[爱卡汽车 爱卡独角SHOW 原创]

零利润卖车，靠FSD等软件挣钱，这是马斯克长久以来的愿景，随着FSD V12.3版本的全面推送，马斯克距离这个愿景又近了一步。特斯拉的FSD（Full Self-Driving Capability）是其最高级别的自动驾驶功能，也是其在市场上的核心竞争力。特斯拉的自动驾驶分三个级别，AP、EAP和FSD。其中，AP是标配的基础版本，EAP是增强版本，增加了智能召唤、自动泊车、高速NOA等功能，而FSD则是完全版本，可实现城市NOA等功能。

2021年，特斯拉正式发布FSD Beta版，自发布以来，这个命名方式就备受争议，不少人攻击的点在于，命名方式并不严谨，现在特斯拉做不到完全自动驾驶，而且还有让车主充当小白鼠的嫌疑。如今FSD测试计划结束，特斯拉转而用了一个非常“隐晦”的词替代Beta——Supervised。和FSD Beta相比，FSD Supervised更像是一个品牌重塑的过程，意味着特斯拉对自己的自动驾驶能力更加自信。随着FSD进入中国的脚步日渐临近，新版FSD在国内也备受关注。相比目前国内百家争鸣的城市NOA，特斯拉的新版FSD究竟有何优势？它能否引领国内城市NOA的发展？本期《爱卡独角SHOW》我们来聊一聊。

马斯克强推FSD

从测试版到监管版，名称的简单变更背后实际上代表了一次深刻的技术革新。回顾一下，为何马斯克会在FSD后面加上“Beta”标签。早在2016年7月，马斯克在《特斯拉宏图之第二篇章》中就提到了去除Beta标签的时机。他解释说，Autopilot被称为“Beta测试版”，并不是通常意义上的软件测试版，而是为了提醒用户不要过分依赖这项功能，同时表明它还在不断完善中。他指出，只有当Autopilot的安全性达到美国平均水平的10倍时，Beta标签才会被移除。

根据特斯拉最新公布的数据，开启FSD功能的车辆大约每行驶539万英里才会发生一次事故，这个数字远远低于全美平均每67万英里发生一起事故。特斯拉车辆在自动驾驶模式下的安全性能是美国一般驾驶员的8.04倍，即便在基础驾驶状态下，安全水平也高出大约1.49倍。

虽然还未完全达到马斯克设定的“安全10倍”的目标，但FSD去除Beta标识并提供给用户使用，表明特斯拉认为FSD系统已经足够成熟，可以正式推向市场。

为了推动这次更新，并提高FSD的普及率，马斯克为特斯拉车主提供了一次“按头式体验”。一周前，他在社交媒体上宣布，将为符合条件的全美特斯拉车型提供免费的FSD功能试用一个月，预计将有超过170万车主体验到FSD的功能。为了确保车主正确理解并使用辅助系统，特斯拉制作了辅助驾驶教学视频，要求车主在使用FSD全自动驾驶功能前必须观看。

此外，马斯克还通过内部信件强调，北美地区的特斯拉销售团队必须在交车前带用户进行FSD短途试驾，即使这可能会影响新车交付的速度。他在信中提到，未来在北美地区，安装和激活FSD V12.3.1，并在交车前让客户进行短途试乘将成为标准流程。他强调，几乎没有人真正意识到当下的FSD实际上运作得有多好，即使这会影响交付流程，也要确保试驾中包含智能驾驶体验环节。

紧接着，马斯克又发出第二封内部信，要求特斯拉服务中心在车辆维修完成后也向用户提供FSD试驾体验。这种强硬的态度背后，是因为马斯克认为FSD的普及率太低，以及对FSD的自信。根据调研机构的统计，自2019年特斯拉承诺实现自动驾驶以来，FSD的普及率在那一年达到了46%的高峰。然而，随着时间的推移和FSD的多次推迟，普及率逐年下降。到了2021年第二季度，FSD的普及率降至11.1%，到了2022年第三季度，全球普及率仅为7.4%，其中北美地区为14.3%，欧洲地区为8.8%，亚太地区更是低至0.4%。

从测试版到监管版，FSD实现涅槃？

FSD的更新带来了根本性的变化，它在底层逻辑上app试玩平台排行进行了重大的调整和提升。虽然马斯克早先已经预示了FSD V12将采用新的技术路径，但实际上，特斯拉是从去年初才开始着手开发这款基于神经网络的智能驾驶算法。经过大约一年的开发，全新的FSD V12已经开始在美国市场广泛推广。这次更新的核心理念是：摒弃传统规则代码，全面采用神经网络。

目前市场上的大多数自动驾驶系统仍然采用模块化设计，将感知、决策和控制分为三个独立的部分，每个部分使用不同的算法模型来完成任务。在这种设计中，AI算法主要用于感知模块，而决策和控制模块仍然依赖于工程师编写的传统代码逻辑。这些代码为自动驾驶系统设定了一系列规则，比如遇到红灯停车、绿灯行驶、保持车道中央等，以确保智能驾驶的行车安全。

这种系统和代码规则看似合理，但实际上存在局限性。由于规则是由工程师设定的，它们可能与驾驶员的实际习惯不相符，导致使用高级辅助驾驶时的不适感，许多用户认为在多数情况下，自动驾驶系统的表现不如自己驾驶来得自然。

相比之下，特斯拉FSD V12完全基于神经网络，打破了传统感知、决策和控制模块之间的界限。只需确定神经网络的结构，然后将收集到的数据用于训练即可。简单来说，FSD V12通过车载摄像头收集图像数据，并将这些数据输入神经网络中。神经网络能够直接输出车辆的控制指令，如转向、加速和刹车等，这类似于人类大脑的工作方式，超过90%的决策由神经网络生成。这种设计意味着，系统可以仅依靠摄像头的视觉输入进行分析和思考，进而输出控制策略。因此，不再需要高精度地图、激光雷达等额外的软硬件支持。从模块化设计到端到端的转变，实质上是从规则驱动到数据驱动的技术路线变革。

从测试版到监管版，FSD实现涅槃？

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app试玩平台排行等概念，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app试玩平台排行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

国内汽车厂商需要跟进吗？