特斯拉自动驾驶的重大彩蛋出现了。

国外黑客大神 GreenTheOnly 在特斯拉 FSD Beta 的代码中发现了一段隐藏代码。据了解，这段代码可以开启一个全新的模式「Elon Mode」（埃隆模式，代码以马斯克名字命名）。

如果车辆时速在 60km/h 以下，开启这一模式，车辆可以实现 L3 级自动驾驶，无需双手把持方向盘。

可以说，特斯拉在技术上已经有能力实现 L3 级自动驾驶。只是，目前其仍没有拿到政府的相关批准。

在自动驾驶领域，特斯拉一骑绝尘。

但是，领先地位的铸就并非朝夕。

复盘特斯拉自动驾驶发展历程，实际上不亚于看了一篇逆袭「爽文」。即使是特斯拉，也经历了从落后，到追赶超越，再到称王加冕，自我超越的五个时期。

2016 年，在 Mobileye 首先官宣「分手」后，特斯拉便开始自研算法。期间有一段时间，其算法表现甚至不如 Mobileye。

直到 2020 年，重构算法后，特斯拉才确立了行业领头羊的地位。

在这一时期涌现的 BEV、Transfomer、自动标注等技术，现如今已经成为如今行业普遍延用的技术路线。

但特斯拉并未止步，又对算法进行了升级，比如时序信息的加入，升级到占用网络。

自始至终，特斯拉追求的就不是「武林第一」的头衔。

特斯拉的目标只有一个：在纯视觉方案下，如何用算法刻画真实的物理世界，以实现自动驾驶。

总结来看，坚持视觉方案，特斯拉从「第一性原则」出发，针对算法问题进行持续迭代，使算法更趋向于理解真实世界。

01、自研算法诞生前夜，特斯拉与 Mobileye 分手

2016 年 5 月 7 日，一场发生于美国的车祸引起了全球的关注。

一辆 Model S（2015 年款）在使用 Autopilot 状态下，拦腰撞向了一辆垂直方向开来的白色挂车，事故导致了一人死亡。

彼时，这起事故被媒体冠以「全球首宗自动驾驶致命事故」的标题经大肆报道。

在铺天盖地的报道之下，特斯拉的 Autopilot 成了众矢之的。

特斯拉和 Mobileye 的合作开始于2014 年。

2014 年 10 月，特斯拉发布第一代硬件 Hardware 1.0，软硬件均由 Mobileye 提供，自动驾驶芯片是 Mobileye 的 EyeQ3。

而在上述事故发生的两个月后，2016 年 7 月，Mobileye 宣布了和特斯拉终止合作。供应商抢先声明双方合作破裂，这在汽车市场来说颇为罕见。

对于分手原因，彼时双方各执一词。

在特斯拉看来，Mobileye 的黑盒模式是双方分手的原因所在。

特斯拉曾在一份文件中直言：黑盒模式之下，Mobileye 难以跟上特斯拉产品的发展步伐。

而 Mobileye 则表示：因为特斯拉的自动驾驶功能「超过了安全的底线」，因此才终止了双方的合作。

实际上，双方的分手早有预兆。

2015 年，特斯拉就开始布局自研自动驾驶软硬件，Mobileye 被弃用只是时间问题。

2015 年 4 月，特斯拉组建了基于计算机视觉感知的软件算法小组 Vision，准备自研软件。

同年，特斯拉还从 AMD 挖来了传奇芯片设计师 Jim Keller。随后，在 2016 年，特斯拉开始组建芯片研发团队，并由 Jim Keller 担任 Autopilot 负责人。

和众多俗套的情爱故事一样，与 Mobileye 分手之后，特斯拉也经历了短暂的低谷和失落。

但在随后的日子里，失意的特斯拉最终成长为自动驾驶领域领头羊。

02、2016 年-2018 年特斯拉初出茅庐

在告别了 Mobileye 之后，特斯拉选择全栈自研自动驾驶算法，自立自强。

在自动驾驶软硬件发展思路上，马斯克为特斯拉制定了「硬件先行，软件更新」的思路。

硬件方面，2016 年 10 月，特斯拉还发布了第二代硬件 Hardware 2.0。自动驾驶芯片由英伟达提供，配置 8 个摄像头+12 个远程超声波雷达+1 个前置毫米波雷达，并且这一套配置延续到了 Hardware3.0。

