特斯拉 Robotaxi 扩张，正在等一个“触发开关” - 完美体育

安全验证是Robotaxi实现大规模部署的核心瓶颈，而FSD V15正是特斯拉用来突破这一瓶颈的软件钥匙。

摩根大通分析称，特斯拉有意放慢Model Y进入Robotaxi车队的步伐，同时仍对Cybercab在近期内实现规模化抱有期待。

我们可以梳理特斯拉Robotaxi车队的发展路径：现阶段依赖量产车型来承担运营任务，未来则会借助专用无人驾驶车型Cybercab来扩充运力。

但Cybercab没有方向盘和踏板，无法像其他Robotaxi那样，在车内保留一条“安全员随时接管”的后路。

后路一旦被切断，驾驶任务完全交给自动驾驶系统，FSD V15就成为决定性因素。在特斯拉2026年第一季度财报电话会上，马斯克指出，Robotaxi扩张的真正障碍是严格的安全验证。仅仅改善常规道路上的驾驶表现已不足够，真正的挑战在于，在没有后备方案的情况下，系统能否独立识别风险、做出判断，并让robotaxi在更广泛的运营条件下保持可靠。

因此，Cybercab的量产和部署进度，只决定了车队能以多快的速度扩张。FSD V15能否将驾驶能力提升到足以支撑更广泛、持续的无人运营，则决定了这次扩张能否真正实现。

从最直观的技术支撑来看，FSD V15的神经网络参数规模比前代扩大了约10倍。

此外，AI4硬件已足以运行V15及无监督FSD，但特斯拉同时也在推进代号AI4+的过渡性计算硬件升级。大约高出10%的算力，以及约翻倍的内存容量，为AI5推出前的模型迭代预留了空间。

V15的技术演进已经与Robotaxi的实际运营紧密绑定。特斯拉AI负责人Ashok Elluswamy透露，Robotaxi车队已经在运行V15的早期版本。规划中的七项重大改进仍在并行开发，车队所用版本已经包含了约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规模化需要跨越的技术关卡，是一条连续的能力链条。

参数翻10倍，先为了提前几秒

Ashok Elluswamy在X社交平台上为V15划出了重点：“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倍的驱动力之一，就是更早地预测危险。

特斯拉工程师在CyberCab发布会上点明：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。

预测对自动驾驶来说并不新鲜。真正的变化在于，预测被提升为规模化运营的“安全前提”之一。

车队规模扩大后，车辆面对的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出不对劲，提前制动将动能抽走。如果前车最终没有撞上，这也是一次平缓的减速。

在有风险时就介入，更早预测带来的不只是几秒钟的反应时间，更是安全决策的空间。

往前追溯，预测这条线的脉络很清晰。FSD V14相比V13，上下文窗口从8秒扩展到24秒，更多历史信息进入判断，参数总量提升了4.5到10倍。到了V15，预测危险会更早，需要更长的上下文，模型容量也就相应扩大。

2024年初V12推送时，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，被替换为单个端到端神经网络。

V15将把这条路线推向极致。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。

模型要从所有信息中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，并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。

真实道路上充满了“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。

特斯拉引入了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。这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联起来。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，但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了容量，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透露了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。

本文来自微信公众号 “汽车之心”（ID：Auto-Bit），作者：苏佳灵，36氪经授权发布。