特斯拉FSD更懂车主了!自动驾驶有了「用户模型」

ChatGPT具备记忆您聊天往昔的能力，能够洞察您的语言偏好，甚至能够依据过往对话的内容，灵活调整其应答策略。

现在，这种“记忆能力”的边界正逐步跨越，迈向物理世界的领域。。

马斯克的一条推文披露了Tesla FSD（Full Self-Driving）系统正在进行中的重大变革。

FSD正致力于捕捉每位驾驶者独特的停车倾向、驾驶干预行为，乃至长期形成的驾驶习性。

从“单一AI服务全体用户”，迈向“每位用户拥有专属的AI”。

马斯克确认，FSD系统现已具备“长期记忆”功能。

此次事件源于马斯克近期两次的公开发言。

在那不平凡的六月，话题聚焦于停车习性。

有用户反馈，期望FSD能够智能记录其在特定地点的停车习惯，例如回家时的停车位或是公司附近的停车位置。

马斯克回应：

FSD将迅速识记用户的停车偏好。

此次的机遇，尤为关键。

众多用户反映，在使用FSD系统时，其在某些驾驶决策方面未能与其个人驾驶习惯相契合，例如车道选择及变道时机等方面。

马斯克透露，未来的车辆将能够记录下用户个性化的接管操作，并逐步适应每位驾驶者的独特驾驶喜好。

两次的回复实则指向同一事件。

FSD（自动驾驶系统）正逐步从单一驾驶任务，迈向对驾驶员行为的长期理解和洞察。

。

往昔，自动驾驶技术所面对的，乃是一类抽象化的用户群体。

不论何人踏入车内，映入眼帘的后座模型始终如一。

它洞悉此处路径走向，预知前方车辆状况，并据此精心规划行进路线。

然而，它尚未明了：你偏爱在何时变道，是倾向于选择快速通过，还是宁愿稍作等待；你偏好与前方车辆保持何种距离，是更看重驾驶的便捷，还是更重视乘坐的舒适；在你归家之际，你习惯将车停放在何处。

这些驾驶习惯，作为人类独有的行为模式，至今尚未被纳入自动驾驶系统的考量之中。

如今，Tesla已将这些信息纳入其人工智能决策的考量之中。

与先前提及的FSD有所区别，“长期记忆”并非指让FSD重新学习“如何驾驶”，这一任务实际上是由基础模型所实现的。

它学习的是：在确保安全的前提下，您期望其开启方式为何？。

这也是Tesla第一次公开走向定制化全自动驾驶技术：

由“单一模型服务全体司机”的格局，转变为“基础模型+个性化驾驶偏好”的模式。

为什么是现在？

“千面各异”“越驶越深知你的喜好”，智能汽车领域这一理念已呼吁多年。

然而，将理论转化为实践实属不易，用户体验在很大程度上取决于汽车制造商在OTA（Over-The-Air，空中下载技术）方面的自觉性和技术实力。系统更新后，用户体验下降的情况也并非鲜见。

截至目前，在自动驾驶领域，绝大多数参与者间的竞争尚局限于模型与数据层面，其核心实质上在于解决：如何让AI成为一个更好的司机。

在完成V14版本的端到端重构之后，特斯拉率先着手解决另一个关键问题：

如何让AI成为你的专属司机。

此现象背后，实则映射出近年来自动驾驶领域涌现出的数个新兴研究方向：

驾驶员建模、偏好学习以及人机协作学习。

最早出现的是驾驶者建模此即所谓“驾驶员建模”。

简单来说，就是给每个驾驶员建立一个数字画像，比如：有人开车更激进，喜欢更短跟车距离，喜欢更快完成变道；有人更保守，倾向提前减速，更少主动超车。

传统的自动驾驶系统往往忽视了这些差异，默认以一个“标准驾驶员”作为预设。

而驾驶者建模AI需准确识别驾驶座上的具体司机类型。

在技术层面，此类方案通常会对历史驾驶数据进行特征提取，涵盖方向盘操控、油门与刹车的动态变化、车速的波动、变道频次以及跟车距离等多个维度。随后，借助一个额外的模型，构建出反映驾驶员特质的特征向量，即所谓的驾驶员嵌入（Driver Embedding）。

此向量并非影响基础驾驶技能，而是充当规划系统的输入参数，进而对后续的决策产生作用。

但Driver Modeling仍然存在一个问题：它更多是在判断“你是什么类型的人”，而不是理解：“你具体喜欢什么”。

近年来，便涌现出诸多新现象。Preference Learning，也就是偏好学习它所关注的焦点，已不再局限于司机是偏向激进还是保守，而是深入探究在特定情境中，司机更倾向于哪一种决策。以遭遇慢速行驶的情况为例，方案A是选择提前变道，以此提升行驶效率；而方案B则是选择维持原车道，以获得更为舒适的驾驶体验。

