特斯拉FSD即将进入中国？国产智能驾驶准备好应战了吗？

23小时40分钟够干什么？

至少够马斯克在中国见到国务院总理，然后让整个中国自动驾驶和智能汽车领域的企业们都打一番鸡血了。

2024年4月29日13点17分，注册在Space X公司名下的私人公务机N272BG，从北京首都机场起飞，预计8小时后回到美国阿拉斯加的安克雷奇。

一天前，这架飞机正是从安克雷奇起飞，因为事先并未有任何预告，在飞机飞往亚洲的途中，还有人猜测他是要往印度去。

但飞机最终在首都机场落地，马斯克这次来华也被众多媒体称为“意外之旅”。然而关于这次来到中国的主要目的，业界却达成了几乎一致的看法：为了特斯拉的自动驾驶系统FSD能够正式在中国落地。

所以我们今天就聊一聊FSD到底能不能在中国全面落地，国产智能驾驶在最先进的技术面前又有没有一战之力？

特斯拉FSD什么水平？

简而言之，特斯拉FSD在技术领域，依然代表了全球的最先进水平，但并不一定能有超越其他品牌的应用效果。

先说技术领先。

2024年3月，特斯拉连续推出FSD（Beta）12.3.2、12.3.2.1，以及最新的FSD（Supervised）12.3.3版本。并且对FSD V12.3进行了全面更新推送，宣布具备 FSD 硬件条件的所有美国特斯拉汽车，都可以免费试用FSD一个月。

相比较于FSD 11，FSD v12最大的变化，删除了30多万行人工编写的规则代码，开始采用新的“端到端”神经网络技术（端对端NN）。

端对端神经网络架构，是目前业界普遍认为最适合实现自动驾驶的技术架构。北京车展上，华为的智驾新品牌“乾崑”与乾崑ADS3.0高阶智能驾驶，小鹏发布的AI天玑系统，商汤绝影面向量产的UniAD，都是端到端的架构。而目前FSD v12版本，应该是全球第一个大规模全量落地给普通用户的“端到端”自动驾驶系统。

那什么是端到端架构？

用好理解一点的“人话”来说，就是以前的自动驾驶技术路线，是“遵守人类的规则”，而“端到端”，则更倾向于“模拟人类的反应”。

在FSD 12之前，全球的自动驾驶技术路线，基本都是先“AI感知+软件规控”，也就是识别路况，再根据路况，在规则的约束下进行决策。步骤是：

• 编写规则（比如红灯停，绿灯行，实线不能压，看见动物要让行）
• 摄像头/雷达获取信息，并进行识别和分类（比如识别过年时满大街的红灯笼，不是红灯。比如白色的车道线，黄色的车道线。比如30cm高且会跑的是猫狗，1.8米高且会跑的是人类）
• 根据识别到内容，对应编写好的规则，进行决策（比如看见了人，所以决定停车，识别到了虚线，可以变道）

但这种技术路线会带来非常明显的瓶颈：路上出现的情况可能是无限多的，工程师不可能真的把所有情况都想到，即便只是“想得周全一些”，工作量也是天文数字。而且有非常明显的瓶颈，一旦遇到某些复杂情况，可能不够灵活。

比如我去年在广州跟着朋友试驾华为M7的智驾时，就遇到过一个非常典型的问题，当时我们在一条比较窄的单车道的小路上，路边有一辆快递的三轮车占了道，但中间是实线。汽车碍于交通规则，不能压实线行驶，于是只能在空荡荡的街道上停了下来，没办法再往前开了。

这种交通规则与实际路况之间的“冲突”和两难，一直被认为是自动驾驶技术的一个瓶颈。FSD一直到v11的版本，都还受困于此。

特斯拉智能驾驶系统迭代历程梳理；图片来自：华泰证券研报

但到了v12版本，特斯拉删除了30多万行人工编写的规则代码，删除后FSD V12的C++代码只剩下了2000多行，取而代之的是控制转向、加速和制动的神经网络，或者更好理解一点，就是大模型。

而训练的物料，就是上百万个司机在路上进行决策的视频。

简而言之，在端到端的架构下，FSD才不管动起来是人还是狗。它只在乎，在感觉到有东西在动，有东西动，司机会选择停下来。所以FSD也停下来。

这个过程里，省去了识别和规则对应，进行的是逻辑行为的模拟。所以我上面才说，以前的自动驾驶技术路线倾向于“遵守人类的规则”；而“端到端”，则更倾向于“模拟人类的反应”。

事实上，FSD v12很多北美车主测试时，就遇到过单车道被占道的情况，特斯拉基本都会选择压实线直接绕过占道车辆往前开，这种行为来自于大量真人司机数据给它的训练。

但技术路线选对了，就意味着FSD落地就能爆杀中国厂商吗？

答案是不可能。

因为端到端的架构，最核心的问题在于“训练素材”，也就是真实的司机数据。

数据决定FSD入华进程

端到端架构固然能够带来更加灵活的决策，但却比原先的架构更依赖真实的人类司机的驾驶数据了。

以FSD在美国的表现来说，其在纽约的决策逻辑，是根据纽约地区的真实驾驶数据来训练的。纽约街道极其拥挤，日常堵车，FSD就会跟车跟得非常近，堪称见缝插针，非常老道。用我一个朋友的话说：“比我会开。”

