Tesla的FSD凭什么领先？

本文来自微信公众号：还是不举手就发言，作者：周航，题图来自：AI生成

在绝对的自动驾驶面前，汽车原来的价值体系失效了

自从 FSD V12 引入以来，在我的实际使用中，系统承担驾驶任务的比例已经超过 99%。从前年的 V12 到今年的 V14，每一代都有肉眼可见的提升，OTA 推送的频率也越来越高。这种高频进化，已经对一个人的驾驶习惯乃至生活方式产生了根本性的改变。

当你在车上的时间与空间不再以驾驶为中心时，奇妙的变化就发生了。在这个时空里，你首先想到的不再是专心驾驶，而是做点别的事：思考、冥想，哪怕只是戴上墨镜小憩一下。

为了能用上最新一代 HW4 支持的系统，我不惜把 Model X 换成了 Model Y。在极致的自动驾驶体验面前，更好的空间、豪华、用户交互和一些讨喜的功能，似乎全部失效了。我经常开玩笑说，哪怕特斯拉只是一张木座椅，只要它有这样的自动驾驶，我可能也不会再开别的车了。

这不只是个人偏好。

过去一百年，汽车的所有价值维度都围绕一个前提设计：车里坐着一个正在开车的人。座椅的包裹感是为了让他久坐不累，内饰的豪华是为了补偿他被方向盘绑住的那几个小时，人机交互的每一次优化都是为了让他在不分心的前提下多做一点事。这些价值依附于“驾驶是一种负担”这个前提。前提一旦消失，价值跟着归零。触摸屏出现之后，再没有人讨论手机键盘的手感。不是键盘变差了，是评价键盘的那个理由没有了。

那么，FSD 凭什么领先？我们常说特斯拉靠的是“端到端”和“纯视觉”，可它的车端芯片算力在行业里并不算高。它领先的本质是什么，国内的同行还有没有机会？

通往自动驾驶的公司，首先必须是一家 AI 公司

很多人对 FSD 缺乏真实的体感，尤其是不在美国生活的人，不知道它这两年经历了几个版本、每个版本改了什么。我的体会是，恰恰从 V12 开始，它才有了突飞猛进的变化。

V12（2024 年初）是分水岭。在它之前，城市街道的智能驾驶靠感知、预测、规划、控制几个模块串接，模块之间的衔接和大量例外情况依赖工程师手写规则。V12 第一次用一个端到端神经网络替代了这条流水线的主体，让模型直接从真实的人类驾驶轨迹中学习该怎么开。2024 年底，V12.5 和 V12.6 陆续把端到端延伸到了高速。

V13（2024 年底）把行程补全了：从停车状态直接启动，包括倒车出库；到了目的地自己找车位停好。路口加减速更平滑，高速合流和超车更自然。

V14（2025 年 10 月起）转向更难的样本和更快的反应。今年 4 月的 V14.3 把车端的 AI 编译器和运行时从头重写，反应时间快了 20%；视觉编码器升级，对紧急车辆、路障、行人手势和低可见度场景的识别更准；强化学习专门盯着以前会犹豫的场面：小动物、复合信号灯路口、弯道黄灯、斜着伸进车道的异常物体。V14 完整版只给 HW4 车辆，HW3 车辆拿到的是功能受限的 V14 Lite。车端芯片始终是特斯拉自研的 FSD 芯片，传感器始终以摄像头为主。

端到端，说的是学习方式。从摄像头画面到方向盘动作之间，尽量多的映射由模型从数据里学，而不是由人手写规则。特斯拉自动驾驶团队的 Phil Duan 今年在 CVPR 上讲得很直白：把自动驾驶当成一个视频基础模型的下一步动作预测问题，输入是 8 路摄像头每秒 36 帧的视频，输出只有转向和加减速两个数字。输入大、输出小，模型很容易学到捷径，比如“画面里有绿色就走”。所以训练时要把检测、分割、深度、光流、文字识别这些老任务一起挂上，逼着模型真正理解世界，到了车上再撤掉。中间表征都在，只是不导出，所谓“端到端就是黑盒”并不成立。这套方法国内大多数方案现在也在用。

特斯拉和多数人不同的有两处：安全边界不靠车端的规则兜底，而是在训练时用强化学习烤进去，碰撞在仿真里可判定，天然适合当奖励信号，部署时基本依赖模型本身；对最近被很多人当成压轴的 VLA，也就是把大语言模型引入自动驾驶，Phil 的回答是语言只是达成目的的手段，重要的是物理世界的知识和推理能力。

纯视觉，说的是传感器选择。 以摄像头为主要外部输入，不用激光雷达。系统仍然要从多颗摄像头的画面里重建三维世界，仍然要把前后几十帧连起来判断一个物体在动还是在停。纯视觉描述的是输入是什么，不是系统有多简单。

车端算力，说的是实时推理。这是最容易误判的一项。国内智驾芯片的标称算力动辄几百甚至两千多 TOPS：英伟达 Thor 标 2000 TOPS，小鹏 G7 Ultra 三颗图灵芯片标 2250 TOPS，理想双 Orin-X 是 508 TOPS。特斯拉的 HW3 只有 144 TOPS，HW4 官方从未公布，业内估算在几百。看数字，特斯拉落后一大截。

