第八部分｜台灣的十字路口：當制度遇上神經網路

本篇重點概念

• 端到端（End-to-End）革命——2024 年 Tesla FSD V12 引爆的自駕技術典範轉移，整個行業從否認到全面擁抱
• VLA（Vision-Language-Action）——NVIDIA Alpamayo 的開放架構，用語言推理層提供可解釋性，監管友善但效率受限
• 台灣的五大行動方向——VSCC 角色轉型、Robotaxi 專法、就業轉型、產業政策整合、車廠資料聯盟
• 具身智慧（Embodied AI）——自動駕駛只是起點，政策做對了，台灣的半導體優勢能撬動整個具身機器人產業

前七篇，我們追蹤了法規的枷鎖、鑰匙的打造、天花板的存在、門的開啟、框架的興亡、法律的空白、制度的 DNA。

最後一篇，不再往回看。往前看——台灣的路在哪裡，怎麼走，需要誰一起走。

2024 年 5 月 13 日。一個叫 Paril Jain 的工程師離開了 Tesla。

他不是普通的工程師。他是 FSD 的 Planning——規劃控制模組的領導人。在傳統的自動駕駛架構裡，這是最核心的環節：感知系統看到世界之後，由規劃控制來決定「接下來怎麼開」。轉彎的軌跡、變道的時機、煞車的力道——全都是規劃控制的工作。

Paril Jain 離開的時間點，剛好是 FSD V12 開始推送的時候。

V12 是第一個端到端版本。端到端的意思是：攝影機的光子進去，方向盤和踏板的控制指令出來，中間是一個巨大的神經網路——沒有獨立的規劃控制模組。感知、規劃、控制，三個傳統上各自獨立的環節，被一個統一的 AI 網路合而為一。

Paril Jain 的專業領域，被神經網路吞噬了。不是「輔助」，不是「優化」——是整個模組消失了。系統中原本存在的大量 C++ 規劃控制程式碼，就這麼被端到端架構取代了。

這件事在自動駕駛圈引起了比公開報導大得多的震盪。因為全球從事 Level 4 無人駕駛的團隊裡，大量的核心創辦人和技術長，都是規劃控制出身。端到端在革的，就是他們的命。

▎震撼、反彈、擁抱

V12 推送後的反應，經歷了一條可預測的弧線。

第一階段：震撼。 早期用戶上傳的影片在社群瘋傳。端到端的 FSD 開起來絲滑得令人不安——它的變道像老司機，它的轉彎帶著節奏感，它在複雜路口的判斷比許多人類駕駛更果斷。沒有生硬的規則切換，沒有「感覺像機器在開」的頓挫。因為它不是照規則開的——它是從數十億英里的人類駕駛資料中「學會」開車的。

第二階段：否認與反彈。 業界的批評聲浪來了。「神經網路是黑盒子，不可控。」「純視覺達不到真正的冗餘。」「沒有 LiDAR 的系統不可能安全。」這些批評不是完全沒有技術基礎——但說這些話的人，很多正是那些規劃控制出身的公司創辦人。他們需要向投資人解釋：為什麼我們花了十億美元開發的架構，被 Tesla 一個版本更新就淘汰了？動機跟論點混在一起。技術辯論染上了生存焦慮的顏色。

第三階段：全面轉向。 不到兩年。幾乎所有自動駕駛團隊都開始研究端到端。在公開場合，每一家公司都要強調自己是「真正的端到端」。曾經被嘲笑為黑盒子的架構，變成了行業標配。

震撼。否認。擁抱。

記住這條弧線。因為台灣的制度，正卡在第二階段。

▎兩個 AI 大腦

要理解台灣面前的選擇，先看清楚這兩種 AI 架構各自在做什麼。

Tesla FSD：從資料中長出來的直覺

FSD 的端到端架構，最準確的類比不是小腦的本能反射——而是基底核的習得自動化。

人類學開車的過程：一開始，每一個動作都要經過前額葉的刻意思考——打方向燈、看後視鏡、轉方向盤、回正。經過數百小時的練習，這些動作序列逐漸被轉移到基底核（basal ganglia）的紋狀體儲存起來，變成不需要意識參與的自動化程序。你不再「想」怎麼開車——你的手就是知道該怎麼動。