算法方面，特斯拉延用了业内常规的骨干网结构；使用 2D 检测器进行特征提取；以人工对数据进行标注。

整体来看，这一套自动驾驶算法还比较原始，相对传统。

值得一提的是，在这一时期，特斯拉自动驾驶算法仍处于技术追赶阶段。

从硬件配置来看，尽管 HW2.0 优于此前 Mobileye 提供的的 HW1.0，但受限于软件算法，彼时特斯拉的自动驾驶能力和 Mobileye 有着较大差距。

尽管2016 年 10 月，特斯拉推出了 HW2.0，但在空跑了大半年后，直到2017 年 3 月，Model3/Y 才开始能够真正用上 Autopilot 功能。

在算法能力追上 Mobileye 后，特斯拉发现，当前使用的算法存在着诸多不足。其中，最为明显的是效率问题。

在那一时期，自动驾驶的目标检测普遍遵循一个通用的网络结构：

Input → backbone → neck → head → Output

主干网络 backbone 为特征提取网络，主要用于识别图像中的多个对象；

neck 则主要负责提取更为精细的特征；

而在经过特征提取之后，检测头 head 则为提供了输入的特征图表示，比如检测对象，实例分割等。

值得一提的是，当时业内自动驾驶视觉神经网络都只有一个 head。

但是，在自动驾驶的场景中，往往需要在一个神经网络中同时完成多项任务，比如车道线检测，人物检测与追踪，信号灯检测等。

这就使得原有算法出现了「脑袋不够用」的情况。

因此，在 2018 年，特斯拉开始了对自动驾驶算法的第一次革新，瞄准自动驾驶网络结构及效率。

03、2018 年-2019 年算法利刃初成

在这次算法革新中，特斯拉构建了多任务学习神经网络架构 HydraNet，并使用了特征提取网络 BiFPN。

这使得特斯拉算法效率得到了提升。其中，最具特色的为 HydraNet。

Hydra 一词源于传说中的生物「九头蛇」，因而 HydraNet 也被称为「九头蛇网络」。

以「九头蛇」命名的原因在于，HydraNet 结构能够完成多头任务，而非此前的单一检测。

相较于此前算法，HydraNet 能够减少重复的卷积计算，减少主干网络计算数量，还能够将特定任务从主干中解耦出来，进行单独微调。

不过，此次革新更多是一次算法的「微调」，并没有达到重构和跨越性的程度。

在融合方式上，特斯拉采用的仍是后融合策略，数据进行人工标注，且自动驾驶算法仍旧是小模型，与后续算法革新相比，并没有太大的突破。

这一时期，在改良了传统算法之后，特斯拉还对硬件进行了新一轮的更新。

在历经四年研发后，2019 年 4 月，特斯拉发布了 Hardware 3.0 系统。其中最大的亮点是特斯拉采用了自研的 FSD 芯片。

特斯拉 FSD 芯片算力达 72TOPS，远高于当时市面上的自动驾驶芯片。同时，FSD 芯片以两块 NUD 为主，图片处理效率更高，且不装配激光雷达。

新硬件的发布，为特斯拉算法的下一次迭代提供了可能。

在完成硬件准备的前期工作之后，特斯拉开始了对自动驾驶算法的史诗级重构。

04、2020 年特斯拉自动驾驶一骑绝尘

2020 年 8 月，马斯克在推特上发文称，Autopilot 团队正对软件的底层代码进行重写和深度神经网络重构；全新的训练计算机 Dojo 正在开发。

马斯克的一封推文激起浪千重。市场对特斯拉自动驾驶算法的发展方向投以关注。

在他看来，对 AP 的重写，不是对现有结构的优化，而是一场「量子式跃迁」。

纵览特斯拉自研算法近十年历程，2020 年可以说是其最为璀璨的一年。

在这一场行业重构中，特斯拉带来的一系列技术方向被自动驾驶行业延用至今，如 BEV+Transformer 的组合，特征级融合取代了后融合，数据自我标注取代人工标注等。