但车端算力低是结果，不是原因。

车上那块芯片负责的是几十毫秒之内完成一次看、理解、动。云端训练中心花几天几周反复训练模型，算的是另一笔账。云端算力决定模型有机会学到多复杂的世界，车端算力决定这个模型能不能及时、稳定地动起来。

特斯拉把复杂性放在了训练侧，再通过模型压缩、低精度计算、编译优化，让模型在车上用更低的能耗完成固定任务。V14.3 重写编译器换来 20% 的反应提速，说明推理效率是软件栈的事，不必每次都换芯片。

把峰值 TOPS 类比成发动机的理论马力，驾驶体验更接近真实赛道上的圈速，圈速同时受传动、轮胎、温度和策略影响。比较智驾芯片，该问的是在目标模型、目标功耗、目标时延下，这套系统实际跑得怎样。

真正的算力在云端。Phil 在演讲里第一次给出了特斯拉训练算力的完整曲线，按 H100 等效卡数算：

•  2021 年中到 2023 年初，接近零

•  2024 年中，约 9 万

•  2025 全年，10 万到 12 万

•  2026 年 3 月，约 14 万

•  2026 年 6 月，约 28 万

一个季度翻倍。前段时间有一个说法在流传：整个中国汽车业的显卡加起来，不如特斯拉一家多。这个说法最早出现在 2024 年 10 月。当时特斯拉约有 10 万张 H100 等效的卡，国内按 1 EFLOPS 约折 1000 张 H100 算，华为约 7500 张、理想约 8000 张、小鹏约 2500 张，再加上其他几家，全部不到 2 万张。

到今年，理想和小鹏各自建成了万卡集群，华为乾崑今年 4 月称云端算力到了 60 EFLOPS，折成卡约 6 万张。把国内能查到的全部加起来，大约 9 万张，是特斯拉的三分之一。两年里国内涨了三到五倍，特斯拉涨了不到三倍，比例上没有被拉开，但底数差得太远，绝对差距反而从 8 万张扩大到了 19 万张。而且这 9 万张里三分之二是华为一家。

训练算力：特斯拉一家，对国内车企全部（H100 等效卡数，万张）

特斯拉在 2023 年之前几乎没有训练算力，FSD 却已经做了很多年。跳变发生在把自动驾驶重新定义为一个基础模型问题之后。从那一刻起，算力曲线和 FSD 的体验曲线同步抬升。

通往自动驾驶的公司，首先必须是一家全然由 AI 驱动的公司。

不管特斯拉现在或未来被叫做汽车公司、能源公司还是机器人公司，这一点不变，而且是最重要的一点。这不是市值的叙事，是一个关键的战略事实：它把驾驶问题定义成了 AI 问题，把车定义成了这个 AI 的传感器和执行器，把 28 万张卡当成了核心生产资料。一家汽车公司可以采购智驾方案，但采购不来这种定义方式。

特斯拉可能是世界上最先跑出“智能复利”的公司

算法、数据、算力，每一项国内都有团队在做，每一项单拿出来都不构成不可逾越的壁垒。特斯拉的领先不在任何一个单点上，而在一种系统能力上。

曾鸣教授在今年的新书《智能：AI 时代的商业、组织与战略的本质》里，把这种能力叫做智能复利。他的定义是：AI 系统在执行任务的过程中获得真实世界的反馈，促进系统智能度不断提升，进而能够执行更复杂的任务，获取更多反馈，变得更加聪明，最终形成正向循环。他把三个时代的核心竞争机制并列：工业时代是规模经济，互联网时代是网络效应，AI 时代是智能复利。

我认为特斯拉是世界上第一个跑出智能复利的公司。昨天我和曾鸣教授聊到这个判断，他说他也这么认为，书里也是这么写的。

用金融的复利来理解：利息再投入本金，下一期以更大的本金为基数。它有两个变量，每一轮的收益率，和滚动的次数。智能复利是同一个结构搬到智能系统上：每一轮智能的提升，本身成为下一轮提升的本金。

放到 FSD 里，这个循环是这样转的。约 700 万台车的车队每天产生约 500 年的驾驶时长，但按特斯拉自己的说法，随机采样的视频 90% 没用，一段平稳的高速巡航模型早就会了。

真正有价值的是模型输出与人类司机操作不一致的片段：模型和人开得一样的地方没有信息增益，只有“模型想这么开，但人类实际那么开”的地方，才藏着模型还没掌握的知识。每一台在路上跑 FSD 的客户车，都在自动给下一版模型标注“我哪里还不行”。这些片段被捞出来，由云端一套不受车端算力约束的大模型离线自动标注，生成三维真值，进入训练，产出更好的模型。更好的模型推到更多车上，更多人开着 FSD 跑更远，暴露出更细、更难的不一致。下一轮的本金比上一轮更大。在这个规模下，corner case 这个概念被消解了：行业里所有人都在建仿真器合成罕见场景，但当你有 700 万台车，任何 corner case 都是每天发生的日常。

