特斯拉AI负责人Ashok没讲的FSD V14细节，这支视频全有，建议先收藏、点赞。

视频：CVPR 2026 DriveX 研讨会 Keynote 7
演讲者：Phil Duan（特斯拉 AI 工程总监）
时长：约 30 分钟（20 分钟演讲 + 10 分钟现场问答）
主题：基于基础模型（Foundation Model）的大规模自动驾驶

演讲者是谁？
Phil Duan，特斯拉 AI 工程总监。领导了 Robotaxi 发布和 FSD V14 的 AI 开发，此前共同主导 FSD V12、V13，早期负责数据和感知团队，并参与构建 "全球最大的物理 AI 数据引擎"。是目前特斯拉智驾的核心人物之一。

核心观点（正文 20 分钟）

1. 特斯拉现状：纯视觉、Robotaxi 已实际运营

整车只有 8 个摄像头，算力在车内，不需要激光雷达或外部基础设施
手动驾驶特斯拉安全性约为美国平均水平 3 倍，开启 FSD 再翻一倍
Robotaxi 已实际运营：达拉斯和休斯顿已有几十辆无人驾驶出租车在跑，车内无司机、无人监督，通过App叫车即可使用
Cybercab（双座、无方向盘无踏板）即将量产，每英里成本极低，宣称低于公共交通

2. 为什么从模块化转向端到端

V12 之前是传统模块化：感知、定位、预测、规划各团队独立开发 ——被明确判定为错误路线。三个原因：

① 人类驾驶决策无法靠代码编写（边缘场景、长尾事件太多，有时要 "违规" 才能通过）；
② 感知→预测→规划之间的接口定义不清，感知模型更好不等于最终结果更好；
③ 端到端单一大网络延迟高度确定（36 FPS 输入，光子进网络直接出动作）

明确立场：站在 "苦涩的教训" 一边—— 不把人类知识写进系统，只堆算力、模型和数据

3. 视频基础模型架构

本质是 "视频进、动作出"的单一函数，与 LLM 的" 语言进、语言出 " 同构
与 LLM 的本质差异：世界实时变化、决策有非零延迟、其他交通参与者充满不确定性
对抗性场景（车辆做出不可预测甚至恶意的行为）也要考虑进来并 "烘入模型"
训练时用大量代理任务（分割、几何、人体网格、人物追踪）帮助梯度流动；测试时只执行动作
数据来源不止车队：加入互联网数据（推理与泛化）和 Optimus 室内数据（理解椅子等普通物体）

4. 数据与算力规模

700 万辆车在路，每天累计约 500 年驾驶时长
单日训练集超 120 年驾驶时长、100+ PB 数据
FSD 累计里程刚突破 100 亿英里（V12 后指数增长）
算力接近 30 万 H100 等效，刻意维持小团队："行业里每名工程师最高的 GPU 资源"

5. 核心训练难题（公开少见的技术细节）

维度灾难：输入是 36Hz×8 摄像头的巨大空间，输出只有 2 个自由度（转向 + 速度）—— 直接训练极不稳定
输入压缩：朴素地把像素 tokenize 会产生 "数十亿个 token，显然行不通"，必须用极其复杂的方法把视频压缩到可管理的上下文
因果学习：从数百万像素里找出真正的因果关系（识别 "可左转" 与 "背景无关标志"）极其困难，代理任务就是为此存在。

6. 现场问答

为什么不用 VLA？
轨迹是否做碰撞后处理？
3D 任务真值如何设定？
数据如何筛选？

本视频为搬运汉化，仅供学习交流，版权归所有方，如侵删。 http://t.cn/AXNwQujt