难怪这几天特黑都安静了，不喷销量了
版主： lexian
#2 Re: 难怪这几天特黑都安静了，不喷销量了
新能源，中型，SUV，也就是必须限制在这么个小范围内特斯拉才能领先啊。
再说你看清楚了，还是我说的那个问题，这个范围内，特斯拉就一款车，比亚迪3款车。你把比亚迪3款车销量加一起和MY比比看谁多啊？大家买车都是第一先挑品牌，挑完了品牌再挑型号。特斯拉是用一个型号和别家好几个型号比。
再说你看清楚了，还是我说的那个问题，这个范围内，特斯拉就一款车，比亚迪3款车。你把比亚迪3款车销量加一起和MY比比看谁多啊？大家买车都是第一先挑品牌，挑完了品牌再挑型号。特斯拉是用一个型号和别家好几个型号比。
#8 Re: 难怪这几天特黑都安静了，不喷销量了
全世界rideshare的总市值是2000亿，一龙说Robotaxi可以boost一万亿市值。
一龙把特斯拉主业卖车干死之后，这公司已经进入等死的垃圾时间了。
x1
#9 Re: 难怪这几天特黑都安静了，不喷销量了
太扯淡了。全世界造电车的厂家，除了tesla，其他的还都在赔钱。老马早早的就意识到了tesla只做电车的话没啥希望，早晚会被鳖国超越。只有在real world AI这块全世界还属于处女地发展才有前途。投资人和华尔街也认可他的眼光。
altopalo 写了： 2025年 6月 11日 13:31 全世界rideshare的总市值是2000亿，一龙说Robotaxi可以boost一万亿市值。
一龙把特斯拉主业卖车干死之后，这公司已经进入等死的垃圾时间了。
x1
#14 Re: 难怪这几天特黑都安静了，不喷销量了
你把你的解释发给AI，你看看AI怎么给你解释的。
我给你贴一下
原话：“我每天都用自动驾驶，它对我来说没问题，所以我认为自动驾驶已经很成熟了。”
这种说法存在明显的逻辑错误，主要是以偏概全，也叫个例推断整体或轶事谬误。具体问题如下：
样本太小：只凭个人的有限经验（自己每天用没出事）来判断整个自动驾驶技术的成熟度，没有考虑到自动驾驶在不同环境、不同路况、极端情况等复杂情形下的表现。
忽略反例：没有考虑到其他用户可能遇到的问题或事故，也没有参考更大范围的数据和研究结果。
确认偏差：只关注自己的正面体验，忽略了可能存在的负面案例和统计数据。
举个例子，这就像说：“我从来没生过病，所以人不会生病。”显然是不合理的。
2. 与第二类错误（Type II Error）的关系
第二类错误（Type II Error），在统计学中指的是“未能拒绝一个实际上是错误的原假设”。用在这个场景下：
原假设（H₀）：自动驾驶技术还不成熟（存在安全隐患）。
备择假设（H₁）：自动驾驶技术已经成熟。
如果仅仅因为自己没遇到问题就认为自动驾驶已经成熟，可能会犯下第二类错误——没有发现其实还存在风险和不成熟的地方，即“漏判”了问题的存在。
为什么会发生第二类错误？
样本量太小，检测能力不足：个人经验无法覆盖所有可能的风险和极端情况，容易漏掉罕见但严重的问题。
过度自信于个体经验：把个体体验当成普遍规律，忽视了统计数据和科学研究的重要性。
总结表格
方面 解释
以偏概全 用个人经历代表整体，忽略大样本和系统性风险。
第二类错误 没有发现其实还存在的问题（风险），错误地接受了“技术成熟”的结论。
正确做法 应该参考大规模统计数据、科学研究和行业报告，而不是仅凭个体经验判断。
结论：
仅凭个人使用体验来判断自动驾驶是否成熟，既是逻辑上的错误，也容易导致统计学上的第二类错误。正确的做法是看大范围的测试数据和科学分析，而不是依赖个例。
AI还给你计算了一下：
假设：
每天独立使用一次，单次失败概率为 1%（即0.01）。
一年有365天。
1. 一天不失败的概率是 1−0.01=0.99
2. 365天都不失败的概率
假设每天的事件独立，那么365天都不失败的概率是：
0.9^365
3. 至少有一天失败的概率
至少一天失败 = 1 - 一天都不失败的概率：
1−0.99^365
4. 实际数值
用计算器算一下：
0.99^365≈0.025
1 −0.025=0.975
也就是说，一年内至少遇到一次失败的概率约为97.5%，
党Musk称呼可以在车上什么都不用做，你是不是考虑一下，自己想活几年？有几条命？
x2
上次由 pnlmpnlm 在 2025年 6月 11日 16:01 修改。
#15 Re: 难怪这几天特黑都安静了，不喷销量了
pnlmpnlm 写了： 2025年 6月 11日 15:55 你把你的解释发给AI，你看看AI怎么给你解释的。
我给你贴一下
原话：“我每天都用自动驾驶，它对我来说没问题，所以我认为自动驾驶已经很成熟了。”
这种说法存在明显的逻辑错误，主要是以偏概全，也叫个例推断整体或轶事谬误。具体问题如下：
样本太小：只凭个人的有限经验（自己每天用没出事）来判断整个自动驾驶技术的成熟度，没有考虑到自动驾驶在不同环境、不同路况、极端情况等复杂情形下的表现。
忽略反例：没有考虑到其他用户可能遇到的问题或事故，也没有参考更大范围的数据和研究结果。
确认偏差：只关注自己的正面体验，忽略了可能存在的负面案例和统计数据。
举个例子，这就像说：“我从来没生过病，所以人不会生病。”显然是不合理的。
2. 与第二类错误（Type II Error）的关系
第二类错误（Type II Error），在统计学中指的是“未能拒绝一个实际上是错误的原假设”。用在这个场景下：
原假设（H₀）：自动驾驶技术还不成熟（存在安全隐患）。
备择假设（H₁）：自动驾驶技术已经成熟。
如果仅仅因为自己没遇到问题就认为自动驾驶已经成熟，可能会犯下第二类错误——没有发现其实还存在风险和不成熟的地方，即“漏判”了问题的存在。
为什么会发生第二类错误？
样本量太小，检测能力不足：个人经验无法覆盖所有可能的风险和极端情况，容易漏掉罕见但严重的问题。
过度自信于个体经验：把个体体验当成普遍规律，忽视了统计数据和科学研究的重要性。
这就尴尬了
x1
，专门提供情绪价值