会议要点 1、特斯拉FSD技术体验分享 FSD11与12版本的主要差异在于决策过程更接近人类驾驶行 为，特别是在绕行障碍物和规避行人的场景中。 FSD12版本通过大量数据学习，实现了更柔和的减速和更接 近人类的驾驶体验，甚至在某些情况下能够欺骗乘客区分不出 是AI还是人类驾驶。 FSD12展现了一定的智能涌现现象，例如在机场附近测试时， 能够自主规划掉头路线，显示出与传统基于规则的自动驾驶系 统不同的自由发挥能力。 2、FSD技术发展与迭代 FSD12采用端到端训练方式，与之前的感知加人工规则规划 模块组成的系统有本质区别，提供了更大的想象空间。 公司FSD自2020年发布以来，经历了三年多的迭代，虽然用 户对其进步速度有所期待，但V12版本展现了技术上的显著提升。 数据驱动是AI领域过去十年间最重要的技术变革，特斯拉FSD的 发展也遵循这一范式。 FSD12通过端到端数据驱动的方式，直接优化从感知到规控 的所有环节，提升了用户体验。公司后续计划中，FSD将加入更 多端到端功能，如智能召唤和自动泊车系统，进一步提升产品 力。 3、FSD在中国市场的适应性 公司FSD在美国的表现显示，其策略相对激进，但在安全性监管 方面仍有待提升。 中美交通环境存在差异，但驾驶共性大于差异，特斯拉FSD 在中国市场的适应性需要进一步微调。 公司FSD的本地化程度和对中国市场投入的经历将影响其在中国 的用户体验和市场份额。 4、国内车企与特斯拉的技术水平对比 国内顶级车企在自动驾驶领域与特斯拉FSD11版本相当，但 在数据驱动和端到端技术上刚刚起步。 国内车企在理解国内驾驶习惯和用户心态方面有优势，但在 数据驱动和端到端技术上仍需追赶。 5、FSD的市场前景与订阅量 FSD作为L2级别的辅助驾驶系统，在法规上的包容性较高， 但目前仍依赖驾驶员作为最终安全保障。 公司通过高定价策略选择了技术接受度较高的早期用户群体， 随着FSD性能的提升，特斯拉开始降低价格以吸引更多用户。 公司计划将FSD推广到北美以外的市场，以应对其他市场快速增 长的自动驾驶技术。 Q&A Q：VHR后续迭代计划及其功能改进方向是什么？ A：V12的迭代计划将集中在端到端的训练方式上，这与之前的 感知和人工规则规划模块组成的系统完全不同。V12的期待较高， 因为它在与V11的对比中展现出现有能力上的差异，并且端到端 训练方式给人较大的想象空间。V12将直接优化从感知模块到规 控模块的所有环节，使得用户体验有显著提升。此外，V12的版 本迭代速度快，已经在城区驾驶中表现出类人的表现，并推出 了基于端到端的自动泊车系统。 Q：公司FSD的发展历程和技术特点是什么？ A：公司FSD自2020年10月底发布以来，经历了三年多的迭代 演化。最初，FSD因未使用高清地图和激光雷达等传感器输入， 而依靠纯视觉在复杂城市场景中驾驶，起点非常高。然而，经 过多次迭代，用户发现顽固问题仍然存在，改进不大。特斯拉 非常强调数据驱动的方法，这是AI领域过去十几年取得长足进 步的最大技术变革。特斯拉已经在感知预测模块中大量结合了 以深度学习为主的数据驱动方法。然而，由于数据驱动的提升 主要集中在系统上游的感知部分，层层传递后，用户体验提升 不明显。V12通过端到端的数据驱动改造，直接优化所有环节， 使得用户体验显著提升。此外，V12的版本迭代速度快，已经在 城区驾驶中表现出类人的表现，并推出了基于端到端的自动泊 车系统。 Q：公司未来版本更新中将加入哪些功能？ A：公司未来版本更新中将加入智能召唤（smartsummon）和 智能消失（smartvanish）等功能，这些功能将实现车辆从停车 位到用户所在地的自动行驶，以及用车结束后车辆自动返回停 车位。这将打通城市行车、高速行车、起步阶段的车辆召唤以 及用车后的自动离区等功能，并能实现自动泊车。 Q：使用端到端技术后，特斯拉版本迭代的效率和速度有何变化 ？ A：使用端到端技术后，特斯拉版本迭代的效率和速度预计将比 之前的版本快很多。最近的版本更新，特别是从V11到V12，已 经显示出使用端到端技术后功能更新的速度和效率有所提升。 这使得我们对后续版本迭代中的性能提升和逐渐接近无人化驾 驶功能的实现抱有期待。 Q：公司在中国路况下的适应性如何评估？ A：公司的FSD系统在硅谷周五晚高峰的复杂交通场景下进行了 约1小时50分钟的测试，包括繁忙的停车场、机场车流和人流等 场景，这些场景的复杂度与国内大城市的一些场景相似。在测 试中，共发生了五次接管，包括左转掉头失败、环岛内有车侵 入导致的碰撞风险、以及靠边停车后继续行驶的风险。尽管V12 版本的决策和规划非常果断和拟人，但由于策略相对激进，安 全监管可能并未减少，接管概率可能上升。不过，V12版本已经 能够解决许多之前FSD难以应对的特殊情况，显示出对复杂路况 的适应性有所提升。 Q：公司FSD在无保护左转和横向穿行中的表现及其安全性提升 方向是什么？ A：公司FSD在无保护左转或横向穿行的情况下有时可能会比较 冒失地前行，这需要在未来的版本中着重提升安全性。尽管FSD 的策略更接近人类驾驶，能进行复杂的驾驶决策，但安全性的 提升仍是关键点。特斯拉的自动驾驶产品如果能实现脱手、脱 眼甚至无人驾驶，将带来商业价值的质变。因此，特斯拉的迭 代方向将着重于降低安全接管频率和成本。 Q：中美驾驶状况的共性与差异性如何影响特斯拉FSD的迁移和 适应？ A：中美驾驶状况虽有差异，但共性远大于差异性。例如，中美 都是左侧驾驶位，与英联邦国家不同。特斯拉FSD从北美迁移到 其他国家时，不需要从头开始，而是根据当地的驾驶习惯和交 通法规进行微调。中国的交通复杂程度更高，对非礼貌行为的 包容性强，而美国车流密度较低，无保护左转的难度较高。特 斯拉FSD在中国需要强调效率，进行空间抢占和激进驾驶，而在 美国则更多考虑融入礼貌的驾驶环境。尽管存在差异，但特斯 拉迁移产品到其他国家的困难是可以解决的。 Q：公司未来的传感器方案是否会完全转向端到端，不再需要 激光雷达和毫米波雷达等辅助传感器？ A：公司目前的传感器方案是基于纯视觉的，并通过电脑端的大 模型方法解决了一些传统摄像头的短板问题。随着自动驾驶技 术的落地和AI技术的进步，数据驱动成为了推动性能提升的主 要力量。视觉传感器因其在识别红绿灯、驾驶牌等细节互动方 面不可替代的作用，成为了主要传感器。虽然激光雷达可以提 供高分辨率，但其成本和故障率较高。特斯拉的HW4.0硬件平 台预留了4D成像毫米波雷达的接口，这表明未来可能会根据实 际数据和安全监管效率的需要，选择增加4D毫米波雷达作为主 动测距传感器，以提高安全性和降低误刹车的风险。但目前特 斯拉可能会继续推进纯视觉方案，除非遇到短期内无法解决的 安全监管接管率问题。 Q：公司在自动驾驶出租车（robottaxi）方面的技术适配和改 进有哪些？ A：公司需要降低安全事故的监管率，可能需要增加传感器。目 前策略中尚未包含安全保护策略，如在复杂情况下的靠边停车 或降速等待援助。特斯拉可能会继续通过端到端的方式设计一 些策略，如急刹或安全策略，以保证行人安全同时最大程度不 影响交通流。这些策略在L4 自动驾驶中主要通过规则判断，但 难以覆盖所有长尾场景。特斯拉可能会设计一些failsafe 操作， 如靠边停车和急刹，来应对非常规场景。 Q：国内车企在自动驾驶领域的水平与特斯拉相比如何？ A：国内顶尖车企的功能接近于特斯拉V11及之前的EFIFSD状态， 主要依赖数据驱动的感知预测模块，但在决策规划上多数仍基 于纯规则方式。国内车企对国内驾驶习惯和用户心态有更深入 了解，通过系统打磨在某些场景下性能可能超过V11系统。但整 体而言，国内在数据驱动方面欠缺，尚处于摸索阶段。硅谷企 业如谷歌的数据闭环和工具链经验被特斯拉借鉴到自动驾驶领 域。