AI通过长期观察用户选择，逐渐学习这个特定用户更倾向哪一种。

这与大型模型的偏好学习逻辑极为相似。模型的核心能力至关重要，而用户的反馈则塑造了个性化的方向。

而特斯拉此次所提及的“干预”，实则更贴近这一领域。

自不待言，尚有第三个维度，即“人机协同”（Human-in-the-loop），此方案旨在解决诸多问题。如何让人在自动驾驶学习过程中持续参与。

在传统机器学习领域，广泛使用的往往是海量的标注数据。然而，在自动驾驶技术中，那些真正具有价值的资料，却往往并非源自常规驾驶场景，而是集中在AI面临未知状况、不知如何应对的时刻。

特斯拉过去大量收集车队数据，本质上就是利用全球车辆作为数据采集网络。而未来，如果把这些反馈进一步和个人账号绑定，那么数据价值会发生变化：

这不仅助力Tesla优化单一模型，更能使车辆深入理解特定用户的需求。

特斯拉尚未对外透露FSD个性化功能的具体架构，然而，依据FSD V12版本之后所采用的端到端路线，我们得以进行一番合情合理的推测。独立培养一个“量身定制”的模型，其难度之大，几乎可以视为微乎其微。。

缘由不言而喻：若每位用户均拥有独立模型，将引发高昂的训练费用，升级难度加大，且将削弱Tesla统一模型的显著优势。

更符合FSD现有体系的方案，可能是：基础型端到端模型融合用户偏好记忆层也就是说，底层模型主要承担着视觉感知、道路识别、安全操控以及通用决策的重任。

在系统上层增设一个轻量级的用户偏好层，该层旨在记录用户的停车习性、驾驶风格、路线倾向以及过往的接管操作。。

基础模型担当“是否可行如此操作”的角色，而偏好模型则专注于“你是否偏好如此操作”。。

GPT并非依赖每个人的独立重训来实现个性化，而是借助Memory、User Profile等机制，实现了个性化的功能。

然而，真正的挑战便在于此：个性化服务必须坚守安全底线。AI需明确，它不能学习你偏好超速行驶、热衷于危险变道等不良行为。

这也是特斯拉此次探索最值得关注的地方：它并非旨在使AI成为另一个“你”，而是旨在让AI在安全约束的框架下，愈发贴近用户的特性。。

人工智能赋能的汽车行业正迈入“千面千态”的新纪元。随着技术的不断进步，每一辆AI汽车都能根据用户的个性化需求，呈现出独特的智能体验。

回顾近几年的自动驾驶竞赛，其核心焦点集中在于：哪家公司能够掌握更丰富的数据资源，培育出更为强大的模型算法，以及哪家企业的技术能够更贴近人类驾驶员的操作能力。

然而，随着特斯拉推出其个性化全自动驾驶系统（Personalized FSD），下一阶段的竞争格局恐将发生转变。

现今，多数智能车辆依旧遵循统一的策略服务于所有用户。然而，展望未来，AI驾驶者的行为可能会愈发贴近人类司机的风格，这种转变并非源于其情感因素，而是归因于其对用户习惯的深刻理解。

这意味着，用户模型有望成为自动驾驶领域的一项新兴能力层。。

马斯克巧妙一击，一举解决了两个难题。首要任务是明确智能汽车新卖点的创新方向。这不仅是一条避免高度同质化与低效内卷的可行路径。

在随着车位到车位自动驾驶技术的日益普及，如何让量产车上的AI司机凸显其独特性，无疑将成为一个亟待解决的问题。。

若所有车辆均能胜任基础导航与智能驾驶任务，那么接下来的竞争焦点将转向：谁更能够洞察你的需求、谁更能贴合你的驾驶风格、谁更能在你的旅途中共伴长行。。

自然，对技术能力的期待与要求亦随之水涨船高。

尤其是对于秉持“一者众享”理念的自动驾驶技术供应商而言，他们或许难以分配出充足的资源以开发此类特性。即便他们愿意授权车企在基础模型上进行自主拓展，但具备代码级别AI开发能力的原始设备制造商却为数不多。

因此，这一利好消息将惠及所有致力于全栈自研的玩家！

紧接着，先前的那句话令老马一时语塞，竟无言以对。特斯拉在制造与销售汽车的过程中，其模式是否与追求实现自动驾驶的愿景在本质上存在冲突？

随着完全自动驾驶技术的普及，似乎购买私家车变得不再必要。

所以，个性化全自动驾驶系统为马斯克缓解了燃眉之急。——自动驾驶出租车（Robotaxi）的普及势如破竹，然而，传统私家车以及将AI司机融入其中的私家车，依旧保持着其独特的价值和必要性。。

毕竟，Robotaxi以一个AI系统服务所有乘客，实乃最优之选，它难以提供千人千面的个性化高级定制体验。

个性化的FSD路径，实则与生成式人工智能的演进路径极为相似。

ChatGPT凭借Memory功能，得以实现更为个性化的互动体验，而AI Agent则借助长期记忆的能力，得以圆满完成复杂任务。

展望未来，汽车，作为通往现实世界的关键通道，或许将具备自身的持久记忆功能。然而，这并不意味着自动驾驶技术已经步入成熟。

Tesla的具体实现方式、安全约束机制，以及个性化能力的边界，都还有待进一步验证。

但至少，一个趋势已经出现。

为您发布产品，请点击“阅读原文”