达到 14 个（9 月 14 日拉斯维加斯跟进，15 个），车队超 4000 辆，每周约 50 万付费单，rider-only（车内完全无人）累计里程约 2.7 亿英里[1][2][3]。
• 9 月 3 日，特斯拉 Cybercab 在奥斯汀投入商业化运营：全球第一款量产级原生无人出租车，没有方向盘、没有踏板、没有后视镜[6][7]。但实际运营车队约 45 辆，约 1000 辆在排队等合规审查，美国公路交通安全管理局（NHTSA）在发布会几小时后宣布启动调查[7]。而特斯拉 FSD 的累计行驶里程已突破 90 亿英里[8]——示范数据是 Waymo 无人运营里程的 33 倍，无方向盘车的合法上路城市数量是零。
• 这就是本期要解的疑惑：数据最多的玩家落地最小，落地最大的玩家数据最少。信号论的答案只有一句：车企收集的是示范信号——"人类怎么开"；Robotaxi 需要的是后果信号——"怎么开才不死"；落地要的是验证信号——"证明比人安全"。三种信号，车队只能量产第一种[10]。
• 验证墙是一道数学题：按兰德公司（RAND）口径，要统计性地证明 Robotaxi 死亡率比人类司机低 20%，需要约 50 亿英里；Waymo 全部车队一年自动行驶约 2 亿英里——照直线跑完要 24 年[12]。落地慢不是执行力问题，是验证信号供给速度的问题。
• 但 Waymo 已经演示了绕墙的姿势：地理围栏把验证域切小、与人类基准做对照（2.7 亿英里就敢写"重伤事故少 94%"）、让保险公司用真金白银背书[1][2][13]。中国玩家打的另一个补丁更狠：远程安全员把百万分之一级的致命稀疏信号，降级成每一单都有的接管信号——用运营成本换信号密度[8][9]。
• 本期核心判断：Robotaxi 的竞争不是数据量竞争，是验证闭环的速度竞争。记分牌有两块——学习闭环特斯拉领先（90 亿英里喂出来的端到端燃料），操作闭环 Waymo 领先（15 城、50 万单、精算报告）。市场以为在等"技术突破"，实际在等"验证信号的供给侧改革"。

上一期（ND.011）拆的是 Agent 的信号战争：入口决定你听到多少，闭环决定你学到多快。再往前，ND.006 问的是"谁来运营 Robotaxi"。这一期把两根线接在一起：驾驶这个场景里，学习信号比 Agent 的"任务是否完成"还要残酷——它以事故计价，而事故是十万分之一、百万分之一级别的负样本。落地卡住的从来不是训练，是验证[10][11]。

九月时间线：两种路线的关键节点

时间线摆出来，反差自己会说话。

9 月 1 日，Waymo 同日向公众开放丹佛、圣迭戈、坦帕三城，这是它第一次多城齐发，此前都是一城一城排队[1][5]。三城合计近 20 万人在候选名单上排队等叫车；丹佛开城面积约 60 平方英里，是 Waymo 第一次进寒冷气候市场，第六代系统带专门的传感器清洁硬件，为科罗拉多的冬天做准备[1][4]。9 月 14 日，拉斯维加斯跟进开放，都会区数量到 15 个[3]。整个 9 月，Waymo 每周自动行驶约 400 万英里，年化超过 2 亿英里[1]。

9 月 3 日，特斯拉在奥斯汀做了件念了六年的事：Cybercab 正式商业化运营。车内只有两张长椅和一块中控屏，充电靠感应无线充电，单车运营成本目标压到 0.2 美元/英里（约合 0.8 元人民币/公里）[6][7]。然后是那个刺眼的数字：实际运营约 45 辆，约 1000 辆排队等合规审查，NHTSA 发布会当天启动调查[7]。特斯拉的收费 Robotaxi 服务虽然已经铺到奥斯汀、达拉斯、休斯敦、迈阿密、奥兰多、坦帕六城，但多数仍带安全员或限定人群[4]。

9 月 28 日，Cybercab 出现在北京新浪总部园区——只展示、不运营。原因写在法规里：中国现行规则要求乘用车保留方向盘，L3/L4 强制国标《智能网联汽车 自动驾驶系统安全要求》（GB 44721—2026）把"人类驾驶员作为安全备份"这个前提锁死，2027 年 7 月实施——无方向盘家用车暂时没有合法上路通道[7]。