但在田纳西州，FSD的决策逻辑就偏向于礼让，跟车也跟得优哉游哉，绝对不会见缝插针，寸步不让。

选择哪一种模式，是根据你的所在地进行变化的，不会把乡村模式放到纽约，让你被无限插队，气出个好歹。

但问题就是：在美国本土，跨个州都还需要进行每个区域不同的匹配和训练，那跨个国呢？

从美国到中国，更不可能直接用美国的模型在中国开车。

举个最简单的例子，应该大家都看过很多美国过路口的时候车被横向撞飞的视频。这跟美国的交规有关系。

在中国，你如果看到路边有个车在蠢蠢欲动，想要汇入车流，大部分人都会减速。但美国是个路权优先级很高的国家，交规规定，在过路口、过汇车口时要全速通过，考驾照时如果发现你面对路边有车而减速，甚至会扣分。

如果FSD用美国的逻辑，来中国落地，不做调试，我都不敢想要撞飞多少车。

同理，如果中国做自动驾驶非常优秀的厂商，比如华为和小鹏，去美国落地时都按照中国的逻辑，那我也不敢想要被撞飞多少次……

何况中国不同城市的交通情况也很不同，广州能和重庆一样吗？北京能和香港一样吗？贵州能和南昌一样吗？

洛阳的红绿灯甚至是牡丹花形状的，你确定不训练你能模仿得明白吗？

所以FSD想要在中国落地，只能进行模型分叉，也就是把在美国训练出来的通用的基础模型，拿到中国来，中国数据，中国储存，中国训练。

但要实现这一点，特斯拉面临的问题有三个：

一是，不好搭建训练环境。

中国道路复杂程度高于美国，用于训练智驾算法模型的数据量级，会比美国更大。而且更复杂。而特斯拉建立于上海的数据中心无法连通美国的超级计算机，因此FSD 暂时难以获得超级计算机的算力加持。

而特斯拉在美国做数据训练，除了自家的超算，也再用英伟达的GPU，但众所周知，美国现在又不让英伟达最先进的GPU进中国。

所以结果就是，美国突出一个“我卡我自己”。

至于坊间流传，被认为是FSD全面入华“有力信号”的那则《关于汽车数据处理4项安全要求检测情况的通报（第一批）》，其实只是对其在国内储存数据的安全性，做出了认证。

但FSD真的要入华，最需要解决的问题并不在此。谈不上是FSD入华的“标志性信号”或者什么“强心剂”。

路透社为了避免谈及GPU禁令的不合理之处，甚至声称从知情人士处获悉，马斯克这次来中国，可能会突破中国数据必须本地化储存的法规，让特斯拉把数据都弄到美国去。

但路透社已经连续好几次被马斯克说造谣了，我个人也认为中国不可能为了特斯拉打开数据安全的口子，否则滴滴的打可真的就是白挨了。

二是，特斯拉没有测绘资质。

FSD虽然是纯视觉的感知方案，但也会用到一些先验信息，这中间就涉及到测绘资质。国产品牌中，华为和吉利都是甲级资质，而蔚小理都是乙级资质。特斯拉要拿测绘资质的难度是很大的。

没资质就只能去找地图合作，2020年开始，特斯拉在国内的地图合作方就是百度，所以这次彭博社也传出消息，说特斯拉将在百度提供的车道级导航和地图的基础上部署其自动驾驶服务。但目前也只能算是一种猜测。

三是，特斯拉没有足够的人才储备。

特斯拉内部进行数据筛选和模型训练的团队，基本都在美国，国内是没有团队匹配的。而且马斯克4月6日宣布，特斯拉要在8月8日就在北美发布无人驾驶出租车（Robotaxi）产品，自动驾驶的主要团队，可能一时半会也不太会来到中国做技术支持。

过去我们讲过特斯拉的“影子模式”，它在路上跑，即使你不开通功能，也会收集数据。所以特斯拉从来不参加各类路测排行榜，马斯克直接说我们都是真实用户数据，没有你们所说的专业路测数据。

但是进入“端到端”时代，最宝贵的是开启功能后，真实司机进行接管的行为。

这就是为什么，特斯拉会对全美特斯拉开放1个月的免费使用，即便不说宣传作用，这么多用户试用一个月带来的数据量，给训练带来的好处，也绝对值得了。

纵观上述对FSD技术的解读，以及FDS进入中国面临的门槛，其实有几个结论。

一是FSD确实代表了最先进的技术方向，但国内车企也都已经有了相应布局，而且今明两年就要陆续上量产车，双方究竟在这个领域有什么样的实力，还需要像特斯拉一样全面落地之后，才能得到验证。

二是FSD虽然技术很强，但本地化训练远远落后，和国内厂商所拥有的数据量有明显差距。国内厂商绝对用不着“怕”，就像何小鹏说的一样，特斯拉带着优秀的技术进入中国，才可以让整个市场和客户有更多好的体验，让市场良性发展和加速跑，应该欢迎。

三是FSD加速入华，和中国车企纷纷发布端到端技术架构的智驾系统，有密切的关系，正是因为中国厂商带来的压力，才让特斯拉逐渐放下自己的傲慢。

最近一段时间，特斯拉并不顺遂，

特斯拉多年前来上海建厂，成为了中国汽车产业崛起的一个推动器，也是中国汽车市场的一个鲶鱼。多年后，特斯拉希望把FSD带入中国，在中国厂商智驾系统渐成气候的时间点上，也未尝不是一种事实上的“褒奖”，与新的动力。

开放是一种自信。

从这个角度来说，今天的中国和今天的美国究竟谁更自信，也可留待大家评说。