马斯克：特斯拉 FSD V12 更新将摘掉“Beta”标签

大家好，linda来为大家解答以下的问题，马斯克：特斯拉 FSD V12 更新将摘掉“Beta”标签很多人还不知道，现在让我们一起来看看吧！

本周，马斯克开启了一场特斯拉FSD V12版本的路测直播，这场画质不到480p的直播吸引了1000万人观看。在45分钟的直播里，马斯克乘坐老款Model S，全程使用FSD，途径环岛、施工路段等。直播中，马斯克多次非常激动地表示：“我们没有写任何一行代码告诉它该如何处理这种状况”，“全程都是靠AI实现的”。

纵使中途车辆差点闯红灯，经历了一次驾驶员接管，但FSD V12版本依然具有划时代的意义：它是世界上首个端到端的AI自动驾驶。它的影响力究竟有多大？

为什么端到端的AI自动驾驶是跨时代的进步？

首先，在端到端出现之前，车辆自动驾驶是如何实现的？通常来说，车辆通过传感器获取环境及周边障碍物信息后，执行工程师编写的行驶规则，从而实现自动驾驶。这个模式的局限性就在于，道路状况非常复杂，工程师不可能写全行驶规则，当车辆面临规则中不存在的场景时，便失去控制。

再者，当车辆需要同时执行四五条规则时，先后顺序该如何处理呢？在对向行驶的两车道上，正前方车辆发生车祸侧翻挡住道路、车道为实线车道、对向车道正驶来两辆三轮小货车，人类司机可以灵活处理这种情况，但受规则限制的智能驾驶系统可能无法辨别，先避让车辆还是快速绕行？实现车道能否直接压线等等。

规则可以处理的情况非常有限，随着智能驾驶可用范围的扩大，规则模式的限制也会越来越大，而端到端的AI自动驾驶便很好地解决的这个问题：

端到端的AI自动驾驶，即特斯拉FSD V12版本让神经网络代替了规则编写。特斯拉给一个AI模型输入了海量真实场景及优秀的驾驶行为数据，车辆行驶过程中，车辆通过传感器获取环境信息后，通过AI模型自动处理，直接向车辆输出指令，如行驶速度为多少，方向盘转向角度为多少等，控制车辆行驶。

首先是，AI模型的可成长性远比死板的规则来得可靠。在马斯克本次直播中，车辆行驶到一个左转绿灯直行红灯的路口时，错误地辨认了交通灯标识，做出了闯红灯直行的动作。接管后，马斯克表示，“这就是V12为什么还没推送的原因了”，“改掉这个错误，我们的做法是向AI模型输入更多的，正确应对此类状况的行驶案例，它就可以学会了。”

其次，AI模型比规则更省运算空间，提升了运算效率，同时提高了安全性。马斯克在直播中表示，FSD V11版本有超过30万行的C++代码，而V12版本只有2000+行。这让FSD的运算灵活了不少，同时也可以脱离网络，在离线情况下进行运算。马斯克还表示，按推理，V12版本的运算功率只有100W。更少的代码也增加了系统的稳定性，让车辆智能驾驶更加安全。

这次，国内厂商想追赶特斯拉，追赶难度有多大？

过去，国内厂商在技术路线上一直在追赶特斯拉的脚步。从CNN到BEV+Transformer再到占用网络算法（Occupancy Networks），在特斯拉实现技术路径突破时，国内厂商都纷纷迎头赶上。但FSD V12这次，国内厂商恐怕很难再追赶。特斯拉FSD V12能获得良好的使用体验，最重要的原因有三点：

第一，数据量。

特斯拉在今年Q2的业绩沟通会中国呢表示，截止2023年6月，FSD Beta的累积行驶里程已超过3亿英里（约等于4.83亿公里），尤其是Q2单季度就提升了1亿英里。而国内厂商方面，截至今年7月初，小鹏汽车高速NGP累计行驶里程达到3160万公里。

AI模型的效果取决于输入数据的数量及质量，输入的优秀行驶数据越多，AI模型便能做出更适合、更优异的行驶决策。随着FSD推送地区及推送用户的增多，特斯拉拥有的行驶数据会呈指数级上涨。由于车辆保有量及智能驾驶推送进度的不同，在数据量上，国内厂商的追赶难度不算太小。

第二，庞大的算力中心。

AI模型接受数据训练，是建立在算力..上的。

2022年特斯拉AI DAY上，马斯克表示目前特斯拉拥有超过14000颗GPU的超级算力中心。根据消息人士透露，2023年8月，特斯拉启动了10000颗H100 GPU的新训练集群。H100 GPU的运算效能是前一代A100的五倍快，同时价格也非常昂贵，单颗将近40000美元。而算力..的后期维护成本还要远高于硬件成本。

国内厂商方面，小鹏基于阿里云打造的“扶摇”智能计算..，算力可达600PFLOPS（每秒浮点运算60亿亿次），而在2022年，特斯拉算力中心的算力已经达到了 2 EFLOPS（每秒浮点运算200亿亿次）。未来，自研算力..Dojo投入使用后，特斯拉拥有的算力还将上升一个台阶。

马斯克曾公开表示，2023年，特斯拉花在扩大训练运算算力的预算就超过20亿美元，并表示2024年会采取同样的行动。而国内方面，2023年上半年蔚来的研发投入为64.2亿元，小鹏则为26.63亿元。相比特斯拉一年20亿美元的算力投入，国内厂商在财力上也很难望其项背。

第三，适配度高的自研硬件解决方案。

特斯拉自研的HW3.0是第一款完全出自车企的自动驾驶硬件解决方案，同时也是量产车型上目前深度学习理论性能最强的方案。而目前，HW已经进化到了3.5及4.0时代。

从外购芯片到自研硬件，特斯拉找到了最合脚的那双鞋子。首先是性价比极高，自研硬件的一大好处就是利用率高，这大大降低了FSD的硬件成本；其次是开发自由度高，买来的芯片哪有自研的好用？自研芯片能够更大完成度地支持特斯拉很多创新的算法与其他技术方案。目前国内厂商均是采用外购芯片方案，在适配度及利用率上，都与特斯拉自研硬件解决方案有着不小的差距。

那为啥国内厂商还不用自研的硬件解决方案呢？从2016年2月组建芯片团队，到2019年4月成功推出FSD芯片，特斯拉一共用了三年多的时间，自研芯片的难度更是不言而喻。国内厂商想要拥有完全自主研发的芯片及硬件解决方案，目前来说光有努力可能还不足够。

特斯拉FSD V12将智能驾驶正式带入端到端的3.0时代，依靠庞大算力和数据铺下的路，对目前国内汽车制造商来说，难度不小，投入太大。但智能驾驶的进度又不能落下，后半程追赶特斯拉，国内厂商需要走出自己的路了。

本文到此结束，希望对大家有所帮助。