FSD 做的是同一件事，只是它的「練習時數」是數十萬小時等級——來自全球數百萬輛 Tesla 車隊的真實駕駛數據，截至 2026 年 3 月累計超過 84 億英里。V14 的神經網路規模達到百億參數等級，從這些資料中學到了一件事：當攝影機看到的畫面長這樣的時候，控制輸出應該是那樣。

它不能用語言告訴你「為什麼」。就像你問一個有三十年經驗的老司機「你剛才為什麼那樣轉方向盤」，他只會說：「感覺。」

NVIDIA Alpamayo：會解釋的 AI

2026 年 CES。NVIDIA 發布了 Alpamayo——一個開放的 VLA（Vision-Language-Action）框架。

Vision：攝影機看到世界。 Language：系統把看到的東西翻譯成語言，進行推理。「前方行人站在斑馬線邊緣，行人號誌為綠燈，行人可能即將穿越，我應該減速。」 Action：推理完成，輸出控制指令。

關鍵在中間那個 L。語言層。

系統在「看到」和「做出反應」之間，插入了一層語言推理。每一個感知都先被翻譯成文字描述，每一個決策都先被推理成因果論述，然後才轉化為行動。

這帶來一個巨大的優勢：可解釋性。每一個決策都有完整的語言軌跡（reasoning trace）。出了事故，你可以回溯系統「在想什麼」。監管機構可以審查每一步推理是否合理。工程師可以精確定位哪一環出了問題。

這不是小事。歐盟 AI Act 對高風險 AI 系統要求透明度。Safety Case 安全論證需要「可解釋的安全論據」。VLA 天然具備這些監管所需的特質。

代價？Alpamayo 公布的訓練資料是 1,700 小時。Tesla 的訓練數據規模高出數個數量級。語言推理層增加了計算複雜度和延遲。在日常駕駛的常見場景中，語言中介可能是多餘的負擔——就像一個老司機被強迫每一個動作都要口述理由才能執行。

不是二選一

這裡要說一句重要的話：FSD 和 Alpamayo 都不是純粹的單一型態系統。

FSD 的端到端網路負責感知到初步控制意圖，但最終輸出仍然會經過安全檢查層——這層審議本質上是 System 2 的。Tesla 在訓練階段更是大量運用了 rule-based 的數據篩選和人類標註——System 2 的介入被壓縮進了訓練過程，讓推論階段可以更快。

Alpamayo 的視覺編碼器和軌跡解碼器本身就是端到端的神經網路元件——不經過語言。語言推理層是橋接，但 NVIDIA 自己也在研究如何用知識蒸餾（distillation）把推理能力壓縮進更小的、不需要語言中介的模型。

真正的差異不是「有沒有」System 1 或 System 2，而是語言中介層在即時推論中的參與程度。FSD 偏向「先大量學習，推論時直覺行動」。Alpamayo 偏向「推論時持續用語言審議」。

兩種做法各有價值。而對台灣來說，真正該問的問題不是「哪一種 AI 會贏」——而是台灣能從這兩種架構中各取到什麼。

▎行業翻轉的啟示

回到 Paril Jain 離開的那個時刻。

整個自動駕駛行業用了不到兩年，從否認端到端走到全面擁抱。這條弧線告訴我們幾件事：

第一，技術典範轉移的速度比制度快得多。 V12 從推送到行業全面轉向，不到兩年。台灣的 VSCC 從開始討論 DCAS 草案（2026/3）到各型式全面適用（2032/1），將近六年。制度的時鐘和技術的時鐘，差距不是線性的——是指數級的。

第二，否認階段的批評往往混合了合理的技術疑慮，以及不合理的利益防衛。 「黑盒子不可控」是真議題。「所以我們不該碰端到端」是假結論。台灣目前聽到的很多「安全疑慮」，也需要用同樣的眼光去辨別：哪些是真正的技術問題，哪些是既有利益結構的防衛反應。

第三，最終所有人都會轉向——差別只在於你是主動轉還是被迫轉。 主動轉向的人定義遊戲規則。被迫轉向的人承受最大的轉型成本。

台灣現在還卡在第二階段。下面要談的，就是如何進入第三階段——而且是主動的、有策略的、帶著整個產業一起轉。

▎法規面：兩條路的選擇

第七部分結尾，我們說台灣面前有兩條路。一條跟著 UNECE 的節拍器走，一條用台灣的主權空間跳躍。

這兩條路的時程差距有多大？

Path A：UNECE 漸進路線

結構性模式一目了然（詳見第五部分的完整分析）：R79 落後 7 年、R171 落後 7 年 3 個月、R157 落後 10 年——差距不是在縮小，是在擴大。每一條法規，在台灣全面實施的時候，在國際上已經進入下一代或已經死亡。

