转正的特斯拉FSD 真的“全国都能开”？

　　和国内的城市NOA有何区别？

　　目前国内新势力品牌的智驾体系，在架构上基本都采用了所谓“模块化”技术路径。该技术路线的特点是整个智驾系统被划分为感知、规划决策和执行三个部分来分别实现，其中感知部分类似于人的眼睛和耳朵，而规划决策和执行，则相当于人的大脑和四肢。在这个架构下，从规划到执行控制的所有动作，都以一种“触发”式的被动模式来完成。简言之，就是将各种驾驶场景抽象概括为不同的数据模型，当从传感器传来的数据变量达到一定的阈值后，就会触发程序预先“编制”好的反应，从而实现包括转弯、变道、刹车等在内的驾驶行为。在这条技术路径上，国内车企的“智能化”主要集中在感知模块内。换言之，其智能化主要体现在“眼睛、耳朵”上，而在规划决策这个关键部位，依然还处在被动反应的阶段。也就是说，当前大多数车企智驾采用的模块化方案都存在不足。

　　从技术层面上来看，特斯拉FSD V12与当前车企通用的智驾方案，在实现路径上就有着根本的不同。在过去，几乎所有的智驾系统都是采用被动触发式的“规则驱动”算法来架构。这就会导致两大问题：首先，其系统的处理模块多、操作步骤复杂、流程分支多，因此不同模块和流程之间难免会存在“级联误差”，也就是一处出错会导致整个体系内的差错互相累积，最终造成不可接受的系统崩溃、给用户带来体验降级甚至安全危险。同时，由于旧模式在规划决策这个核心部分上，完全依赖预先制定好的规则，这就必然导致系统程序庞杂，会造成系统维护难度大、占用资源更大的问题。

　　而特斯拉FSD V12在架构上，就去除了规则主导这个老旧部分，转而用数据驱动的端到端AI大模型，取代了传统的感知、描述、预测以及规划等多个模块，没有程序员写一行代码来识别道路、行人等概念，把整个驾驶决策全部交由AI神经网络中枢去做，在模拟出接近人类大脑的智能性同时，还实现了从道路数据到操作控制的端到端直连，大幅减少了传统系统难免的级联误差。同样值得注意的是，由于端到端技术在架构上的简洁，使得FSD系统变得空前精干，它比传统智驾系统足足减少了30万行的C++代码量，可维护性更强。

　　正是因为这些优势，让FSD不需要像传统智驾系统那样，过于依赖传感器的精度。因此也不再需要像国内车企那样，在诸如高精激光雷达这样的昂贵元器件上“狂卷”，能够在降低成本的同时，还能给用户带来更好的智驾体验。

　　国内汽车厂商需要跟进吗？

　　端到端的技术路线虽然具有许多潜在的优势，但其实现过程充满挑战，特斯拉FSD的发展历程就是明证。自三年前推出测试版以来，FSD在实际道路测试中遭遇了安全事故、驾驶者不满等多重困难，其全球声誉也随之波动。这些问题的根本原因在于，FSD摒弃了传统的规则驱动和复杂代码，转而采用AI神经网络进行规划决策，这使得系统的演进和完善高度依赖于大量数据和模型训练，试错成本相对较高。例如，在过去的一两年中，一些驾驶者在试驾中反映FSD虽然在变道方面有所提升，但仍存在幽灵刹车、导航配合不足等问题。

　　为了克服这些挑战，FSD依托特斯拉全球庞大的车辆网络，持续输入视频数据进行系统训练。经过数以千万计的视频训练后，V12版本的推出显著提升了驾乘体验。这种大规模的数据和时间投入可能会让一些国内车企望而却步。此外，端到端的智能驾驶模式目前在各国还面临法律法规的挑战。例如，美国加州最近通过了一项法律，限制车企过度宣传端到端智能驾驶系统的“全自动驾驶”能力，反映出社会对这种新技术方向的怀疑态度，也为端到端智能驾驶路线带来了不确定性。

　　面对端到端技术路线的优势和挑战，国产车企是否应该采纳这一新技术路径？个人认为，国产车企不仅应该跟进，而且行动要迅速。原因有二：首先，传统的模块化智能驾驶系统包含多个子模型，随着技术的深入，对计算能力和数据处理能力的需求将呈指数级增长。为了保持竞争力，自主产业需要突破传统模块化模式的局限。

　　其次，端到端技术路线在实际试驾中已经展现出体验上的优势。许多经验丰富的驾驶者认为，FSD的驾驶技术堪比人类司机，能够熟练地进行变道和规避障碍，高速驾驶中接管频率较低，长途旅行体验流畅，自动巡航、变道和超车等功能表现甚至优于人工驾驶。无论从厂商竞争还是用户体验的角度来看，这种具有明显优势的新技术路径都值得追求。特别是在当前汽车市场竞争激烈的环境下，不跟进新技术路线可能会导致被淘汰。国内已有多家厂商开始行动。总之，有志于全球市场的自主车企需要加快步伐，把握新技术的发展机遇。

　　全文总结：假设在中国，有5万名专门从事自动驾驶技术研发的工程师、10万名相关领域的从业人员、以及30万名从事仿真和数据标注的工作者，大约有50万人在这一领域工作。如果端到端技术真正实现并广泛应用，AI将能够独立完成驾驶任务，这可能导致其中的95%的从业者面临失业的风险。然而，端到端技术的实际落地难度是巨大的，这一点难以用简单的文字描述。要运行这样的大型模型，需要考虑更多的参考维度，对技术人才的要求也会更高。同时，对于数据样本的数量和质量也会有更高的标准，这就需要有强大的硬件支持来搭建计算平台。此外，模型训练所需的巨额资金投入也是一个不容忽视的问题。

　　即使投入了这些资源，最终能够达到的效果仍然是未知数。可以预见，端到端技术是我们未来将会走上的道路，在技术成熟和市场准备充分之前，我们仍需要在现有技术基础上不断探索和积累经验。同时，也需要考虑到技术进步可能带来的社会影响，包括就业结构的变化和人才培养的调整，以确保平稳过渡到新的技术时代。

精彩内容回顾：

特斯拉Model Y升级 搭HW4.0硬件/新车漆

马斯克：特斯拉Robotaxi将于8月8日发布

34.99元/月 特斯拉新版车载娱乐服务包