b站
特斯拉FSD新能力曝光：自动驾驶开始拥有“用户模型”，AI司机千人千面_我的网站
A | 剑桥大学的Nick Tosca 教授是这项研究的作者之一，他说：“这可能真正改变我们对生命最初起源的环境的看法。”这项由剑桥大学博士生Matthew Brady主持的研究显示，早期海水中的磷酸盐含量可能比以前认为的多1000-10000倍，前提是水中含有大量的铁。 贾浩楠 发自 副驾寺 智能车参考 | 公众号 AI4Auto ChatGPT能记住你的聊天历史，知道你的表达习惯，甚至可以根据过去的交流调整回答方式。 现在，这种“记忆能力”开始进入物理世界。磷酸盐是DNA和RNA的重要组成部分，而DNA和RNA是生命的组成部分，尽管相对于其生物学意义而言，它是宇宙中最不常见的元素之一。磷酸盐以其矿物形式也是相对不可获取的--它可能难以溶解于水，以便生命能够利用它。科学家们很早就怀疑磷成为生物学的一部分，但他们只是在最近才开始认识到磷酸盐在指导地球上生命所需分子的合成方面的作用。 马斯克一条推文，透露了Tesla FSD正在发生的新变化： FSD开始拥有“千人千面”的能力。“实验表明它能使惊人的事情发生--如果溶液中有大量的磷酸盐，化学家可以合成关键的生物分子，”剑桥大学地球科学系矿物学与岩石学教授Tosca说。 从停车偏好，到驾驶干预，再到长期驾驶习惯，FSD正在尝试记住每一个人的不同。 从“一个AI服务所有用户”，走向“每个人都有自己的AI”。然而，对于创造磷酸盐所需的确切环境一直存在争议。根据一些研究，当铁丰富的时候，磷酸盐实际上应该更不容易被生命获取。 马斯克确认：FSD开始拥有“长期记忆” 事情起源于马斯克最近两次公开回复。然而，这一点是有争议的，因为早期地球的大气层是贫氧的，铁会普遍存在。他们使用地球化学模型来模拟早期地球的条件，以了解生命如何依赖磷酸盐以及这种元素会在什么样的环境中进化。Brady说：“看到瓶子里的简单实验能够颠覆我们对早期地球上存在的条件的思考，这很令人兴奋。 6月的一次，是关于停车习惯。 有用户提出，希望FSD能够记住自己在固定地点的停车方式，比如回家停哪里、去公司停哪里。”在实验室里，他们用被认为存在于地球早期历史中的相同的化学成分制造了海水。他们还在一个缺氧的大气中进行了实验，就像在古代地球上一样。 马斯克回应： FSD很快会记住用户的停车偏好。 最近的这一次，更加关键。 有用户反馈，FSD在一些驾驶决策上不符合自己的习惯，比如车道选择、变道时机等。该小组的结果表明，海水本身可能是这种基本元素的主要来源。
B | 马斯克表示，未来车辆会记住用户具体的接管行为，并逐渐匹配每个人的驾驶偏好。Tosca说：“这并不一定意味着地球上的生命始于海水，它为海水如何向不同的环境提供磷酸盐提供了很多可能性--例如，湖泊、泻湖或海岸线，在那里，海雾可能将磷酸盐带到陆地上。
C | 两次回复本质上是同一件事： FSD开始从一次性的驾驶任务，走向长期理解驾驶员。”此前，科学家们提出了一系列产生磷酸盐的方法，一些理论涉及特殊环境，如酸性火山泉或碱性湖泊，以及仅在陨石中发现的稀有矿物。 过去，自动驾驶面对的是一个抽象用户。Tosca表示：“我们有一种预感，铁是磷酸盐溶解度的关键，但就是没有足够的数据。该团队的实验想法来自于他们对沐浴在现代波罗的海沉积物中的水域的观察。它是不寻常的，因为它的磷酸盐和铁的含量都很高--我们开始想知道这些特殊的水有什么不同。”在他们的实验中，研究人员在一系列的合成海水样本中加入了不同数量的铁，并测试了在晶体形成和矿物从液体中分离之前它能容纳多少磷。 无论谁坐进车里，背后的模型都是同一个。 它知道：这里是什么道路，前方有什么车辆，应该如何规划路线。然后他们将这些数据点建立在一个模型中，可以预测古代海水可以容纳多少磷。
D | 波罗的海孔隙水提供了一组现代样本，他们用这些样本来测试他们的模型。
E | “我们可以完美地重现那种不寻常的水化学特性，”Tosca说。 但它不知道：你喜欢提前变道，还是宁愿多等几秒；你喜欢跟车近一点，还是更关注舒适；你回家时习惯停在哪里。从那里，他们继续探索在任何生物出现之前的海水化学。
F | 这些属于人的驾驶习惯，一直没有进入自动驾驶系统。 而现在，Tesla让这些信息成为AI决策的一部分。该结果也对试图了解地球以外生命的可能性的科学家有影响。 和之前我们谈论FSD不同的是，“长期记忆”不是让FSD重新学习“怎么开车”，这件事已经由基础模型完成。 它学习的是：在安全范围内，你希望它如何开。 这也是Tesla第一次公开走向Personalized FSD： 从“一个模型服务所有司机”，走向“基础模型+个人驾驶偏好”。
G | Tosca说：“如果铁有助于将更多的磷酸盐放入溶液中，那么这可能与早期火星有关。 为什么是现在？ “千人千面”“越开越懂你”，智能汽车行业其实喊了很多年。
H | ”Tosca称，古代火星上有大量水的证据，包括古老的河床和洪水沉积物，而且我们还知道表面有大量的铁，大气层有时也是贫氧的。他们对地表水过滤火星表面岩石的模拟表明，富含铁的水在这种环境中也可能提供磷酸盐。
I | 但真正落地很难，用户体验完全依赖车企OTA的“自觉性”和能力高低，系统更新后体验下降的事也不罕见。Brady说：“看到社区如何利用我们的成果来探索我们星球上和其他地方的生命进化的新的替代途径，这将是非常迷人的。 因为截至目前，绝大多数自动驾驶玩家竞争，还停留在模型、数据层面，本质上都是在解决：如何让AI成为一个更好的司机。 而特斯拉在V14完成端到端重构之后，开始率先探索另一个问题： 如何让AI成为你的专属司机。