Path B：主權跳躍路線

台灣是主權國家，不是 UNECE 締約國。交通部有權決定接受哪些國際認證。四條路徑，分短中長期：

2026 年 4 月 10 日，荷蘭 RDW 正式核准了 Tesla FSD 的 Article 39 申請。 計時器已經啟動。Tesla Europe 官方預期夏天就會完成全歐統一認證——也就是說，到 2026 年 6-8 月之間，歐洲大部分國家的 Tesla 車主都能合法使用 FSD。

而台灣的 R171？2032 年才各型式全面適用。

歐洲從核准到上路，一個夏天。台灣從核准到上路，七年三個月。

Path B 的路徑一立即可用——不再是理論，而是有一份具體的歐洲認證書可以採認。接不接，已經不是技術問題，是純粹的政治決定。

但法規只是五個戰場中的一個。

▎台灣真正需要的五場仗

法規鬆綁是必要的。但如果台灣只做法規鬆綁，最好的結果也不過是「讓外國的自動駕駛系統進入台灣市場」。消費者受益了，但台灣的產業沒有長出自己的能力。

自動駕駛不只是交通議題。它是**具身智慧（Embodied AI）**的第一個大規模商業應用——AI 從螢幕裡走出來、進入物理世界、控制機器在真實環境中行動。自動駕駛車輛是具身機器人。今天訓練車輛如何在馬路上行動的技術棧，明天會被應用在工廠機器人、倉儲物流、農業自動化、建築施工、醫療手術機器人上。

台灣有全世界最強的半導體製造能力。NVIDIA 的 GPU、Tesla 的 AI 晶片——都在台灣的晶圓廠裡誕生。如果政策做對了、產業整合得當，台灣不只是替別人做大腦，台灣可以用這些大腦長出自己的具身智慧產業。

這需要五場仗同時打。

第一場：VSCC 的角色轉型——從守門員到推進器

這是整件事的核心節點。

目前的 VSCC 是「審驗機構」。你送件，我審查。被動等待。

荷蘭的 RDW 做的事完全不同。RDW 不只審查——它主動邀請 Tesla 來申請 Article 39。它主動建立審查新技術的能力。它在歐盟車輛技術委員會（TCMV）裡主動推動相互承認。它的自我定位不是守門員——是荷蘭乃至歐洲自駕技術的推進者。

VSCC 需要同樣的角色翻轉：

• 觀念上：從「法規怎麼寫我就怎麼審」，變成「國際技術走到哪了，我的審查能量要先到位」
• 執行上：主動追蹤國際法規動態、主動建立 DCAS 和 Safety Case 安全論證的審查能力、主動跟車廠溝通申請流程，而不是等別人來敲門才開始翻手冊

這不只是改善效率。這是重新定義 VSCC 存在的意義。在一個技術每月迭代的時代，一個只會被動等待的審驗機構，註定會成為創新的瓶頸。一個主動推進的監理夥伴，才能成為產業的加速器。

VSCC 已經跟荷蘭 RDW 合作了十四年，但十四年來，台灣學到的是 RDW 的審驗技術——沒有學到 RDW 的前瞻文化。現在是時候學第二課了。

第二場：Robotaxi 專法——在它到來之前立法

第六部分已經列過台灣在 Robotaxi 上的五大法律空白：駕駛人定義、事故責任歸屬、保險體系重構、無方向盤車輛型式認證、緊急情境處理。

這不是修修補補能解決的。需要專法。

而且立法要走在部署前面。日本 2022 年修訂《道路交通法》允許 Level 4 有條件營運。韓國 2024 年啟動三階段自動駕駛立法計畫，目標 2027 年 L4 商業化。兩個國家都是在 Robotaxi 商業部署之前就開始準備法律框架。

台灣的立法院需要現在就開始。不是因為 Robotaxi 明天就來——而是因為立法程序本身就需要時間。等 Robotaxi 到了門口才開始討論，就是第七部分說的那句話：在正面表列的體制下，「什麼都不做」的自然結果就是「新技術不存在」。

