作者|苏佳灵
安全验证是 Robotaxi 规模化的核心制约因素,而 FSD V15,正是特斯拉解开这道制约的软件开关。
摩根大通指出,特斯拉有意放缓 Model Y 进入 Robotaxi 车队的速度,并对 Cybercab 在近期实现规模化保持信心。
我们可以推演特斯拉 Robotaxi 车队的路线 , 现 阶段依托量产车 型承接运营,未来将依靠专用无人驾驶车型 Cybercab 扩大运力。
而 Cybercab 没有方向盘和踏板,没法像其他 Robotaxi 那样,在车内留一条「安全员随时接管」的退路。

退路一断,驾驶任务交由自动驾驶系统完成,FSD V15 成了关键变量。特斯拉 2026 年 Q1 财报电话会上,马斯克表示 Robotaxi 扩张的真正限制因素是严格的安全验证。改善常规道路上的驾驶表现,已经不够了,真正的考验,是在没有兜底的情况下,独立识别风险、作出判断,让 robotaxi 在更广泛的运营条件下保持可靠。
因此,Cybercab 的量产与部署进度,只决定了车队能够扩张多快。 FSD V15 能否把驾驶能力提升到足以支撑更广泛、持续的无人运营,则影响着这次扩张能否真正落地。
最直观的技术支撑,FSD V15 是神经网络参数较前代版本扩大约 10 倍。
除此之外,AI4 已足以运行 V15 及无监督 FSD,但特斯拉同时正在推进代号 AI4+的过渡性计算硬件升级。大约高 10% 的算力,约翻倍的内存容量,为 AI5 推出前的模型迭代预留空间。
V15 的技术演进已经与 Robotaxi 的实际运营绑定在一起。特斯拉 AI 负责人 Ashok Elluswamy 透露,Robotaxi 车队已经运行 V15 的早期版本。规划的七项重大改进仍在并行开发,车队所用版本已经合入约 40% 的预期改进内容。
从模型能力,到复杂场景中的稳定表现,再到真实世界中的长期验证,Robotaxi 规模化需要跨过的技术关,是一条连续的能力链。
参数翻 10 倍,先为了提前几秒
Ashok Elluswamy 在 X 社交平台上给 V15 划了重点: 「更早的危险预测、更快的反应时间,以及整体更好的安全性和碰撞规避能力」。
神经网络参数扩大 10 倍的驱动力,更早预测危险是其中之一。

特斯拉工程师在 CyberCab 发布会上点破:自动驾驶的核心是「智能」问题,任何传感器都无法直接告诉你未来会发生什么。
预测对自动驾驶并不新鲜。真正的变化,在于预测抬升为规模化「安全前提」之一。
车队规模扩大之后,汽车面对的就是每天数以万计的交通参与者和不断变化的道路环境。一位人类司机一辈子都见不到的场景,变成了持续的常态。
Ashok 在 CVPR 2026 上演示了一个案例:前车突然打滑冲向护栏,系统在前车还没有打滑、还没有撞上护栏时,就已经通过横摆角速度的异常判断有些不对劲,提前制动把动能抽走。如果前车最终没有撞上,也会是一次平缓的减速。
在有风险时就介入,更早预测多出来的不只是几秒钟反应时间,还是安全决策空间。
往前翻,预测这条线的痕迹很清楚。FSD V14 相对 V13 上下文窗口从 8 秒扩展到 24 秒,更多历史信息进入判断,参数总量提升 4.5-10 倍。 到了 V15,预测危险还会更早,需要更长的上下文,模型容量就相应扩大。
2024 年初 V12 推送,特斯拉约 30 万行自动驾驶相关代码被压缩到约 3000 行,「感知→预测→规划→控制」的模块化架构,换成单个端到端神经网络。
V15 将把这条路线推到极致,按照马斯克的预判,这个完整架构重构的版本,有望实现十倍于人类驾驶员的安全水平, 而端到端神经网络本身对模型容量也有要求。

Ashok 用一个输入输出关系解释了网络内部的复杂性:
- 输入端,7 路摄像头连续采集高分辨率画面。输入上下文约 20 亿 Token,信息量极为庞大。
- 输出端,只有 2 个自由度:下一步的转向和加速度。
模型要从所有信息里学会正确的因果关系,几乎全部信息要在网络内部完成压缩和特征提取,才能凝结成方向盘上的一个动作。

