中文 | English
探讨：把特斯拉自动驾驶的架构思想（数据引擎、统一遥测、影子模式、干预率北极星、车队学习、蒸馏下沉、金丝雀发布、安全分层）+ 开源可参考件，迁移到科研的自驱动实验室（Self-Driving Labs，SDL），是否成立、如何落地。
范围覆盖全领域 SDL：化学合成、生物/菌株工程、蛋白与抗体、器件与材料、流程优化。
定位依据：AI for Science 的代表性进展（AlphaFold 一类）集中在软件层，SDL 是它走向物理实验世界的主要载体。
开源地址：GitHub
| 文件 | 说明 |
|---|---|
| tesla-architecture-to-self-driving-labs.md | 正文 |
| tesla-architecture-to-self-driving-labs.html | 排版版，可打印为 PDF |
- 系统工程层迁移普适成立：数据引擎、统一遥测 schema、影子模式、干预率北极星、安全分层、两段式学习、蒸馏下沉、金丝雀发布——八个机制逐项判定，SDL 领域正在自发重新发明其中多数（Nature Reviews Chemistry 十年综述的 scalability / generalizability / provenance-complete 三要求即数据引擎哲学的科研翻译）。
- 学习范式层今天部分成立：端到端模仿学习的三个前提约束（fleet 数据、目标函数、真值验证）是时间索引的，各有动态消解路径，不是定律。
- 五条反面教训：端到端审慎、勿删真值通道（防古德哈特）、宣传口径三分法、"未来解锁"按零计价、垂直整合不是教条（Dojo）。
- 三个可占的空缺叙事位：逐要素系统化映射（本文即初稿）、SDL 版影子模式的命名与流水线化、干预率作为统一运营指标。
- v1.0（2026-08）：首个公开版。
CC BY-SA 4.0 — 转载改编请署名（platovest）并以相同方式共享。
platovest. 特斯拉架构思想 → 自驱动实验室 Self-Driving Labs. v1.0. 2026-08. CC BY-SA 4.0.
英文题名：Tesla's Autonomy Architecture → Self-Driving Labs
欢迎 issue / PR 指出事实错误或补充新证据；关键数字引用前请核对原文（文内已标注证据口径）。