国内车企由于产品迭代快，不得不加入人工规则，但随着 复杂度提升，可维护性降低。目前，国内顶级车企刚开始研发 端到端自动驾驶技术。 Q：公司FSD技术与其他公司相比的差距和追赶可能性如何？ A：公司在2020年10月推出了FSD的第一个版本，而其他公司 在无图功能方面至少晚了三年多。特斯拉的研发时间可能与追 赶者不同，难以准确估计追赶时间。如果特斯拉在一年多前开 始端到端项目，那么追赶者可能落后不到两年。特斯拉的 FSD12版本在决策上更接近人类，对消费者来说可能更易接受， 但本地化程度和投入经历会影响最终体验。 Q：公司FSD12版本在中国市场的本地化问题和策略激进性如何 ？ A：公司的FSD12版本可能在本地化过程中遇到问题，因为其算 法团队规模较小，无法专注于适配特定国家的交通习惯。特斯 拉的驾驶策略在不同地区已有差异，但是否能够满足中国市场 的需求仍不确定。尽管如此，FSD12在功能和类人决策方面仍 有领先优势，但是否能够明显区别于国内产品，还需看其本地 化程度。 Q：公司FSD12版本的策略激进性是如何形成的？ A：FSD12版本主要采用模仿学习范式，通过学习人类驾驶行为 进行训练。其策略激进性主要体现在功能上的提升和更接近人 类的决策。FSD12能够处理更多动作，如掉头和环岛场景，且 在决策时更加果断，减少了不必要的急刹车和绕行。通过学习， FSD12能够更快识别障碍物和规划绕行路径，与人交互时也更 自然，减少了畏首畏尾的感觉。 Q：数据驱动在智能驾驶领域的影响是什么？ A：数据驱动在智能驾驶领域的影响非常显著。AI的发展经历了 从基于符号的系统到人工神经网络的演变，再到现今的深度学 习和端到端学习的方法。通过大量数据的输入，机器可以自动 学习和总结出有效的特征，从而提高智能驾驶系统的性能。自 2012年以来，深度学习的出现使得完全由数据决定特征成为可 能，而无需人工设计特征。在自然语言处理领域，自监督学习 方法的出现进一步验证了数据驱动的规模效应，即通过增加模 型参数和数据量，可以不断提升模型性能，而且这种提升没有 明显的饱和状态。因此，数据驱动的方法被认为是实现高级自 动驾驶AI的最有潜力的路径。目前，尽管自动驾驶技术还未完 全成熟，但遵循数据驱动的原则，不断提升模型参数和数据量， 是推动自动驾驶技术发展的关键。 Q：公司FSD的订阅量有何展望，法规和保险商是否会对其产生 限制？ A：公司的FSD（FullSelf-Driving）目前是一个L2级别的辅助 驾驶系统，其最终安全保障仍依赖于驾驶员。这意味着FSD在许 多国家可以获得法规的包容性。然而，如果FSD能够发展到允许 驾驶员完全脱眼脱手的L4级别，它将受到更为严格的监管。至 于订阅量，法规和保险商的态度可能会对其产生一定的限制。 目前，FSD的订阅量受到法规的限制，但随着技术的进步和法规 的逐步放宽，预计FSD的订阅量有望增长。保险商可能会根据 FSD系统的安全 性和可靠性来调整对订阅行为的态度和限制。 Q：公司FSD的定价策略及其对用户接受度的影响是怎样的？ A：公司FSD的定价相对较高，尤其在美国以外的市场，如亚洲 和欧洲，用户付费意愿不高。原因在于FSD功能之前不够成熟， 特斯拉未大力宣传，通过高定价策略筛选出技术接受度较高的 早期用户。这些用户对技术迭代过程中的不完善有更高的包容 度。特斯拉的定价策略并非以最大化商业收益为目标，而是考 虑到产品的不完善性，通过定价选择初始用户群体。近期，特 斯拉将FSD订阅价格减半，预计会显著增加订阅用户量和FSD的 接受度。特斯拉对V12版本后FSD的性能有信心，希望通过推广 让更多人接受FSD。接下来，特斯拉计划将FSD 从北美推广到 其他市场，特别是在中国市场，由于当地自动驾驶技术发展迅 速，特斯拉需要尽快推广最先进的端到端系统，以避免在其他 市场丢失自动驾驶的市场份额