智能駕駛領域，特斯拉FSD基本代表著全球的最先進水平。隨著FSD在國內的解禁，國內廠商們將迎來一次新的挑戰。

本月初，特斯拉長達三年的 FSD Beta 測試計劃似乎已經結束，這一變化體現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“監督”的意思，而這正是FSD的核心。

那么從測試版轉正，新版本的FSD究竟強在哪里？

在名為《特斯拉的FSD時刻》的行業深度報告里，分析師從三個核心邏輯的角度介紹了FSD新版本更新內容。

以下為研報內容節選：

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，FSD v12創新性地采用了端對端的神經網絡技術（端對端NN），可以更好地理解和處理復雜駕駛環境，減少駕駛人員的干預，提高自動駕駛的精確度和自動化度。

感知-決策-執行是FSD的基本流程，在v11中，感知階段需要通過視覺方式/雷達方式獲取周圍物體信息并識別和標識分類，決策階段則依賴于事先認為編寫好的控制規則。

但是v12采用了端對端NN技術，感知階段不再需要識別和標識，決策階段也不需要事先人為編寫控制規則，只需要輸入大量視頻交給NN學習，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，同時在沒有網絡連接的情況下仍能在不熟悉的地形上工作。

目前，v12在北美的已經適配裝備HW4.0的modelS、3、X和Y，在中國地區目前只有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，不再依賴USS（超音波雷達）：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，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，特斯拉真正實現了一鍵泊車（TaptoPark），當駕駛員選擇好停車位后，點擊“開始按鈕”，特斯拉的車輛能夠安全地倒車進入停車位，駕駛人員只需要保持關注并隨時準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款自動駕駛芯片的5倍左右。

攝像頭或升級：攝像頭數量或從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更強的感知能力，最遠探測距離可達424米，掃除盲區和死角。

預留雷達接口：HW4.0預留了裝備雷達的空間，但是modelY在出廠時并不具備雷達功能，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，同時也為用戶提供了一定的選擇空間。

CPU內核數量提升66.67%，FSD Computer2數量增加到3個：CPU方面，HW4.0由3.0的12核，提升到了20核，內核數量提升66.67%。計算平臺方面，雖然HW4.0仍然采用的是FSDComputer2，但是數量卻增加到了3個。

背后的核心邏輯

1、特斯拉引領技術路徑收斂

1）特斯拉引領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感知引領華為、理想跟隨

2022年10月AI DAY，特斯拉Occupancy感知進化，不識別類別也能判斷物體運動狀態，引領華為GOD、理想Occupancy跟隨。

3）TeslaLane感知車道拓撲，提前提取復雜路口特征

4）大模型自動標注效率是人工的1000-45000倍

5）特斯拉Dojo投產，國內廠商建設超算中心

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，導致推理效果和泛化性能欠佳：通常來說，規模較大的模型預測效果更好，但訓練時間長、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備上，響應速度顯然不夠用。

規模較小的模型雖然推理速度較快，但是因為參數量不足，推理效果和泛化性能沒那么好。

大模型知識蒸餾給小模型，可以實現更優的性能：知識蒸餾（knowledgedistillation）是模型壓縮的一種常用方法，通過構建一個輕量化的小模型，利用性能更好的大模型的監督信息來訓練這個小模型，以期達到更好的性能和精度。