智能駕駛領(lǐng)域，特斯拉FSD基本代表著全球的最先進(jìn)水平。隨著FSD在國內(nèi)的解禁，國內(nèi)廠商們將迎來一次新的挑戰(zhàn)。
本月初，特斯拉長達(dá)三年的 FSD Beta 測試計劃似乎已經(jīng)結(jié)束，這一變化體現(xiàn)在其最新版本更新說明中，其將原先的“FSD Beta”更名為了“FSD (Supervised)”。
Supervised 是“監(jiān)督”的意思，而這正是FSD的核心。
那么從測試版轉(zhuǎn)正，新版本的FSD究竟強(qiáng)在哪里？
在名為《特斯拉的FSD時刻》的行業(yè)深度報告里，分析師從三個核心邏輯的角度介紹了FSD新版本更新內(nèi)容。
以下為研報內(nèi)容節(jié)選：
特斯拉如何迎來FSD時刻？
1、端對端NN重塑FSD
2024年3月，特斯拉先后推出FSD（Beta）12.3.2、12.3.2.1以及最新的FSD（Supervised）12.3.3版本。
相比較于FSD 11，F(xiàn)SD v12創(chuàng)新性地采用了端對端的神經(jīng)網(wǎng)絡(luò)技術(shù)（端對端NN），可以更好地理解和處理復(fù)雜駕駛環(huán)境，減少駕駛?cè)藛T的干預(yù)，提高自動駕駛的精確度和自動化度。
感知-決策-執(zhí)行是FSD的基本流程，在v11中，感知階段需要通過視覺方式/雷達(dá)方式獲取周圍物體信息并識別和標(biāo)識分類，決策階段則依賴于事先認(rèn)為編寫好的控制規(guī)則。
但是v12采用了端對端NN技術(shù)，感知階段不再需要識別和標(biāo)識，決策階段也不需要事先人為編寫控制規(guī)則，只需要輸入大量視頻交給NN學(xué)習(xí)，就能分辨出在不同情況下需要做什么，這使得特斯拉在FSD V12中減少了100倍代碼，使其更輕便、更靈活，同時在沒有網(wǎng)絡(luò)連接的情況下仍能在不熟悉的地形上工作。
目前，v12在北美的已經(jīng)適配裝備HW4.0的modelS、3、X和Y，在中國地區(qū)目前只有Model Y可以升級到HW4.0。
相比HW3.0，HW4.0在算力、攝像頭數(shù)量和清晰度等方面具有大幅度的提升。攝像頭為8個，算力提升5倍，素有攝像頭像素由120萬提升至500萬。
目前，特斯拉FSD累計里程指數(shù)級增長超10億英里，劍指百億公里
2、新版Autopark不依賴USS
新版的Autopark（泊車功能）基于與FSD v12相同的NN技術(shù)，不再依賴USS（超音波雷達(dá)）：自2022年特斯拉放棄USS而改用攝像頭以來，未裝備USS的新特斯拉的Autopark和Summon功能給用戶帶來的體驗感遠(yuǎn)不如裝備USS的車輛。
之前版本的Autopark具有兩大主要缺陷：1）很難檢測停車位并將其顯示在屏幕上，而且一次只能顯示一個停車位。2）停車速度通常非常慢，如果周圍有其他車輛，幾乎很難完成自動泊車。
而新的Autopark基于NN技術(shù)，顯著改善了這兩個問題，停車速度更快，不僅可以在顯示屏上勾勒出停車位，還可以同時顯示各種停車位-包括平行空間。此外，這次升級，特斯拉真正實現(xiàn)了一鍵泊車（TaptoPark），當(dāng)駕駛員選擇好停車位后，點(diǎn)擊“開始按鈕”，特斯拉的車輛能夠安全地倒車進(jìn)入停車位，駕駛?cè)藛T只需要保持關(guān)注并隨時準(zhǔn)備在必要時取消自動停車操作即可，大幅度降低了人為干預(yù)需要、提升用戶體驗。
3、HW4.0芯片算力大幅提升
芯片改用更先進(jìn)制程：HW4.0 FSD芯片采用三星7nm工藝，HW3.0為三星14nm工藝，新的自動駕駛芯片性能將是現(xiàn)款自動駕駛芯片的5倍左右。
攝像頭或升級：攝像頭數(shù)量或從9個減少到8個，但是攝像頭的清晰度從120萬像素提升到500像素，這使得HW4.0具有比3.0更強(qiáng)的感知能力，最遠(yuǎn)探測距離可達(dá)424米，掃除盲區(qū)和死角。
預(yù)留雷達(dá)接口：HW4.0預(yù)留了裝備雷達(dá)的空間，但是modelY在出廠時并不具備雷達(dá)功能，這可能與特斯拉更加偏好視覺方案、降低車輛出廠成本等因素有關(guān)，同時也為用戶提供了一定的選擇空間。
CPU內(nèi)核數(shù)量提升66.67%，F(xiàn)SD Computer2數(shù)量增加到3個：CPU方面，HW4.0由3.0的12核，提升到了20核，內(nèi)核數(shù)量提升66.67%。計算平臺方面，雖然HW4.0仍然采用的是FSDComputer2，但是數(shù)量卻增加到了3個。
背后的核心邏輯
1、特斯拉引領(lǐng)技術(shù)路徑收斂
1）特斯拉引領(lǐng)BEV+Transformer
2021年7月AI DAY，特斯拉首次展示基于Transformer的BEV感知方案，是大模型首次用于自動駕駛，實時感知生成向量空間。
2）特斯拉Occupancy感知引領(lǐng)華為、理想跟隨
2022年10月AI DAY，特斯拉Occupancy感知進(jìn)化，不識別類別也能判斷物體運(yùn)動狀態(tài)，引領(lǐng)華為GOD、理想Occupancy跟隨。
3）TeslaLane感知車道拓?fù)洌崆疤崛?fù)雜路口特征
4）大模型自動標(biāo)注效率是人工的1000-45000倍
5）特斯拉Dojo投產(chǎn)，國內(nèi)廠商建設(shè)超算中心
2、大模型催化FSD時刻
1）大模型蒸餾有望解決車端算力不足帶來效果欠佳問題
車端計算資源有限難以部署大模型，導(dǎo)致推理效果和泛化性能欠佳：通常來說，規(guī)模較大的模型預(yù)測效果更好，但訓(xùn)練時間長、推理速度慢的問題使得模型難以實時部署，尤其在自動駕駛汽車等計算資源有限的設(shè)備上，響應(yīng)速度顯然不夠用。
規(guī)模較小的模型雖然推理速度較快，但是因為參數(shù)量不足，推理效果和泛化性能沒那么好。
大模型知識蒸餾給小模型，可以實現(xiàn)更優(yōu)的性能：知識蒸餾（knowledgedistillation）是模型壓縮的一種常用方法，通過構(gòu)建一個輕量化的小模型，利用性能更好的大模型的監(jiān)督信息來訓(xùn)練這個小模型，以期達(dá)到更好的性能和精度。