第三場：就業轉型——八萬個駕駛的未來

台灣有超過八萬名計程車駕駛，加上 Uber、貨運、遊覽車駕駛，受影響的從業人員可能超過二十萬。

Robotaxi 的目標營運成本：每公里約新台幣 6 元。台北計程車跳表：每公里約 25 元。差距四倍。這不是「如果」的問題——是「什麼時候」的問題。

行政部門現在就需要開始規劃：

• 過渡期共存：限定 Robotaxi 先在特定區域、特定時段營運，不是一夜取代整個市場
• 轉業訓練：遠端監控員（一人同時監控多台 Robotaxi）、車隊調度管理、自駕車輛維護技師（高壓電系統 + 感測器校準）
• 所得安全網：參考其他國家處理產業轉型的做法，建立過渡期的所得補貼機制

每一個有 Robotaxi 商業營運的城市，都在處理同樣的問題。差別只在於：你是提前三年開始規劃，還是等到司機上街頭才手忙腳亂？

第四場：半導體 × 自駕的產業政策——國家級 AI 訓練中心

這是最有台灣特色的一張牌。

台積電製造了全世界自動駕駛系統的大腦——NVIDIA 的 GPU、Tesla 的 AI 晶片。但台灣只賺了代工的錢。如果政策往正確的方向推，台灣的半導體優勢可以撬動整條具身智慧的價值鏈。

怎麼做？

統一車輛的 AI 硬體佈局。 攝影機的位置、規格、數量，算力模組的接口，感測器的標準——在車輛平台設計階段就統一。讓不同品牌、不同車型的車輛都能接入同一套訓練與部署管線。這跟智慧型手機產業裡 Qualcomm 提供統一平台、各品牌做差異化是同一個邏輯。

建立國家級的 AI 算力訓練中心。 各車廠的行車數據匯入統一平台（去識別化後），共享算力，共同訓練適合台灣道路場景的自駕模型。台灣不缺算力——NVIDIA 在台灣有資料中心佈局，國科會有國家高速網路與計算中心。缺的是把這些資源串聯起來、指向自駕 AI 訓練的產業政策。

硬體相容策略。 車廠在設計階段就讓感測器佈局同時相容 Tesla FSD 風格的純視覺架構，以及 NVIDIA Alpamayo 風格的多感測器架構。不是二選一——是兩邊都能接。同時跟 Tesla 談 FSD 授權合作，吸取硬體架構經驗；同時跟 NVIDIA 合作 Alpamayo 開放平台，利用其開源工具鏈加速自研。

這不只是交通政策——這是經濟部和國科會層級的產業戰略。把台灣的晶片製造優勢，從「替別人做零件」升級為「用自己的零件建自己的系統」。

第五場：車廠資料聯盟——台灣最缺、也最需要的一塊拼圖

自動駕駛訓練存在長尾效應。常見場景——直線行駛、跟車、標準轉彎——佔了 99% 的行駛時間，只需要相對少量的數據就能訓練好。但真正決定系統安不安全的，是那 1% 的邊角案例：突然衝出的行人、散落在路面的貨物、施工改道的臨時標線、逆光中幾乎看不見的機車……這 1% 的邊角案例，需要百億公里級別的實際上路資料，才能被充分發現和覆蓋。

Tesla 靠全球數百萬輛車的車隊飛輪做到了。Waymo 靠十幾年的路測累積做到了。

台灣呢？

裕隆集團、和泰汽車、鴻海 MIH 平台、中華汽車——沒有任何一家的車隊規模能單獨支撐 FSD 級別的訓練。 台灣一年新車銷量約 45 萬輛，國產車佔其中一部分。就算把所有品牌的所有車加起來，也遠遠不及 Tesla 單一季度的交付量。

結論很殘酷但很清楚：台灣沒有任何一家車廠能單打獨鬥做出自動駕駛。

唯一的路：聯盟。

所有台灣車廠——不分品牌、不分車種——共同建立一個資料收集、訓練共享的超級平台：

• 各品牌國產新車搭載標準化的 AI 感測器硬體
• 行車數據匯入統一訓練平台（去識別化後共享）
• 共同訓練適合台灣道路場景的自駕模型
• 累積目標：百億公里級的行駛數據

這不是天方夜譚。歐洲的車廠聯盟（如 Catena-X）已經在做類似的數據共享平台。日本的 SIP-adus（戦略的イノベーション創造プログラム）也是政府主導的跨車廠自駕資料共享計畫。