如果说 2020 年自动驾驶江湖是群雄逐鹿时期，那么，自 2020 年之后，这片江湖便进入了特斯拉时代。

(1）BEV+Transformer，自动驾驶进入大模型时代

在特斯拉的这场技术重构中，最为引人注目的便是于 2020 年引入的 BEV+Transfomer 架构。

在特斯拉看来，过去自动驾驶依靠「2D 图像+ CNN」便企图实现全自动驾驶是不太可能的。

主要原因在于，摄像头采集的数据是 2D 图像，但自动驾驶需要面对的却是三维真实世界。

以二维数据解决三维问题，不大现实。

纯视觉路线之下，摄像头拍摄的 2D 图像如何「升维」到 3D，成了特斯拉需要思考的问题。

在特斯拉看来，2D 图像「升维」的最佳表达方式是：BEV（鸟瞰图）。

BEV 视角，形成车身自坐标系的好处在于两方面：

一是将不同视角在 BEV 下统一表达是很自然的描述，有利于后续规划控制模块任务；

二是 BEV 视角解决了图像视角下的尺度和遮挡问题。

但紧接着问题就来了：如何实现 2D 向 3D 的转换，以引入 BEV？

2D 图像是照片，存在近大远小的问题。而解决「近大远小」问题的传统转变方法是依靠 IPM（逆透视变幻），进行先 2D 再 3D 的正向开发。

IPM，简而言之，就是利用照相机成像过程中坐标转换的公式，在已知照片的光圈，焦距等条件下，去「算出」3D 坐标数据，对 2D 的图像进行「3D 复原」。

但是，和课堂上的算数题一样，这样的计算需要以各种「完美」假设为前提。比如，地面是「完美」水平的，相机和地面不存在相对运动等。

也即是说，只要车辆有任何一点颠簸，道路有一点不平，就会打破这个假设，导致最终的成像结果失真。

另外，在一系列卷积，提取特征，融合之后，得到的感知结果，再投影到 BEV 空间中，精度很差，尤其是远距离的区域。

以此来看，利用传统方法，实现从 2D 到 3D 的「升维」，很难实现。

在这样的情况下，特斯拉引入大模型 Transformer，进行 3D 到 2D 的逆向开发。

在这一方式中，特斯拉先在 BEV 空间层中初始化特征，再通过多层的 Transformer 和 2D 图像特征进行交互融合，最终得到 BEV 特征，也就是先 3D 再 2D，反向开发，实现 BEV 的转换。

Transformer 是一种基于注意力机制（Attention）的神经网络模型。与传统神经网络 RNN 和 CNN 不同，Transformer 不会按照串行顺序来处理数据，而是通过注意力机制，去挖掘序列中不同元素的联系及相关性。

这种机制背后，使得 Transformer 可以适应不同长度和不同结构的输入。

Transformer 的引入，使得 BEV 视角在自动驾驶领域得以实现。

而 3D 空间的引入，使得自动驾驶的思维方式，更接近于真实世界。

但是，在这一阶段，BEV 空间仍是对瞬时的图像片段进行感知，缺乏时间序列信息，自动驾驶仍未进入 4D 空间。

（2）特征级融合取代后融合成为主流

BEV 即鸟瞰图，「上帝视角」，车身自坐标系。

若仅从定义来看，BEV 或许是特斯拉各类「烧脑」术语中最容易理解的。但这丝毫不影响 BEV 对自动驾驶行业的价值和意义。

引入 BEV 视角后，给自动驾驶带来最直观的变化是，推动 2D 图像向 3D 车身自坐标系的转变，方便后续的决策和控制。

但除此之外，BEV 还使得自动驾驶从后融合（或称「决策层融合」）向特征级融合（或称「中融合」）方向迈进。

同一物体在不同传感器视角中的状态

自动驾驶的每一个传感器，都在对周遭世界进行感知。

每个摄像头、雷达都包含了其对真实世界的理解，但由于角度，传感器类型的不同，使得车辆没办法依靠一个传感器完成对周遭世界的认识。

因此，每个传感器所感知的只是现实世界的其中一块拼图，要实现自动驾驶，便需要完成拼图拼凑。

而传感器数据的融合则可以看成是拼图的拼凑步骤。

所谓的后融合，便是由决策层域控制器进行拼图的拼凑。

后融合的好处非常明显，传感器「即插即用」，融合在域控制器决策层，对芯片算力要求较低。

后融合策略对车端算力要求仅在 100TOPS 以内，作为参考，前融合却需要 500-1000TOPS 算力。

而特征级融合介于两者之间，大约需要 300-400TOPS。

因此，在自动驾驶的早期，由于门槛低，后融合策略受到了自动驾驶供应商、车企的欢迎。

但是，后融合策略容易产生信息失真，造成错误决策。

后融合策略下，低置信度信息会被过滤掉，产生原始数据的丢失，并且可能误差叠加，导致信息「失真」。

尤其是在恶劣天气下，这样的情况更为明显。这就有可能造成决策层错误决策。

相较于后融合策略，特征级融合本质上更接近于传感器的原始数据。因此，其准确度必然会更高。

除此之外，在 BEV 空间层进行特征级融合，还具有多种好处，更是后续行业革新的方向：

跨摄像头融合和多模融合更易实现。大多数行业公司采用的是异构传感器（摄像头、激光雷达、毫米波雷达等）的感知方案。而 BEV 空间能够统一传感器数据维度，更容易实现特征融合。

