2025年6月28日，第一輛完全自動駕駛的特斯拉Model Y自己從工廠開到客戶家完成交付，比原計劃提前了一天！整個過程包括高速公路行駛在內(nèi)的跨城鎮(zhèn)運輸，全程實現(xiàn)無人駕駛（沒有遠程安全員）！

圖源自：特斯拉Tesla視頻號

“車內(nèi)完全沒有人，且在任何時候都沒有遠程操作員進行控制。”從某種意義上說，特斯拉的完全自動駕駛（FSD）和機器人出租車項目也能夠做到這一點，只是特斯拉沒有信心它們能夠長時間足夠可靠地運行，從而無需人工監(jiān)管。 而這一次model Y的自主交付，穿越整個城市，最高時速達到116 km/h，總路程約 24 公里（30 minutes，可見全程還是低速為主），成功抵達車主家中，整個過程無需任何人類干預。這一事件標志著自動駕駛技術的重大突破。 

HW5.0硬件平臺：構建自動駕駛的感知與運算基石 

特斯拉此次無人駕駛交付的成功，離不開其最新的HW5.0 硬件平臺的強力支撐。該平臺在傳感器配置和計算能力上都實現(xiàn)了跨越式升級。 

在傳感器方面，特斯拉構建了一套精密且全面的感知系統(tǒng)。12顆高清攝像頭覆蓋車輛 360 度視角，探測距離可達 250 米，能夠精準捕捉道路上的各種細節(jié)，包括遠處的交通標志、周圍車輛的行駛狀態(tài)以及行人的動作。為應對復雜天氣狀況，這些攝像頭采用了三星定制的 “耐候鏡頭”，內(nèi)置加熱元件可以在一分鐘內(nèi)快速融化冰雪，疏水涂層則能有效提升在雨天或霧天的透光率，確保攝像頭始終保持清晰的視野。此外，4 顆 4D 毫米波雷達和超聲波傳感器與攝像頭相互配合，形成了多傳感器融合的感知矩陣。毫米波雷達不受光線和天氣影響，能夠實時探測車輛周圍物體的距離、速度和角度，超聲波傳感器則在近距離感知和泊車場景中發(fā)揮重要作用。 

計算能力上，HW5.0平臺配備了 Dojo 超級計算機，其算力達到了1.1 EFLOPS，是前代產(chǎn)品的 5 倍之多。如此強大的算力，使得系統(tǒng)能夠每秒處理 250 億像素的數(shù)據(jù)，為復雜的神經(jīng)網(wǎng)絡運算提供了堅實保障。無論是 4D 環(huán)境建模，還是實時路徑規(guī)劃，都能快速且準確地完成，確保車輛在行駛過程中做出及時、合理的決策。同時，平臺采用的冗余設計也極大提升了系統(tǒng)的可靠性，雙獨立計算單元具備 0.3 毫秒自動切換能力，即使其中一個單元出現(xiàn)故障，另一個單元也能迅速接管，保證車輛行駛的安全性和穩(wěn)定性。 

EFLOPS是浮點算力單位，適用于需要高精度計算的場景（如科學模擬、AI訓練）。

TOPS是操作次數(shù)單位，側重低精度整數(shù)運算，常見于邊緣設備（如自動駕駛芯片、手機NPU）。

如果硬要換算一下，1 EFLOPS = 10^6 TOPS，但實際轉換需考慮精度差異：若硬件支持混合精度（如FP16+INT8），這個換算僅是理論峰值，而且實際效率還受內(nèi)存帶寬限制。

還需要說明的是Dojo是一個計算系統(tǒng)架構，也被稱為超級計算機架構，可以組合擴展的（所謂scalable），它的核心芯片是D1。在特斯拉引領的自動駕駛技術變革浪潮中，Dojo 扮演著舉足輕重的角色，它不僅是特斯拉 AI 戰(zhàn)略的核心驅動力，更是其在硬件層面實現(xiàn)突破的關鍵標志。但嚴格來說，Dojo 一個集計算、網(wǎng)絡、輸入 / 輸出（I/O）芯片，指令集架構（ISA）、電源傳輸、封裝和冷卻于一體的超級計算架構。它專為大規(guī)模運行定制的機器學習訓練算法而設計，致力于為特斯拉的自動駕駛技術以及其他 AI 應用提供前所未有的強大算力支持 。