再放一排出清名单垫在背景里：通用 Cruise 2024 年底关停，累计亏损近 60 亿美元；禾多科技 2026 年 4 月破产清算；毫末智行 2025 年底全面停摆[7]。距离 ND.006《Robotaxi：从无人驾驶到无人运营》过去一年，行业完成了第一轮出清——活下来的三种姿态已经清晰：Waymo 用验证换城市，特斯拉用数据换成本，中国玩家用运营换密度[8][9][11]。

驾驶的信号结构：输入、输出与学习信号

《信号决定论》里给过 Agent 的基本结构，把主语换成汽车，三条照样成立[10]。

输入是什么？传感器流（摄像头、雷达、激光雷达）、高精地图，加上最麻烦的一层——其他交通参与者的行为。行人会不会抢、旁边会不会加塞，这不是物理问题，是博弈问题。驾驶环境的输入天然带交互性，比 Muse 面对的网页和表单难一个量级。

输出是什么？不是"一个动作"，是每秒约 10 次的连续控制量——转向、加速、刹车，每一个输出都直接作用于物理世界，错了没有"重来一次"。

学习信号是什么？是否安全到达。这一条决定了驾驶在所有 AI 品类里的特殊位置。Agent 的学习信号以"次"计——一次任务一条反馈，已经够稀疏了；驾驶的学习信号以"事故"计——人类司机的事故率是百万英里零点几起的量级。正样本（安全到达）毫无信息量，因为太常规；负样本（事故）极其昂贵，且百万分之一级地稀疏。这是比广告点击、比 Agent 任务完成都更极端的信号荒漠[10]。

于是行为克隆的上限清清楚楚：从"画面 + 人类方向盘轨迹"里学，天花板就是人类平均水平——而 Robotaxi 的准入线是长尾场景下远超人类的安全裕度。更麻烦的是分布偏移：模型稍微偏离示范分布，就走进没有标注的无人区。还有一层更隐蔽的：车队数据是幸存者数据。人类司机会主动避险——急弯提前减速、雨天拉开车距——所以最危险的场景恰恰被系统性避开了。车队越大，这个缺失越一致。你收集得最多的，是最不需要学的东西。

三种信号：示范、后果、验证

把"驾驶数据"拆成三种信号，疑惑就解开了大半。

第一种：示范信号。画面加人类操作轨迹。量产机器就是车队本身——每卖一辆车就是一个采集终端，特斯拉 FSD 影子模式累计 90 亿英里，是这个星球上最大的示范信号库[8]。但它只能回答"人类怎么开"，回答不了"换一种开会怎样"，更回答不了"怎么开更好"。

第二种：后果信号。接管、险情、紧急制动触发，加上事件前后 30 秒的完整上下文——这才是"换一种开会死不死"的证据。按千分之一英里级的触发密度粗算，90 亿英里里也就几百万个事件片段，再剔除重复场景（急刹、加塞、鬼探头就那几类模式），有效增量可能不到采集量的 0.1%。特斯拉有这套影子模式管线，但从没系统公开过触发率和处置数据——后果信号有，不清点。

第三种：验证信号。完全无监督状态下的运营里程，加上与之配套的事故统计、保险精算、监管审查。这是唯一能回答"是否比人安全"的信号，而它只有一个生产方式：真的把安全员撤掉，真的载付费乘客。全球做这件事的，一只手数得过来。

三种信号的稀缺度完全不同：示范信号按亿英里计，后果信号按万事件计，验证信号按千万英里计——最贵的那种，Waymo 攒了两年多才攒到 2.7 亿英里[2]。车企的英里是训练资产，Robotaxi 的英里是验证资产，两种资产差了两个数量级的稀缺度。"搜集了那么多数据"这句话里，"那么多"修饰的恰恰是最便宜的那种。