数据端也在同步加压。 特斯拉数百万辆车持续产生真实道路数据,规模远超任何单一测试车队。
但数据量大,不等于模型读懂了路况。数据是燃料,不是驾驶技术。完全不同的视觉场景,可能对应相同的驾驶动作。夜间高速、雪地、浓雾、白天的多车道道路,视觉上完全不同,但在某些时刻,正确动作都是直行。
如果只把视频和驾驶动作简单配对,模型可能学到一条错误的捷径,不论看到什么,保持直行都能得到不错的训练结果。
真正困难的地方,在于 模型能否从大量视觉信息中,识别出真正影响驾驶决策的关系。
真实道路上充满「压过水坑还是借对向车道」这类微型电车难题,模型需要学习的不是有限的物体类别和固定规则,而是复杂的交通关系及其后果,从工程逻辑上看,容量不够,系统只能记住高频场景的「标准答案」,模型容量就可能成为影响能力上限的变量。
特斯拉引入多类辅助任务共同训练,模型学习目标检测、物体跟踪、场景几何、交通标志理解等十余项任务。相当于为模型提供中间学习信号,让它在学习「该怎么开」的同时,也建立起对道路、物体及其运动关系的理解,学习复杂交通背后的因果关系。
FSD 要把连续的视觉信息、物体运动、道路关系和驾驶动作串起来。神经网络参数扩容,扩的就是模型对时间、场景和动作后果的理解能力。

更大的模型,装更少见的场景
扩大模型规模,不只是为了在常规场景里开得更好,另一个核心目标,是长尾场景。覆盖更广的现实世界,正是 Robotaxi 扩大运营规模最需要的能力。
特斯拉拥有数百万辆车队,工程师日常使用的典型数据集包含超过 120 年的驾驶数据,规模达到数百 PB。
但数据总量不等于场景覆盖充分。随机抽取的数据样本,可能有九成来自高速公路直行一类的简单场景。

普通道路数据相对容易积累,影响驾驶安全的罕见场景却不同。行人从停靠的公交车后突然出现,路面上有形状不规则的障碍物,前方车辆突然失控偏离轨迹,这些场景即使某一辆车曾经遇到过,模型也不一定能从单次记录中学到可迁移的规律。
困难还在于,很多时候,模型见过每一个单独的元素,却没有充分处理过它们以某种特定方式组合起来的情况。
这意味着,增加普通驾驶视频,不一定能让模型按比例提高处理长尾问题的能力。
更大的模型为学习复杂场景提供容量,而训练体系要让这种容量真正用在足够丰富、足够有价值的场景上,覆盖更多长尾场景。
用于强化学习的世界模拟器,输入「当前状态+动作」,预测「下一时刻的状态」。这种训练模拟器不要求每条训练轨迹都是完美驾驶,也不依赖人工标注。但模拟器的质量,仍然取决于数据覆盖范围、训练目标和评估设计。

模拟器的第一个用途,是 复现真实发生过的失败。
Ashok 展示过一个案例:行人牵着狗走在路边,旧版本驾驶策略与行人距离过近,甚至需要人类驾驶员介入。模拟器把这个问题复现出来,再让新的驾驶策略在相同条件下接受检验。一次偶然发生的失败,成为可以被反复重现、反复比较的训练样本。
更进一步, 模拟器还能从真实场景出发,生成新的困难情况。
Ashok 展示的另一个例子,是把一段普通的高速公路行驶场景做修改,让另一辆车突然切入本车路径。
真实车队未必会在合适的时间、地点遇到这种情况,但模拟器可以围绕相似场景改变关键因素,让系统反复应对不同的风险变化。
这就把长尾场景的学习,从「等真实道路偶然发生」,推进到「从真实问题出发,持续生成和验证新的情况」。
模拟器和模型扩容,是一条链路的两端。扩容扩大了模型理解复杂模式的能力空间,模拟器则把真实世界的失败转化为可重复的学习信号。
更早预测危险,解决的是安全决策空间的问题。长尾场景覆盖,解决的是泛化能力的问题。 把神经网络规模参数量扩大 10 倍,特斯拉尝试的,是从技术层面回答 Robotaxi 的规模化难题。
真实世界,才是最好的实验室
特斯拉遵循一个「秘诀」: 更多数据、更大模型、大量算力,换来更好的泛化。