这个循环成立，需要四件事同时为真。缺任何一件，复利就退化成单利。

第一，迭代速度。 从一个高价值失败样本到下一版安全部署的时间，决定了复利的滚动次数。自动标注、片段回归测试、闭环和硬件在环评测、仿真环境，这一整套基础设施的作用就是把这段时间压短。管线够快，车队越大模型学得越多；管线慢，车队只是日志仓库。

第二，统一的硬件。特斯拉销量这么大，新车 SKU 少得惊人。摄像头位置统一、计算平台统一，同一个模型可以直接部署到几百万辆车上。传统车企为了覆盖更广的用户群推出更多车型，自动驾驶要同时处理车型、芯片、摄像头位姿、线束、版本、地区的组合，验证成本随组合数爆炸。特斯拉的极简产品线从源头上避开了这种爆炸。

第三，一致性分发。 直营体系和 OTA 让新版本直接推到全球车队，不经过经销商，不等合作伙伴审批。开头提到 OTA 推送的频率越来越高，那就是复利的滚动次数在肉眼可见地上升。

第四，数据工程。 壁垒不是数据总量，是从海量正常驾驶里找出少量高价值异常的能力：犹豫、突然制动、错误路线、用户接管、模型与人的不一致，再经自动标注、重建、仿真变成可训练的场景。这条管线不生产钢板，生产的是“更好的驾驶行为”。

四件事同时成立，推动智能复利

四件事同时成立，复利才会发生。纯视觉只是这种复利在传感器和成本上的一个选择；车端算力低是训练侧规模和软硬协同的结果；辅助任务是公开的训练方法。真正难复制的是四件事同时为真，并且已经滚了很多轮。

为什么说特斯拉是第一个？互联网公司早就有数据飞轮，推荐系统越用越准。但那个飞轮提升的是一个排序函数，不是一个在物理世界里行动的智能体。推荐错了用户划走，驾驶错了会撞车。把复利跑在一个要在真实世界里以几十毫秒节拍闭环行动、每一轮都要经过安全验证再部署的智能上，此前没有人完整做到过。

如果以特斯拉为标杆，那如何回看国内的车企？

小鹏是我认为最接近“特斯拉形态”的整车全栈玩家，产品、OTA、数据链条都在自己手里，对中国道路和成本带的产品化速度快。它最需要证明的是迭代速度和数据工程：在不显著增加人工运营的前提下，跨城市、跨车型、跨版本的失败样本能不能稳定进入训练和 OTA。

地平线是中国智驾的算力和软件开发底座，它的上限取决于能否让自己的芯片、编译工具链和参考域控成为车企的事实标准。问题在于复利归谁。车企即便都不自建，会把数据和上层模型统统共享给上游的地平线吗？如果不会，地平线拿到的是硬件售价，而不是数据和软件迭代的长期价值。

Momenta 的价值在于在多车企环境下把算法、数据闭环和工程交付商品化，中国更碎片化的车企供给链是它的机会。但多车企的优势只有在数据使用权、统一采集标准、模型责任归属和 OTA 节奏被制度化之后，才会变成一个飞轮；否则只是多个项目并行交付，每个项目各算单利。

国内追赶不应只堆峰值算力，或者复刻“纯视觉”“端到端”的口号。要追的是三个可以复利的速度。

失败样本变成可训练数据的速度。 失败样本不只指事故，更多是比事故早得多的信号：用户频繁接管、系统在复杂路口不必要地犹豫、无理由的急刹、过度保守的绕行。能把它们快速变成训练和评测样本的公司，才有机会持续缩小“能开”与“好开”之间的距离。

训练模型变成稳定量产的速度。 用两三套高度统一的参考硬件和传感器配置，先把大模型、编译器、量化和安全验证打穿，再逐渐扩展到更多车型。不要一开始就追求在任意芯片、任意传感器组合上的同等体验。

新版本变成真实用户反馈的速度。 没有统一口径的接管率、误制动、关键场景成功率和版本覆盖周期，“全国都能开”“首个”“领先”就无法比较，也就无法知道自己的复利到底在不在滚。

对于投资和战略判断，最重要的问题不是“谁的模型像特斯拉”，而是：谁最可能把 10 个关键失败样本，在最短时间内变成 1000 万辆车上的更好行为。

回到开头那种“车内时间被重新安排”的体验。它由无数微小而具体的驾驶决策构成：车在何时减速，如何观察盲区，面对非机动车留出多大余量，何时不再犹豫，何时把控制权交还给人。体验领先，是这些决策在大多数时刻都足够自然、稳定、可预测。而这种自然和稳定，是复利滚了很多轮之后的样子。

三句暴论

在绝对的自动驾驶面前，空间、内饰、豪华、交互的价值都近乎归零。原有的价值体系失效了。哪怕是一张木座椅就行。

通往自动驾驶的公司，首先必须是一家 AI 公司。不管它今天卖的是车、电池还是机器人。

特斯拉是世界上第一个完整跑出智能复利的公司。

复利最微妙、最奇妙的地方，就是它在前面很多年看起来什么都不是。

本文来自微信公众号：还是不举手就发言，作者：周航