数据贬值曲线：示范信号的边际价值是能力阶梯的函数

还有一条更狠的曲线：示范信号会贬值。2023 年，小马智行 CTO 楼天城给人类驾驶数据算的账还是"性价比"——2200 万公里增值数据约等于 10 亿美元的投入；2024 年他说"当你开始超越人类，数据不是越多越好，而是干扰项"；2025 年进一步："普通人类数据对世界模型精度提升的价值会趋近于零……如果系统已经做得很好，这个价值不只是趋近于零，甚至可能是负的"[14][15]。示范信号的边际价值不是常数，而是 AI 能力阶梯的函数：在"不如人"阶段它是燃料，"接近人"阶段它边际递减，"超越人"之后它变成负资产——往超越人类的模型里灌人类数据，会把模型往人类均值上拉回。楼天城给过实测口径：6000 小时的模型灌入 1000 小时的人类驾驶数据，会被拉回 4000 小时[14]。这是对第三章账本的修正：示范信号不只是"不够"，它会随模型变强而系统性过期——车企今天囤的数据，正在按能力阶梯的进度条计提减值。

信号六维对比：FSD 车队数据 vs Waymo 运营数据

把六把尺子（密度、时效、无偏性、可模拟性、信噪比、先验强度）逐项量一遍——对照组是特斯拉 FSD 车队数据与 Waymo 运营数据[10]。

密度：FSD 的 90 亿英里看着吓人，但如前所述，值得学的长尾按 0.1% 计，九百万英里的有效内容还要再剔重。Waymo 的运营里程全部发生在 ODD（设计运行域）内——每英里都是载客、无监督、全责在己的高密度场景，单位里程的信号含量高一个量级。密度胜：Waymo。

时效：FSD 数据带着"人类随时可接管"的暗标签——有监督的英里，后果不真实。Waymo 的 rider-only 里程，每一英里都是真实后果。时效（真实性）胜：Waymo。

无偏性：车队是幸存者数据——好司机、好天气、主动避险，最危险的场景系统性缺失。运营数据在 ODD 内受控，但每个边界事件（暴雨、积水、施工）都会真实撞上并留下记录——Waymo 在亚特兰大因雨天驶入积水路面召回 3800 辆车，这个"失败记录"本身就是高价值信号[7]。无偏性胜：Waymo。

可模拟性：这一维特斯拉扳回一城。90 亿英里多样化场景是训练驾驶世界模型的顶级燃料——端到端路线的本质，是把"世界怎么运转"的建模外包给车队数据的多样性。但它绕不开一个问题：仿真生成的世界，验证不了自己——用数据造的世界模型，最终还是要在真实道路上对答案。可模拟性：特斯拉胜，但这是"更好的假设"，不是"验证"。

信噪比：FSD 数据要经过回传、筛选、标注三层管线才可用；Waymo 的运营事件全量自动记录、结构化入库——每次接管、每次急刹都有完整上下文。信噪比胜：Waymo。

先验强度：L2 的先验是"人类在，兜底在"——司机扶方向盘的那一下，恰恰把最宝贵的学习信号掐断了。Robotaxi 的先验是"每一单都是真需求、真后果、真责任"。先验强度胜：Waymo。

六维里五维归 Waymo，一维归特斯拉——而市场常常把第六维（可模拟性）的想象，误当成前五维的兑现。

验证墙：50 亿英里的证明义务

现在回答那个最硬的问题：为什么落地还是"遥远"。

兰德公司 2016 年的经典算术：美国人类司机死亡率约每 1 亿英里 1.1 起。如果一家 Robotaxi 公司想统计性地证明自己比人类安全 20%（95% 置信水平），需要约 50 亿英里无重大差错的运营里程[12]。Waymo 每年自动行驶约 2 亿英里——照直线跑完，24 年[1]。

这就是验证墙。落地遥远不是因为模型学不会，而是因为"证明安全"需要的里程，超过了能跑出来的速度。钱可以线性放大车队规模，但验证里程等于车队乘以时间，谁也不能把时间买断。

Waymo 的绕法是教科书级的信号论操作，三步：

第一步，把验证域切小。地理围栏（geofence）本质是缩小需要证明的分布——丹佛 60 平方英里、坦帕 50 平方英里，域越小，域内场景越可穷举，人类基准率越可比。这就是为什么 Robotaxi 必然"逐城爬"而不是"一次放开"：每个新城都要重新付一部分验证账，geofence 是把 50 亿英里的总账拆成一张张小额账单[5]。

第二步，换证明方式。不求"无事故证明零概率"，改求"与人类基准对照"——2.7 亿英里里，Waymo 报告受伤事故比人类基准少 82%，重伤及以上少约 95%[2]。对照法把证明义务从"统计零事件"降为"统计比率差"，这是 2.7 亿英里就敢发布安全报告的数学原因。