而世界模拟器只是放大器,数据源头来自真实车队。数据在现实里采集,在虚拟世界里反复锤炼,最终还要回到路上接受检验。真实车队给自动驾驶系统带来的,是发现问题、修正问题、验证改进的机会。
Robotaxi 面临的挑战,正逐渐转向执行和扩张速度:技术需要在新的地理区域里经过测试,团队要不断验证系统能否适应当地条件。
现实道路会带来模拟器训练和仿真未能充分覆盖的问题。自动驾驶没有捷径,必须在真实世界里,跑出一本经得起查的安全账。
再看道路验证,今年 9 月 3 日,量产版 Cybercab 在奥斯汀正式向公众开放付费乘坐。当时,Robotaxi 车队已积累超过 100 万英里无监督运营里程。而就在此前 6 周,这个数字还是约 38 万英里。
更宏观的安全账本来自 FSD 监督版车队的规模效应,目前特斯拉 FSD 安全报告中,FSD 监督版覆盖北美、欧洲和亚太 15 个国家,累积超过 155 亿英里。特斯拉正在试图用真实世界的规模,替代实验室里的完美证明。

而真正要做的,是从海量片段里筛出值得学的数据。
特斯拉的筛选有两条准则。
一是 真正有价值、稀少且有代表性的场景 。车辆端先过滤掉大量重复、低信息量的数据,降低数据回传和后续处理的负担。
二是 模型输出与人类司机操作不一致的片段 ,本质是分歧挖掘 (disagreement mining) 。模型和人类驾驶员「各执一词」的片段,结合场景风险、驾驶结果和参考策略筛出真正有效的训练样本,特斯拉 AI 工程总监 Phil Duan 透露,用这些数据专门训练,效率高得多。
整个车队由此构成一个规模空前的主动学习循环,每台在路上跑 FSD 的车都在为下一版模型自动标注「我还有哪里可以改进」。
特斯拉试图把大规模真实道路运行纳入模型训练和验证体系,让系统改进不再只依赖实验室测试。
前特斯拉 AI 软件工程总监 Srihari Sampathkumar 在《硅谷 101》的访谈中提到,规模化的挑战问题在于,谁拥有合适的基础设施,能够更快地扩大部署。模型之外,特斯拉正在同步扩大这样一套基础设施:
- 在算力端,得州超级工厂的「Cortex 2」AI 训练集群正在扩建,数据中心电力容量已超过 115 兆瓦。上半年,现场算力翻了一倍以上。
- 与此同时,继续扩大 Robotaxi 的部署规模,内华达州批准特斯拉未来 12 个月最多部署 5000 辆 Robotaxi。
2026 年 Q2 财报电话会上,Ashok 透露 Robotaxi 的扩张节奏:新城市上线所需的工作量在减少,特斯拉希望这个时间持续压缩,最终从逐个城市推进,走向覆盖整个州。
真正的规模化,不是让一辆车在一个限定区域内成功运行,而是让相同的驾驶能力可以稳定地部署到更多车辆和城市,并且在扩大运营的过程中,逐步降低每进入一个新场景所需的额外测试、人工干预和运营成本。
特斯拉把模型、算力、车辆和真实世界运行连接起来,让自动驾驶进入一个持续训练、验证、部署的循环。
FSD V15,攻克的是 Robotaxi 规模化的技术关卡:上下文记忆、长尾场景,以及在真实世界里稳定成立、并被持续复制。
这些能力指向同一个方向:让模型有机会更早判断风险,为制动、避让等安全动作争取更多决策空间。
归根结底是 Robotaxi 扩张的安全因素, 安全决策能力变强,是模型能力与 Robotaxi 规模化之间真正的连接点。
对特斯拉而言,V15 真正需要证明的,是驾驶能力的提升能否减少无人运营中的风险,降低新区域适配与验证的负担,最终转化为 Robotaxi 可持续复制的规模化能力。
这条链路能否跑通,才决定 V15 能在多大程度上推动 Robotaxi 走向规模化。



