FSD v15 的 Reality View 就是「生成视频」,从马斯克的回复能看出来,v15 的整套前向推理不出意外是标准的「一干两只」。
主干是UVE,它接收多视角车载摄像头画面,以 18Hz 运行,把现实世界翻译成稠密的时空特征向量 。
然后还有决策分支,是 3B 的驾驶模型,它接收 UVE 输出的的特征序列,直接输出方向盘转角、加减速等控车动作。
最后是可视化分支,也就是这次新的 Realitu View,它是 1B MeanFlow 扩散模型,从 UVE 特征流里直接分叉拷贝,结合上一帧带噪画面,在半个 TRIP 核心上把当前路况「画」成 36 FPS 的 Reality View 视频流 。
所以不是传统 3DGS, 看到的画面就是生成的视频,没有什么「渲染」的过程,这也是为什么现在画面有明显的延时(主要是触控输入的延时),也是为什么它看起来很像是早期视频生成模型的画质(因为要保证实时性)。
所以本质上,Reality View 并不是技术重点,也不是护城河,它只是 UVE 落地后顺手结出的炫酷的表层,UVE 通用视觉底座本身,才是特斯拉做「物理 AI 公司」核心。
下一代 AI5 算力大约提升 12 倍,而且大概率会原生补齐 FP8/BF16 精度支持和硬件级 Softmax/attention加速,那之后的画面可能就会跟现在的更好的视频生成模型看起来差不多了。
发布于 北京
