英伟达总监亲测FSD v14：已经通过了物理图灵测试
2026-01-01 17:06:50
供稿：网友
所谓端到端，即「光子进，控制出」（Photons In，Controls Out）。
摄像头捕捉的原始视频流直接输入到巨大的神经网络中，网络经过层层计算，直接输出方向盘转角和油门刹车指令。
中间不再有人类编写的「红灯」概念，系统只是通过观察数百万小时的人类驾驶视频，学习到了「看到红八角形物体时减速」这一像素级特征与车辆运动之间的概率关联。
这一转变的意义在于，系统不再是在「执行规则」，而是在「模仿直觉」。
人类驾驶员在过弯时并不是在脑中计算曲率半径公式，而是凭感觉打方向。
FSD v14正是模拟了这种基于经验的直觉过程。
FSD v14不仅仅是v12的优化版，更引入了多模态大模型的特性，极有可能采用了视觉-语言-动作架构。
根据泄露的技术细节，FSD v14的神经网络不仅输出控制信号，还输出语言和3D空间重建。
从ICCV流出的幻灯片可以看到，特斯拉的FSD核心网络输入包括七路高分辨率摄像头视频、车辆自身运动信息、导航与音频信号。
输出则包含语义分割、占用网格、3D高斯特征、语言表达以及最终的控制动作，FSD或已接入视觉-语言-动作（VLA）框架，使模型具备「解释」与「思考」的能力。
这意味着系统在内部进行着某种形式的「思维链」推理。
例如，在遇到一个复杂的施工路段时，传统的感知系统可能只能识别出一堆障碍物；而VLA架构的FSD可能会在内部推理：
「我看到了‘道路封闭’的标志，但左侧有一位工人正在挥舞旗帜，结合导航信息，我应该无视标志，跟随工人的指引向左绕行。」
语言能力的引入，解决了端到端模型最大的痛点：「黑盒」问题。
通过让模型输出自然语言解释，工程师可以回溯系统的决策逻辑，这被称为「可解释的中间层」。
这种能力使得FSD v14不仅能「做」，还能「说」（尽管目前主要用于开发调试），使其具备了初步的逻辑验证能力。
早期的FSD版本常被诟病为只有「金鱼记忆」，即只关注当前帧的画面。
FSD v14通过引入长短时记忆机制和3D占用网络，获得了类似人类的「物体恒常性」认知。
如果一个孩子跑进了一辆停在路边的货车后面，即使摄像头此刻看不到孩子，v14的「世界模型」中依然保留着孩子的3D体素（Voxel），并预测其可能出现的位置。
这种时空推理能力是其能够通过物理图灵测试的关键：它不仅在看，更在理解和预测物理世界的演变。
当然要训练端到端的庞大模型，离不开芯片的支持。
Tesla的自动驾驶硬件进化史，是一部从依赖外部供应商到全面自研的独立史。
Hardware 1.0(Mobileye时代)：2014-2016年，Tesla依赖Mobileye的Eye Q3芯片。这是一套基于规则的视觉系统，直到2016年因一场致死事故及对数据共享的分歧，双方决裂。
Hardware 2.0/2.5(NVIDIA时代)：2016-2019年，Tesla转向NVIDIA，采用了DrivePX2计算平台。
这是一台算力达到12TOPS的「后备箱超算」，支持了Tesla早期的视觉算法。
然而，马斯克意识到，通用的GPU架构对于车载推理来说，功耗过高且成本昂贵。（这里很像谷歌自己研发了TPU）
Hardware 3.0(FSD Chip时代)：2019年，Tesla发布了由传奇芯片架构师Jim Keller（曾任职AMD、Intel）领导设计的自研FSD芯片。
这是一个专用集成电路（ASIC），专门为神经网络的矩阵乘法优化，算力激增至144TOPS，而功耗和成本大幅降低。这一刻，Tesla在车载推理端彻底摆脱了对NVIDIA的依赖。
关于这位大佬Jim Keller的介绍，可以查看之前这篇：英伟达亲手终结CUDA「护城河」？传奇芯片架构师引发争议
尽管在车端分道扬镳，但在云端训练，Tesla却是英伟达最贪婪的客户之一。
FSD v14那种「端到端」的庞大神经网络，需要吞噬数以亿计的视频片段进行训练，这需要极其恐怖的算力支持。
Tesla建立了巨大的超级计算机集群（如DojoCortex），其中部署了数万张NVIDIA H100和H200 GPU。
这就形成了一种独特的「竞合」关系：
Tesla使用自研的HW3/HW4芯片，甚至未来的AI5芯片，通过垂直整合将成本压到极致。
Tesla依然依赖NVIDIA的CUDA生态和最强算力来「教育」它的AI。
黄仁勋对此表现出了极高的战略格局。
他多次公开称赞Tesla在自动驾驶领域的领先地位，承认Tesla是目前唯一能有效利用其最强算力的车企，并表示「每一个车企未来都必须拥有自动驾驶能力」。
