自2024年4月馬斯克到訪中國以來，特斯拉FSD成為行業關注的重點話題。本文將針對FSD的特征、FSD是否會“碾壓”國內方案、FSD落地中國能否發揮鯰魚效應、對激光雷達和車路協同有何影響等行業關注的重點問題進行梳理分析，以供政府和企業參考。

　　當前，FSD（Full-Self-Driving，完全自動駕駛）的創舉在于真正實現了數據驅動。

　　必一運動sport網頁版登錄

　　智能駕駛任務可以通過規則算法和模型兩種方式完成，前者由工程師人工定義規則（工匠模式），后者基于數據迭代（機器模式）。考慮到智能駕駛的核心挑戰是解決無窮無盡的邊緣場景（Corner Case），以有限人力解決無限長尾問題的成本和時間難以估量，數據驅動、模型化成為必然趨勢。特斯拉FSD通過訓練環節的算力、數據、工具布局，推理環節的端到端全模塊神經網絡化，真正實現了數據驅動，技術上限、迭代速度和擬人化程度指數級提升。

　　FSD在技術層面具備先發優勢，但產品層面與國內方案各有優劣，不會對國內智駕方案形成“碾壓”之勢。

　　技術方面，特斯拉算力、數據、工具、算法具備先發優勢。數據驅動體系下算法是決定上限的“菜譜”，云端算力是“燃料”，數據是“食材”，數據閉環工具是“廚具”，共同決定了企業的智駕能力。

　　算力方面，特斯拉算力規模超過國內廠商一個數量級。2023年一季度，特斯拉云端算力達到35 EFLOPS（以下簡稱E），超過華為車BU（3.3E）、百度極越（2.2E）、長城（1.64E）、蔚來（1.4E）、理想（1.2E）、吉利（0.81E）、小鵬（0.6E）等企業已公開自建算力總和的3倍。且特斯拉不受芯片法案影響，具備自研AI訓練芯片能力，算力增長空間很大。馬斯克表示，2024年底算力將提升至100 EFLOPS。

　　數據方面，特斯拉憑借規模優勢、低成本硬件預埋積累了全球最多的高質量行車數據。截至2024年4月，特斯拉全球保有量超過600萬輛，FSD累計行駛里程已達到12.5億英里（20億公里），與華為的2.2億公里、小鵬XNGP的0.7億公里相比存在優勢。此外，特斯拉采用純視覺感知方案以實現低成本的硬件預埋，各車型采用標準化硬件配置以保證采集數據的格式統一。FSD累計學習的高質量視頻片段在2023年9月已超過1000萬個，專家估算目前已超過2000萬個，這一規模的數據量僅采集成本就需要50-80億人民幣。

　　數據閉環工具方面，特斯拉具備先發優勢。特斯拉于2016年最早落地影子模式，打造數據采集的標桿方案；2021年率先實現4D標注（傳統2D圖片標注模式下，同一路段、時間段的不同圖片間存在大量重復工作，4D標注對象為視頻片段，一次標注產生的真值能夠在同一地點的不同時間內遷移，減少重復工作）降低數據標注工作量；在2022-2023年已可以處理PB（PB，1PB=220GB）級數據；2023年實現小時級模型迭代（國內企業仍處于天級）。

　　算法方面，特斯拉技術進展大約領先1.5年，量產進度領先。技術進展方面，企業端到端技術均處于由分段式向一體式演化階段，而FSD已實現了規控模塊的神經網絡化，感知-規控模塊之間實現了可導向量的無損傳遞，神經網絡化更加徹底，大概領先國內1.5年左右；落地進展方面，特斯拉于2023年11月向內部員工推送基于端到端的FSD V12 Beta版本，2024年4月向北美用戶全量推送。而國內除小鵬汽車、華為、元戎啟行宣布2024年量產以外，多數已公開的端到端量產時間點是2025年。