而台灣有一張獨特的牌：台灣的道路場景是全球自駕訓練的稀缺資源。

全球機車密度最高的混合車流。沒有標線的巷弄。山區連續隧道群（北宜高速公路的 11 座隧道）。密集的機車路口穿越。這些場景在歐美的訓練資料中幾乎不存在——但它們是自動駕駛系統要在亞洲部署就必須解決的長尾問題。

台灣車廠聯盟收集的數據，不只對台灣有價值。對 Tesla、對 NVIDIA、對全球的自駕開發者，都是有交換價值的稀缺資產。

台灣可以不只是自動駕駛技術的消費者——台灣可以是自駕 AI 訓練數據的供應者。

▎等待的代價

如果台灣不打這五場仗，會怎樣？

法規面：2032 年 DCAS 各型式全面適用，落後國際 7 年 3 個月。2031 年 R157 全面適用——一套已被放棄 5 年的法規。差距只增不減。

產業面：台灣車廠繼續做代工和組裝，自駕系統完全依賴進口。半導體優勢只停留在製造端，應用端被美中歐日韓全部吃掉。

就業面：Robotaxi 在沒有配套的情況下進入市場，數十萬從業人員毫無準備地面對衝擊。

而最大的代價是看不見的那一筆——

自動駕駛是具身智慧的第一張骨牌。訓練車輛在馬路上行動的技術棧——感知、決策、控制、安全論證——會直接延伸到工廠機器人、倉儲物流、農業自動化、建築施工、醫療手術機器人。這是一個數兆美元的新產業。

台灣有全世界最強的半導體製造能力，有成熟的電子零組件供應鏈，有高密度的複雜道路場景作為訓練資源。如果政策做對了、產業整合得當，台灣不只能搭上這班車——台灣能成為這個產業生態系的關鍵節點。

如果政策做錯了、或者什麼都不做——台灣就只能繼續替別人做晶片，看著別人用台灣做的晶片建起來的 AI 系統，在別人的路上跑。

▎最後一個隱喻

Paril Jain 離開 Tesla 的那天，端到端革命剛剛開始。整個行業的否認、反彈、擁抱，壓縮在不到兩年的時間裡。

台灣的制度也站在同樣的分叉路口。

否認階段的聲音我們都聽過了：「要自己驗證。」「安全不能外包。」「按照程序來。」——這些話不全是錯的。但如果只聽這些話，台灣就會永遠停在第二階段，永遠在追趕已經進入第三階段的世界。

前七篇，我們從 R79 一條 1988 年管液壓管的法規開始，追蹤到 R171 的場景枷鎖，到 R157 的四年生死，到 RDW 的 Article 39，到 Level 3 的興亡，到 Robotaxi 的法律空白，到制度底層的三重枷鎖。

還記得第一部分的開場嗎？晚上十點，國道一號南下。你的車在匝道上突然猶豫了一下——煞車、頓挫、一秒鐘的不自然。那是 R79 裡一個 1988 年寫下的公式造成的。a = v²/r，上限 3 m/s²。

八篇文章之後，你知道為什麼。你知道這不是 AI 的問題，不是車的問題——是一套跟不上時代的制度，用三十八年前的邏輯，限制住了今天的技術。

你也知道，改變是可能的。法規鬆綁的路徑存在。VSCC 轉型的模板存在。Robotaxi 立法的國際先例存在。產業整合的架構存在。車廠聯盟的需求和邏輯都存在。

這五場仗，沒有一場是台灣打不了的。

但每一場都需要有人先站出來——說出來、推動它、讓更多人知道。

如果你讀完了這個系列，認為這些資訊值得更多人知道——請分享出去。讓政治人物知道選民在乎這件事。讓監理機關知道社會在看。讓車廠知道消費者不打算再等了。

台灣的未來不是被決定的。它是被選擇的。

而選擇的起點，是你的聲音。

本文為「FSD 解鎖之路」系列第八部分，也是最後一篇。

從 R79 的方向機柱到 RDW 的 Article 39，從 R157 的興亡到 L3+ ADS GTR 的 Safety Case 安全論證，從端到端革命到台灣的產業整合——法規光譜在移動，技術在加速，而台灣的制度時鐘和產業佈局，需要重新校準。

作者：Chu Cheng-Kai / 產業政策部 / 社團法人台灣電動車發展促進協會（TEVA）