端到端神经网络重构决策链路

特斯拉于本周三在得克萨斯州超级工厂举行技术说明会，首次系统披露了FSD（Full Self-Driving）全自动驾驶系统的最新突破。核心变化在于，FSD的决策架构已从过去“感知—规则—控制”的分段式流水线，全面转向单一端到端神经网络。特斯拉自动驾驶软件总监在演示中表示，新架构将摄像头原始像素输入直接映射为车辆控制指令，中间不再依赖人工编写的数十万行规则代码。这意味着系统对复杂路况的响应不再受限于预设逻辑，而是学习海量真实驾驶片段形成“类人”判断。现场播放的一段城市晚高峰实测视频显示，车辆在无保护左转、非机动车混行和施工围挡绕行等场景中均未出现接管。特斯拉称，该版本已向北美部分早期用户推送，并将于未来数月扩大测试范围，但未给出面向普通消费者的正式发布日期。

数据闭环规模突破百亿级片段

支撑端到端架构的是特斯拉持续扩大的数据闭环。据披露，FSD训练数据集已累积超过一百亿段经过自动标注的驾驶片段，其中约三成来自用户车队在“影子模式”下回传的高价值场景。特斯拉工程团队介绍，公司自研的Dojo超级计算机集群算力较上一代提升约四倍，使单次全量模型训练周期从数周压缩至数天。更关键的是，系统能够自动识别模型表现不佳的“困难样本”，并将其优先纳入再训练循环，形成“发现问题—自动标注—增量训练—OTA推送”的闭环。特斯拉强调，这一数据飞轮的规模是竞争对手难以在短期内复制的壁垒，但同时承认，数据量的增长并不线性等同于安全性的提升，仍需监管机构与第三方评估介入验证。

纯视觉路线在极端天气下遭遇质询

发布会最受关注的环节，是特斯拉对“纯视觉方案”在极端条件下表现的回应。此前业内普遍质疑，取消毫米波雷达与激光雷达后，FSD在暴雨、浓雾和强逆光环境中的可靠性存疑。特斯拉此次公布了内部测试数据：在模拟降雨量达到每小时五十毫米的测试场中，新版本FSD的感知误判率较上一代下降约六成，主要归功于多摄像头时序融合与时域去噪算法的改进。特斯拉工程师也坦承，在能见度极低的沙尘或暴雪环境中，纯视觉系统仍存在物理层面的信息缺失，公司正提升摄像头动态范围与开发“视觉惯性里程计”来弥补。多位独立分析师指出，这一承认意味着纯视觉路线并非万能，特斯拉需要在成本优势与安全冗余之间持续权衡。美国国家公路交通安全管理局表示，将密切关注新版本推送后的实际事故数据。

监管审批与责任界定仍存变数

技术突破之外，FSD的商业化落地仍面临监管与法律的双重门槛。目前特斯拉FSD在北美以“监督式全自动驾驶”名义提供，要求驾驶员始终保持注意力并随时接管，尚未获得任何司法管辖区的“无人监督”运营许可。特斯拉在说明会上重申，计划于明年在加州和得州申请开展Robotaxi试点，但两地监管机构均未确认收到正式申请。法律层面，一旦系统在无人监督状态下发生事故，责任归属将涉及制造商、软件供应商与运营方，现行法规尚无明确框架。特斯拉法务负责人呼吁建立“基于实证的安全标准”，而非以里程数或接管次数作为单一审批依据。与此同时，欧洲与中国市场的监管机构对端到端模型的可解释性提出更高要求，特斯拉需提交决策过程的审计接口方案。业内普遍认为，技术演示与合法上路之间，仍隔着一条漫长的合规走廊。

行业竞争格局因架构转向而重塑

特斯拉此次架构转向，正在搅动整个自动驾驶行业的竞争逻辑。过去数年，多数车企与自动驾驶公司采用“模块化+高精地图”路线，强调可解释性与冗余设计；特斯拉则以端到端大模型押注“规模即安全”。这一分歧如今出现微妙松动：多家原本坚持模块化的企业开始试探性组建端到端团队，而部分激光雷达厂商则加速推进成本下探以证明自身价值。分析人士指出，特斯拉的真正优势或许不在算法本身，而在于其垂直整合能力——从芯片、传感器到整车制造与车队数据，全部握于一手。这种闭环使特斯拉能够以远低于同行的边际成本迭代模型。不过，也有声音提醒，端到端系统的“黑箱”特性可能放大长尾风险，一旦出现系统性误判，影响范围将远超单点故障。特斯拉的下一步，将是用规模化实测数据证明，这条少有人走的路能够同时兑现安全与商业承诺。