127 億英里資料很驚人，但資料量不等於無人駕駛安全證明

Tesla 的優勢，是找到稀有事件的速度

數百萬輛量產車每天在真實道路上行駛，可以用影子模式找出模型與人類行為不一致的片段。比起把所有資料全部上傳，挑出異常、罕見與高價值片段，更有助於改善模型。真正的飛輪不是資料越多越好，而是發現錯誤、回訓、部署與再驗證的週期越短越好。

報告估計截至 2026 年 7 月，FSD 受監督累計里程約 127 億英里。這個規模確實構成競爭門檻，也讓 Tesla 有機會更快遇到低機率事件。

受監督里程與無人里程，不能直接互換

受監督 FSD 的駕駛人隨時可以接管，這會改變事故結果與風險分配；真正 Robotaxi 無人營運則依賴系統、遠端支援與最小風險策略。兩種里程都重要，但不能用前者直接宣告後者安全。

同樣地，碰撞間隔里程若來自不同道路、車型、駕駛與事故定義，也不能只用倍數比較。高速公路里程與市中心行人密集路段的風險暴露不同，新車與全美平均車齡也不同。

安全指標應該越接近商業場景越好

最有價值的資料，是無安全員、可收費、同一營運設計域內的事故與接管里程，再分城市、天氣、道路與嚴重度。其次才是受監督 FSD。若公司只公布整體里程，卻不公布無人營運的分母，投資人很難判斷真正的風險。

資料飛輪值得給溢價，但安全證明需要同口徑與第三方可驗證性。這不是挑剔，而是 Robotaxi 從科技產品進入公共交通後，必須承受的更高標準。

安全比較最怕分母不同

碰撞間隔看似直觀，但如果沒有相同道路、天氣、速度、時段與駕駛族群，就不能直接推導系統一定比較安全。高速公路里程長、路況相對單純，天然會拉高每次碰撞間隔；都會區里程短，路口、行人與機車密集，事故機會不同。把兩者放在同一條長條圖上，很容易讓分母替結論化妝。

還要區分事故、碰撞、氣囊觸發、警方通報與保險理賠。不同機構採用的事件定義不一樣，軟體開啟的判定窗口也可能不同。若事故前幾秒系統退出，該事件算人工駕駛還是輔助駕駛，會直接影響統計。企業應公布可重複計算的定義，而不只是挑選最漂亮的倍數。

較合理的驗證方式，是在相似道路類型下比較每百萬英里的重大碰撞、受傷與財損，再搭配接管頻率與接管原因。即使結果顯示改善，也要觀察是否跨季持續、是否在新城市複製。安全不是一次考試拿高分，而是每天在更複雜環境裡重新應試。

資料飛輪的價值在於挑出稀有場景

累積里程最大的用處，不是讓投影片上的數字更壯觀，而是找到罕見卻危險的長尾事件，例如異常施工手勢、臨時改道、救護車、逆向車輛、被遮擋的行人與特殊天候。系統必須從海量普通里程中篩出少數高價值片段，才能有效改善模型。

這需要完整的資料管線：車端偵測不確定事件、匿名化上傳、人工或模型標註、建立訓練集、重新訓練、模擬測試、封閉場域驗證，再逐步發布到車隊。任何一環品質不足，都可能讓更多資料只變成更昂貴的儲存成本。資料量是原料，資料治理與測試能力才是工廠。

對投資人而言，可觀察的訊號包括模型更新後接管率是否下降、舊問題是否復發、模擬場景覆蓋是否擴大，以及新版本事故率有沒有惡化。若公司只公布累積里程，卻不說資料如何轉成可量化改善，資料飛輪仍停留在故事層；能把稀有場景處理速度持續縮短，才算真正轉起來。