第三步，找最诚实的裁判。保险公司是唯一用真金白银给安全定价的机构。Waymo 与瑞士再保险的合作研究显示：在约 2500 万英里口径下，Waymo 的财产损失索赔比人类基准少 88%，人身伤害索赔少 92%[13]。精算数据不接收关稿、不收发布会——这是验证信号里成色最高的品种。

但墙没有消失，只是被推远了：每个新城重启验证账；亚特兰大的积水召回说明 ODD 边界条件本身就是长尾；而中国的法规墙（人类备份前提）把另一种证明义务写进了国标——Cybercab 在新浪总部只能看不能用，就是这堵墙的实体展示[7]。

三种信号补丁：土地、人力、算力

三缺一的技术格局（缺验证信号），催生三种补丁。它们的本质相同：把"缺的信号"换成"可以量产的资源"。

补丁一：用土地换验证。geofence 把验证问题切小——这是 Waymo 的路线，代价是每城一张小额验证账单加一整套重运营体系（车队、充电、仓储、清洁、客服）。Waymo 在旧金山的运营中心里，车辆完全自主泊入充电位、自主列队出车——运营流程本身的自动化，是它能把三城齐发的验证账付得起的原因[5]。注意一个财务信号：Waymo 正在谈第一笔 30 亿美元级的债务融资，利率基准上浮超过 500 个基点[3]——验证资产是用高息负债买的。

补丁二：用人力换密度。远程安全员是中国的招牌打法：把百万分之一级的"事故"后果，降级成每一单都可能出现的"接管"事件。信号论视角这是神来一笔——致命稀疏信号变成了密集可学信号，代价是每单多一份人力成本。中国玩家把这份成本压得越来越低：萝卜快跑第六代车整车成本从 48 万压到 20.46 万元，单公里综合运营成本可低至 0.55 元；小马智行第七代系统已在广州、深圳实现单车盈利转正，2026 年二季度 Robotaxi 收入 8192 万元、同比增长 691%；文远知行单车单日完单峰值 28 单，L4 业务收入环比增长 131%[8][9]。"中国规模化领先"的准确表述是：用运营账替代了一部分验证账——在已验证的小域内快速复制，把稀缺的验证里程花在刀刃上。

补丁三：用算力换重复。仿真是密度放大器：同一场景重放十万次、随机注入罕见事件、生成反事实标签。所有玩家都重仓仿真，但 sim-to-real 的缺口集中在交互行为——行人的博弈、加塞的试探。最难仿真的，恰恰是安全裕度最依赖的。

三种补丁排在一条成本谱上：土地（ODD 扩张）最贵但一次付费长期有效；人力（安全员）按单计费但可以随技术退坡；算力（仿真）最便宜但隔着 sim-to-real 的缺口。路线之争的本质，是各家按自己最富余的资源选补丁：Alphabet 富余资本，选土地；中国玩家富余工程师与运营体系，选人力；特斯拉富余数据与量产，赌算力加上"用 90 亿英里造出更好的世界模型"。

五条路径与验证指标

如果验证信号供给是瓶颈，那么时间表的变量就不是"谁的数据多"，而是验证信号的供给侧会不会改革。四个潜在改革点，对应五条路径：

路径 A：重验证路线持续领跑（概率 30%）。Waymo 模式继续逐城复制，2026 年底冲到周百万单，2027 年慕尼黑出海。第三方预测机构给这个目标的中位数只有约 76.5 万单——周单量能不能翻倍，是重验证模式运营天花板的第一个检验[3]。若兑现，验证墙的"逐城爬"节奏被确认为行业主旋律。

路径 B：轻验证路线追上（概率 20%）。特斯拉用量产成本倒逼监管：Cybercab 合规审查通过、45 辆扩到 1000 辆、无监督范围扩大。触发条件只有一个——NHTSA 审查结论放行，且特斯拉开始公开接管率与安全基准数据。从不公布到公布，本身就是信号；而六城收费网络一旦去掉安全员，成本曲线会立刻改写行业定价。