　　產品層面，FSD與國內方案各有優劣。當前階段，FSD在北美以車車博弈為主的環境下展示出較強的擬人化程度，但在中國城市復雜場景下，仍需提升應對人車混行和各地交通標識差異的能力，達到商用級體驗需進行1-1.5年的本土化適配，國內頭部企業能夠在窗口期內將產品擬人化程度提升至FSD同一量級。遠期來看，考慮到產品體驗的提升是一個斜率逐漸降低的冪次函數，特斯拉基于算力、數據的迭代速度優勢在產品層面的作用將被縮小，難以拉開差距。但應持續關注特斯拉是否會借助更大規模的數據和算力產生類似于ChatGPT的“涌現”效應，更快到達下一個質變節點，如L4無人駕駛。

　　必一運動sport網頁版登錄

　　FSD落地中國將在市場、技術上發揮鯰魚作用，但對于產業鏈的帶動作用不大。

　　市場方面，有助于提升消費者對智駕和軟件付費模式的接受度。一方面，參考FSD在北美全體車主免費試用一個月的推廣策略，國內百萬量級特斯拉車主有望免費體驗城市NOA功能，對非特斯拉車主而言，特斯拉作為行業龍頭也能夠為智能駕駛提供品牌背書。另一方面，特斯拉在智駕功能上長期采用硬件預裝+軟件付費模式，未來隨著中國FSD功能的開通、價格和收費模式調整，有望帶動國內智駕軟件付費模式的發展。

　　技術方面，FSD落地中國將加速智駕技術演進。技術演進方面，FSD將形成標桿示范效應，帶動國內企業關注和突破端到端等前沿技術，增加國內車企研發智駕技術的緊迫感，吸引資本涌入智駕行業。

　　產業鏈方面，帶動作用不大。由于FSD涉及的云端訓練芯片、車端推理芯片、感知硬件更多依賴自研或國際廠商，軟件更多依靠頂尖AI人才而非大量的軟件工程師，FSD對于國內智能汽車產業鏈很難產生類似特斯拉國內建廠對電動汽車產業鏈的帶動作用。

　　FSD的本質在于數據驅動，純視覺只是其中的感知方案，包含激光雷達的多傳感器融合路線同樣支持數據驅動的智駕系統。在早期激光雷達成本高昂、汽車智駕功能尚未普及階段，純視覺路線的確可以幫助特斯拉以更低成本實現硬件預埋和數據采集。但當前激光雷達量產產品價格已降至3000元以下，速騰聚創等廠商已發布1000元的激光雷達，加之智駕快速滲透下感知硬件從“預埋”變為“剛需”，成本劣勢不再明顯。簡而言之，FSD的影響更多在于增強了企業對于純視覺路線的信心，但并沒有否定多傳感器融合路線。

　　此外，關于激光雷達是否能夠降低數據驅動模式下企業對于算力、數據的需求存在不同意見。部分企業認為，激光雷達提供的數據質量更高，訓練到同一水平對于算力和數據量需求量會有所降低；但另一部分企業認為，多傳感器為實現更好的融合效果同樣需要大量訓練，且數據量強調的是覆蓋更多場景，激光雷達對于訓練所需資源的影響不大。

　　一方面，FSD拔高了單車智能的技術上限和迭代速度，智能駕駛運行中路端的作用可能會被進一步弱化。另一方面，路側感知在超視距、遮擋等情況下的獨特優勢并不受影響，且以FSD為代表的數據驅動模式將大幅增加算力、數據成本，保障產業創新活力的中小企業亟需新的產業協同模式。探索兩端輸入、數據共享、算力統籌、模型共建的數據驅動中國方案可能會成為車路協同的新課題。

　　投資者關系關于同花順軟件下載法律聲明運營許可聯系我們友情鏈接招聘英才用戶體驗計劃

　　不良信息舉報電話舉報郵箱：增值電信業務經營許可證：B2-20090237