时序融合更易实现。

可「脑补」出遮挡区域的目标。

更方便端到端做优化。

得益于此，BEV 架构也成了国内自动驾驶公司延用的基本方向。

（3）数据从人工标注转向自我标注

在自动驾驶圈，有一句名言：数据决定了算法的上限，模型只是不停的逼近这个上限。

数据燃料在自动驾驶算法训练中的地位可见一斑。

为了确保投喂给算法的数据正确而有益，过去自动驾驶行业往往都采取人工标注的方式。

特斯拉也不例外。

在 2018 年时，特斯拉选择和第三方公司合作，但这样的方式标注效率很低，并且沟通的成本很高。

为了实现标注效率和质量的提升，特斯拉自建了标注团队，人员规模一度超过 1000 人。

2D 图像的人工标注

但是，自建标注团队也随之带来了新问题。

随着自动驾驶数据的进一步扩大，所需的标注人员数量也在进一步增长，这意味着成本水涨船高。

鉴于高成本，低效率的属性，人工标注自然地成为了特斯拉的「眼中刺」。

在 BEV+Transfomer 引入后，特斯拉的数据标注效率得到了一定提升。在引入 BEV 空间层前，标注人员需要标记 8 张 2D 图像，而在 BEV 空间层下，仅需要进行一次 3D 空间中的标注便可完成。

但是，由于人类标注员对于语义信息更擅长，而计算机对几何，重建，三角化，跟踪更加擅长。

这使得 BEV 下，数据标注是一种「半自动」状态，需要人工和计算机进行协作。

同时，尽管标注的效率有所增加，但在数据的指数级增长下，仍旧捉襟见肘。

显然，自动标注才是效率、效果、成本三方矛盾的最终破局方法。

为此，在 2020 年开始，特斯拉研发并使用了数据自动标注系统。

特斯拉数据标注的思路非常简单：用更多的数据训练更大的模型，再用「大模型」的数据训练车端「小模型」。

在车辆行驶过程中，摄像头收集的路面信息，打包上传到服务器的离线神经网络大模型，由大模型进行预测性标注，再反馈给车端各个传感器。

由于传感器视角不同，当预测的标注结果在 8 个传感器均呈现一致时，则这一标注成功。

而这一过程，也即是车载模型对服务器的大模型进行自动标注系统的蒸馏。

同时，车辆也在充当特斯拉「众包地图」采集车的角色。

当不同的车辆走在同一段路时，离线大模型将记录同一段路不同的标注结果。

当数据标注系统将不同车辆，不同时间，不同天气状况下的标注结果叠加后，得到了一个具备高度一致性的标注结果，这也意味着，特斯拉得到了自己的「高精地图」。

05、2021 年-2022 年剑指端到端大模型

BEV+Transfomer 架构的引入，可以说是一场行业重构。

这一「黄金组合」在自动驾驶领域有着诸多优势，是过去算法所不具备的。

但是，BEV+Transfomer 在推出之初，也并非完美无瑕。

随着自动驾驶的进一步发展，面临场景逐渐多样化，coner case 越来越多，这便对自动驾驶算法的泛化能力提出了新的要求。

在随后的两年时间里，为了让算法更接近人类的思考方式，特斯拉对 BEV+Transformer 架构进行了改良。

其中，最主要的两个改良是时序信息的增加和占用网络的应用。

虽然 2020 年，特斯拉利用 BEV 解决了 2D 向 3D 转换的空间问题，但却仍未引入时序信息。

也即是说，在上一个版本中，BEV 仍然是对瞬时的图像片段进行感知，缺乏时空记忆力，汽车只能根据当前时刻感知到的信息进行判断。

时序信息的缺席，让自动驾驶潜藏了极大的安全风险。

例如在行车过程中，如果有行人正在穿过马路，过程中被静止的障碍物遮挡，如果汽车仅有瞬时感知能力，由于在感知时刻行人正好被汽车遮挡，则无法识别到行人，可能威胁驾乘人员和行人的安全。