J | 这背后，对应的是近几年自动驾驶领域兴起的几个研究方向： Driver Modeling、Preference Learning以及Human-in-the-loop Learning。 最早出现的是Driver Modeling，也就是“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。 传统自动驾驶系统会把这些差异忽略，默认存在一个“平均驾驶员”。
K | 而Driver Modeling希望解决的问题是：AI应该知道，坐在驾驶位上的到底是哪一种司机。 技术上，这类方案通常会从历史驾驶数据中提取特征，比如方向盘操作、油门刹车变化、车速变化、变道频率、跟车距离。然后通过一个额外的模型，生成驾驶员特征向量（Driver Embedding）。 这个向量不会改变基础驾驶能力，而是作为规划系统的输入，影响后续决策。
L | 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”。 于是近几年出现了Preference Learning，也就是偏好学习，它关注的不再是这个司机属于激进型还是保守型，而是这个司机在具体场景下更喜欢哪个选择。例如同样遇到慢车，方案A是提前变道，提高效率；方案B是保持车道，更加舒适。 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。 这与大模型的Preference Learning逻辑非常类似，模型能力是基础，用户反馈决定个性。 而Tesla这次提到的Intervention，其实更接近这一方向。 当然还有第三个方向，是Human-in-the-loop，它解决的问题是如何让人在自动驾驶学习过程中持续参与。 传统机器学习通常依赖大量标注数据。但自动驾驶里，真正有价值的数据，往往不是正常驾驶，而是：AI不知道该怎么办的时候。 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： 它不只是帮助Tesla优化一个统一模型，还可以帮助车辆理解某一个用户。
M | Tesla目前没有公开FSD个性化功能的具体架构，但结合FSD V12之后的端到端路线，可以做一个合理推测：单独训练一个“每人一个模型”的可能性最低。
N | 原因很简单，如果每个用户都有独立模型，那么会导致训练成本巨大，更新困难，也会破坏Tesla统一模型的优势。 更符合FSD现有体系的方案，可能是：基础端到端模型 + 用户偏好记忆层。也就是底层模型负责视觉理解、道路判断、安全驾驶、通用规划。
o | 上层增加一个轻量化的User Preference Layer，记录停车习惯、驾驶节奏、路线偏好、历史接管行为。 基础模型负责“能不能这么开”，偏好模型负责“你是不是喜欢这么开”。 这其实和今天大模型的发展路径高度类似：GPT不会因为每个人重新训练一次。
p | 而是通过Memory、User Profile等机制实现个性化。 不过，真正的难点也在这里：个性化不能突破安全边界。AI要明白不能学习你喜欢超速、喜欢危险变道等等行为。 这也是特斯拉此次探索最值得关注的地方：它不是让AI变成另一个你，而是“在安全约束内，越来越像用户”。 AI汽车进入“千人千面”时代 说过去几年，自动驾驶竞争的核心是：谁的数据更多，谁的模型更强，谁的能力更接近人类驾驶员。 但特斯拉的Personalized FSD一出，下一阶段，竞争可能会发生变化。
q | 今天，大多数智能汽车仍然依靠统一策略服务所有人。但未来，AI司机可能会越来越像真人司机，不是因为它拥有情绪，而是因为它了解你的习惯。 这意味着，User Model可能成为自动驾驶新的能力层。 马斯克一石二鸟，解决了两个问题，首先是再次给智能汽车新卖点指出方向，而且是避免高度同质化、低效内卷的路径。
r | 在车位到车位自动驾驶逐渐普及之后，量产车上的AI司机如何建立差异，会成为新的问题。
s | 所有车辆都能完成基础导航和智能驾驶，那么下一步比拼的就是：谁更懂你、谁更符合你的驾驶习惯、谁更像一个长期陪伴你的司机。
t | 当然，对技术能力的要求更高了。 尤其是对于“one for all”的自动驾驶供应商来说，可能很难腾出资源去开发这样的功能，而即使他们愿意开放权限给车企在基础模型上自由开发，有代码级AI能力的OEM却寥寥无几。 所以，利好全栈自研玩家！ 其次，之前有一句话把老马问道语塞：特斯拉造车卖车的模式，跟自动驾驶追求的目标，是不是本质上矛盾？ 完全自动驾驶普及后，好像的确没有再买私家车的必要。
u | 所以，Personalized FSD也给马斯克解了一个燃眉之急——Robotaxi落地如火如荼，但私家车，以及把AI司机搭载在私家车上依然有价值、有必要。 毕竟Robotaxi用一个AI服务所有用户就是最优解，不可能给出千人千面的高级定制体验。 Personalized FSD路径，其实与生成式AI的发展非常相似。 ChatGPT通过Memory变得更加个性化，AI Agent通过长期记忆完成复杂任务。 未来，汽车作为连接物理世界的重要入口，也可能拥有自己的长期记忆，当然，这并不意味着自动驾驶已经进入成熟阶段。 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。
Current article:http://i2sx5s.cuntoujuefourantapai.cfd/news/20260826_7830224.html
Published on:17:03:15