路径 C：中国运营密度路线胜出（概率 25%）。萝卜快跑累计订单已超 2200 万单、覆盖 27 城，小马智行车队 1700 辆、年底目标 3500 辆并借优步出海克罗地亚、卡塔尔[8][9]。2027 年 7 月国标实施是关键节点：若"人类备份"前提松动（哪怕只对指定区域开放），中国玩家已经练好的运营机器会立刻接住放开的域。单车盈利城市从广深向武汉、北京复制，是这条路径的进度条。

路径 D：世界模型改写验证范式（概率 15%）。驾驶世界模型成熟到可以当验证器——用仿真压测替代部分路测证据，监管接受"仿真 + 影子模式"作为放行依据。这是唯一能把 50 亿英里的墙直接拆掉的路径，也是特斯拉 90 亿英里数据真正的兑现出口。第一条"仿真证据获监管采信"的公开案例，就是这条路径的发令枪。这条路径已经有活跃样本：小马智行 2020 年就把技术路线从模仿人类数据的模仿学习，切换到"世界模型 + 强化学习"——投入一半研发资源，每周生成 100 亿公里虚拟里程；2026 年迭代到世界模型 2.0，让 AI 自己诊断精度缺口、给工程师派发定向采集任务[14][15]。它能否跑通，是路径 D 概率上调或下调的直接依据。

路径 E：事故冻结行业（概率 10%）。任何一家头部玩家出一次致死的系统责任事故，监管收缩、舆论反噬、保险费率跳升，全行业时间表倒退一年以上。Cruise 的先例就在眼前：一起拖拽事故，终结了 60 亿美元的生意[7]。

配套七个验证指标，按信息价值排序：

1. Waymo 周付费单量能否在 2026 年底触到 100 万（低于 70 万则运营瓶颈确认，路径 A 降档）[3]。
2. NHTSA 对 Cybercab 的审查结论与 45→1000 辆的扩容速度（路径 B 的生死开关）[7]。
3. 特斯拉是否公开 Robotaxi 运营的接管率与安全基准——从"不公布"到"公布"本身就是一个强信号。
4. 中国国标 2027 年 7 月实施细则：无方向盘车型的合法通道是否打开（路径 C 的制度前提）[7]。
5. 保险费率：保险公司对 Robotaxi 车队的报价是否系统性低于人类司机车队——精算师不收公关稿，这是最诚实的验证信号[13]。
6. 首个"仿真证据获监管采信"案例（路径 D 的发令枪）。追加观察项：世界模型 2.0 的"AI 审视 AI"能力（自我诊断精度缺口、定向派发采集任务）若开始进入保险定价与监管沟通，即为技术尺子长出制度牙口的时刻[15]。
7. 单车盈利城市数：广深之外，武汉、北京能否复制转正（路径 C 的运营斜率）[9]。

两条反证。其一，若特斯拉在审查通过后快速扩容并公开安全数据，且 FSD 世界模型在恶劣天气下的表现追平 Waymo 的传感器冗余方案，说明"数据造世界"的轻验证路线成立，路径 B、D 概率需大幅上调；其二，若 Waymo 周单量在 2026 年底显著低于 70 万、而中国玩家单车盈利城市连片复制，说明重验证模式的运营成本墙先于验证墙出现，行业重心将加速向路径 C 移动。

回到最初的疑惑。车企收集了那么多数据，Robotaxi 为什么还是遥远——现在可以给出完整回答：

数据很多，但那是示范信号，生产它只需要卖出更多的车；Robotaxi 缺的是后果信号和验证信号，生产它们分别需要"撤掉安全员的勇气"和"以年为单位的耐心"。九十亿英里证明的是数据可以很多，两亿英里证明的是落地有多难——两件事用的是同一套里程表，量的是两种完全不同的资产。

这与 ND.011 的结论形成互文：Agent 那一期，记分牌是学习闭环（Muse 领先）对操作闭环（豆包领先）；这一期，记分牌是学习闭环（特斯拉领先）对操作闭环（Waymo 领先）。两个行业都在重复同一件事：市场以为在给"最好的 AI"定价，实际在给"谁被允许学习、谁的后果被承认"定价。

驾驶的终局推演也因此清晰：云端大脑与端侧执行不会是路线之争，而是分工——正如"哪种 AI 助理是未来"是个伪问题。Robotaxi 的终局同样不是单一赢家：验证资产的所有者（运营网络）、训练资产的所有者（模型与车队）、运营密度的所有者（中国玩家的成本曲线），会在不同市场各自成立。而时间表上真正的变量只有一个：验证信号的供给侧改革何时发生——监管接受仿真证据之日、精算数据进入准入标准之日、险情库行业共享之日，就是 50 亿英里的墙降低到 5 亿英里之日。