人类司机在面对类似场景时，则会根据之前时刻看到行人在穿越马路的记忆，能够意识到行人被车辆遮挡，且有继续穿越马路的意图，从而选择减速或者刹车避让。

如何给自动驾驶增加「记忆」功能便显得尤为关键。

因此，自动驾驶感知网络也需要拥有类似的记忆能力，能够记住之前某一时间段的数据特征，从而推演目前场景下可能性最大的结果，而不仅仅是基于当前时刻看到的场景进行判断。

为了解决这一问题，特斯拉感知网络架构引入了时空序列特征层，使用视频片段，而不是图像来训练神经网络，为自动驾驶增添了短时记忆能力。

除了引入时序网络外，在 2022 年，特斯拉对 BEV 进行了升级——引入占用网络。

在过去，自动驾驶算法和人作比较，往往显得呆板、过于机械。

在传统的自动驾驶算法中，大多是依靠大数据喂养，得出「经验」，然后识别物体，再进行决策。

也即是说，算法需要经历，感知，辨识，决策，执行这样的思考流程。

但在现实世界里，真实的路况下，实际情况是错综复杂的，存在着大量的极端情况（corner case），要让算法认全所有事物，显然不太现实，且效率不高。

以「二仙桥大爷」为例，若自动驾驶遇上了如此「超载」的车辆，算法将其识别为一般的三轮车，并判断路况，但对车后拖载的货物，既不显示，也不识别。

当自动驾驶的车辆进行超车变道时，就容易发生剐蹭等事故，潜藏一定风险。

为了解决这类问题，特斯拉将 BEV 升级到了占用网络（occupancy network）。

在 2D 图像世界中，一个物体由无数个像素点组成。

而在占用网络之下，3D 的真实世界则是由无数个微小立方体——体素堆叠组成。

占用网络，将原本的 BEV 空间，分割成无数的体素，再通过预测每个体素是是否被占用。

简单来说，不考虑这个物体到底是什么，只考虑体素是否被占用。这使得非典型但却存在的事物能够直接表示出来，增加了算法的泛化能力和对现实世界的认知。

实际上，占用网络的体素，充当了激光雷达点阵的作用。而占用网络最直接的效果便是实现了「伪激光雷达」的效果。

时序信息的增加，升级占用网络，使得特斯拉自动驾驶算法的泛化能力得到了提升。

而借助于算法提升，特斯拉 FSD 更能刻画真实的物理世界，进而才有可能实现端到端模型。

06、未来，自动驾驶将走向何方

在自动驾驶领域，特斯拉毫无疑问是领头羊。

在确定纯视觉路线后，特斯拉在自动驾驶算法上进行了四次迭代更新。除了第一次是为追赶行业发展以外，其余更新均引领行业的发展。

特斯拉能够走在行业前列，除了优秀的团队以外，更在于整体的思路设计秉持「第一性原理思维」。

所谓的「第一性原理思维」，即一种刨根问底、追究最原始假设和最根本性规律的思维习惯。

「物理学教会你根据第一性原理做出推理，而不是通过类比进行推理。类比式推理就是几乎丝毫不差地模仿或模拟他人。」马斯克曾如此说到。

在特斯拉自动驾驶迭代思维上，第一性原理思维渗透在了方方面面：

计算效率不高，HEAD 部分不够用？开发了九头蛇网络结构；

小模型无法实行并行计算，泛化能力不强，BEV 无法精确实现？引入大模型 Transfomer，逆向开发；

现有芯片的构成冗余，不适配纯视觉路线需求，且成本高？自研 FSD 芯片；

数据标注成本高，数据训练量不足？建设超算中心 DOJO，实现数据自我标注，同时虚拟场景训练算法，提高自动驾驶能力等等。

在锚定纯视觉路线后，特斯拉均在算法迭代中，针对各种问题，发现短板，并加以解决。

而这，正是特斯拉执牛耳的关键。

同时，鉴于特斯拉的行业领导地位，研究其自动驾驶算法迭代历程后，也能让外界窥见自动驾驶行业的未来。

（1）「轻地图，重感知」成行业主流方向

在过去，自动驾驶行业，往往采取高精地图方案，辅助实现自动驾驶。

高精地图能够提供超视距、厘米级相对定位及导航信息，在数据和算法尚未成熟到脱图之前，能够成为整机厂的「拐杖」，帮助自动驾驶的落地。

但是，和其优点一样，高精地图的缺点也非常明显：

需要图商采集更新，无法实时更新；

制图资质受到严格管理，信息采集面临一定法规风险；

成本昂贵高昂。

在这样的情况下，特斯拉构建了自己的「高精地图」。