1. Bytevyte：Waymo 三城齐开，美国网络达 14 城（2026-09）

https://bytevyte.com/waymo-robotaxi-expansion-reaches-denver-san-diego-and-tampa-as-us-network-hits-14-cities

1. SKN Finance：Waymo Is Scaling Rapidly——2.7 亿 rider-only 英里、受伤事故 -82%、重伤 -95%、160 亿美元融资（2026-09）

https://skn-finance.com/skn-waymo-is-scaling-rapidly-what-its-fleet-and-ride-data-reveal-about-the-robotaxi-market

1. Venture Atlas：Waymo 公司档案——拉斯维加斯 9/14 开放、FutureSearch 周单量预测中位 76.5 万、30 亿美元债务融资进展（2026-09）

https://www.ventureatlas.org/company/waymo

1. Startup Fortune：Waymo Now Runs Paid Robotaxis in 14 Cities——周 50 万付费单、每城数十辆起步的扩张节奏、特斯拉六城收费与 Zoox 进展（2026-09）

https://startupfortune.com/waymo-now-runs-paid-robotaxis-in-14-cities-chasing-1-million-rides-a-week

1. BigGo Finance 播客：Waymo's Tri-City Land Grab——多城齐发打法、仓储自主调度、坦帕正面交锋（2026-09-04）

https://finance.biggo.com/podcast/13faae2725ace8bf

1. 新浪科技：特斯拉 Cybercab 突访新浪总部——0.2 美元/英里成本目标与入华展示（2026-09-28）

https://k.sina.com.cn/article_7879776391_1d5abd88706801j746.html

1. 今日头条：1.6 万无人配送车 vs 0 台家用车——Cybercab 奥斯汀 45 辆、约 1000 辆待合规、NHTSA 审查、GB 44721—2026 国标、Cruise/禾多/毫末出清、Waymo 亚特兰大召回 3800 辆（2026-09）

https://www.toutiao.com/a7684623180387992106

1. 环球观察：中美 Robotaxi"四国杀"——FSD 累计 90 亿英里、萝卜快跑累计 2200 万单与 RT6 成本 20.46 万、小马智行 1700 辆车队（2026-09）

http://www.hqwc.cn/a/1151576.html

1. 新浪财经（深圳新能源汽车促进会稿）：Cybercab 商业化与小马智行 Q2 收入 8192 万（+691%）、第七代单车盈利转正、2027 整车成本 <23 万、文远知行 L4 收入环比 +131%（2026-09-28）

https://k.sina.com.cn/article_7880068201_1d5b04c6906802ib7m.html

1. 头哥研究：《信号决定论——Transformer 改变了哪些 AI 算法》（叙差同源框架，信号三问、六维尺子与三级路径出处）

https://www.touge.com.cn/dr/signal-theory/

1. 头哥研究：ND.006《Robotaxi：从无人驾驶到无人运营》（上一问："谁来运营"；本期接续："为什么慢"）

https://www.touge.com.cn/nd/issues/nd-006/index.html

1. RAND：Kalra & Paddock, Driving to Safety——证明死亡率优于人类 20% 需数十亿英里的经典算术（2016）

https://www.rand.org/pubs/research_reports/RR1478.html

1. Waymo 安全研究主页（含与瑞士再保险合作的保险精算研究：约 2500 万英里口径，财产损失索赔 -88%、人身伤害索赔 -92%）

https://waymo.com/safety/

1. 腾讯新闻《远光灯》/ 张小珺：《"L2 越厉害，就离 L4 越远"和楼天城聊 Robotaxi 和 AI 世界观》（2024-08-14，楼天城：数据干扰项、6000+1000 被拉回 4000、百辆车就够、评价体系出处）

https://news.qq.com/rain/a/LNK2024081400262100

1. 量子位 QbitAI / LongPort：对话小马智行 CTO 楼天城——PonyWorld 世界模型 2.0 深度解析（2025-2026，Scaling Law 被证伪、人类驾驶数据价值归零、"让 AI 审视 AI"、一半研发资源与每周 100 亿公里生成里程）

https://longportapp.cn/zh-CN/news/284025584