通过 BEV 空间层，特斯拉将不同视角的摄像头采集到 2D 图像统一转换到 BEV 视角，车辆形成自车坐标系。

同时，引入服务器的离线神经网络，实现数据自动标注，确保标注效果，且在无数「众包采集车」的帮助下，叠加标注结果，得出道路信息标注的「唯一解」。

BEV、Transfomer、引入时序信息、数据自动标注等等，一系列技术加持之下，特斯拉才得以实现「无图」。

国内市场，「轻地图，重感知」也成为了行业发展的主流方向。

2022 年 4 月，毫末智行提出要做「重感知、轻地图」的城市智能驾驶，开始降低方案中高精地图的权重，乃至做到无需高精地图；

2022 年年底，小鹏发布了第二代智能辅助驾驶系统 XNGP，并对外宣布将摆脱高精地图限制；

2022 年下半年，华为余承东表示：

「自动驾驶未来不应过分依赖于高精地图、车路协同。」

今年 5 月，蔚来发布了 Banyan 2.0.0 系统，完成了向 BEV 感知路线的切换；

国内一众厂商深受特斯拉路线影响，延用 BEV 架构，开始对高精地图动刀，「重感知，轻地图」路线成为了市场主流发展方向。

特斯拉的 BEV+Transformer 方案为行业的「脱图」提供了技术上的可行性。

从特斯拉路线经验来看，如果要以纯算法，实现摆「脱图」，或许需要车企同时具备以下两个条件：

引入 BEV 架构，实现异构传感器的融合，生成活地图；

具备超算中心，或离线服务器的大模型，能够实现自动标注及仿真训练；

目前，「轻地图」路线大多仍是通过软硬件结合的方式，降低高精地图需求，本质上仍然是「多传感器+高精地图」路线。

从行业发展趋势来看，国内车企也在向「云端大模型+BEV」的路线靠拢，以期实现「脱图」。

6 月 17 日，在理想汽车家庭科技日上，理想副总裁兼自动驾驶负责人郎咸朋便对外公布了理想汽车的 NPN 网络。

郎咸朋介绍称，在车辆行经一段路时，NPN 网络将道路信息特征进行提取后，存储于云端。

而当车辆再次行驶到该路口时，再将储存的道路特征拿出来，与车端模型进行特征层融合，以此解决道路信息的遮挡问题。

当 NPN 网络对同一路段堆叠大量标注结果后，最终便达到了「高精地图」的效果。

理想汽车的「NPN 网络+BEV」实际上延用的就是特斯拉的「离线大模型+BEV」的技术路线。

（2） 升级到占用网络，实现去「激光雷达」

在 2022 年的 AI day 上，特斯拉将 BEV 升级到了占用网络。

占用网络显著的特点是，抛弃了过去算法需要先识别、判断物体，再进行决策的思路。

在面对训练中没有出现过的物体时，如侧翻的白色大卡车，垃圾桶出现在路中央，传统视觉算法是无法检测的。

而占用网络，则用体素的概念，仅仅是判断该空间有没有物体，而不去深究物体是什么。

这大幅提升了模型的泛化能力，有助于城市 NOA 的实现。

从特斯拉 AI Day 演示效果来看，特斯拉通过鸟瞰图、占用检测和体素分类使纯视觉方案已经达到「伪激光雷达」效果。

值得注意的是，在特斯拉发布的最新硬件 HW4.0 中，预留了 4D 毫米波雷达接口。这预示着特斯拉或将重启毫米波雷达，以弥补纯视觉算法在高程信息感知上的不足。

从成本来看，公开报道显示，4D 毫米波雷达价格仅约为高线束激光雷达的 1/10。

（3）AI 大模型卷入自动驾驶，超算中心成标配

今年 5 月，马斯克发推文称，FSD11.透露称，FSD V12 版本将完全实现端到端。

什么是端到端？

目前，自动驾驶模型架构将驾驶目标分为感知、规划、控制三大模块。

但是，这和人类驾驶行为有着根本的不同。

人类司机在看到视觉信息后，不会对所看到的物体进行数据分析，而是基于经验，在「黑盒」状态下完成驾驶决策，并协调手、脚执行任务。

而端到端模型更为贴近人的驾驶决策行为。

摄像头采集到外界的视频数据后，算法直接输出的是方向盘转角多少度的控制决策，不存在单独的「图像识别检测」任务。

端到端模型的决策在「黑盒」状态下进行，通过赋予数据，使算法积攒「经验」，使得其决策和执行同步进行。

在理想状态下，「黑盒」状态下的端到端大模型实际比基于规则设定的传统小模型更为安全。