圖 Dojo的堆疊式組合架構，可以組合擴展

Dojo架構的核心組件之一是 D1 芯片。這顆由特斯拉自主研發(fā)、基于臺積電 7 納米工藝打造的芯片，集成了多達 500 億個晶體管 。每顆 D1 芯片內(nèi)包含 354 個定制的 64 位 RISC-V 內(nèi)核，每個內(nèi)核配備 1.25MB 的 SRAM，用于存儲數(shù)據(jù)和指令，這使得 D1 芯片在處理 AI 相關運算時具備高效的數(shù)據(jù)讀取與存儲能力。從性能參數(shù)上看，在 400W 的 TDP（熱設計功耗）下，單個 D1 芯片能夠實現(xiàn) 22.6 TFLOPS 的 FP32（單精度浮點運算）性能 。

圖 D1芯片，Dojo的基本tile（瓦片）

為了進一步提升算力，特斯拉采用獨特的設計方式，將25 顆 D1 芯片以 5×5 的集群形式進行組織，運用臺積電的晶圓上系統(tǒng)技術（InFO_SoW）進行封裝。這種封裝技術實現(xiàn)了芯片間極低的延遲和極高的帶寬，使得大量的計算得以高效集成。由 25 顆 D1 芯片組成的一個訓練模組，在 15 千瓦的液冷封裝下，能夠達到 556TFLOPS 的 FP32 性能，且每個模組配備 11GB 的 SRAM，并通過 9TB/s 的結構連接 。

Dojo超級計算架構通過將多個這樣的訓練模組進一步組合，構建出更龐大的計算集群。例如，120 個訓練模組組成一組 ExaPOD 計算集群，其中共計包含 3000 顆 D1 芯片，展現(xiàn)出驚人的算力規(guī)模。在實際應用中，這種強大的算力讓 Dojo 能夠對海量的視頻數(shù)據(jù)進行高效處理，如每天處理 23.2 萬幀視頻，助力特斯拉不斷優(yōu)化神經(jīng)網(wǎng)絡模型，提升交通燈識別、自動泊車等功能的準確性和穩(wěn)定性 。

而作為Dojo元件的D1芯片本身也表現(xiàn)不俗。

圖 D1芯片和主流自動駕駛芯片的性能對比，光是功率都達到400w，是Orin的數(shù)倍

軟件架構：從代碼（規(guī)則）到神經(jīng)網(wǎng)絡的智能化跨越

特斯拉的FSD V12 軟件架構代表了自動駕駛技術的一次革命性突破。傳統(tǒng)的自動駕駛系統(tǒng)依賴大量的 C++ 代碼來實現(xiàn)各種功能，但 FSD V12 大膽采用了端到端的神經(jīng)網(wǎng)絡技術，直接將視覺輸入映射為車輛的控制輸出，模擬人類駕駛員的決策過程。 

端到端學習模式摒棄了過去繁瑣的代碼邏輯，通過對海量駕駛數(shù)據(jù)的學習，神經(jīng)網(wǎng)絡能夠自動識別道路場景中的關鍵信息，并做出相應的駕駛決策。例如，在面對前方100 米處可能出現(xiàn)行人橫穿馬路的情況時，系統(tǒng)能夠根據(jù)歷史數(shù)據(jù)和當前場景特征，預測行人的行動概率，并提前調(diào)整車速，以確保行車安全。這種學習方式不僅提高了系統(tǒng)的適應性，還能更好地應對各種復雜的、非標準的道路場景。 

HydraNet + Transformer架構是 FSD V12 的另一大核心技術。HydraNet 多任務學習網(wǎng)絡實現(xiàn)了不同任務之間的特征共享，比如在進行物體檢測和車道識別時，能夠避免重復計算，提高運算效率。而 Transformer 的注意力機制則為系統(tǒng)賦予了強大的環(huán)境理解能力，它構建的 4D 向量空間（3D 空間 + 時間）可以有效處理遮擋和動態(tài)障礙物。當車輛行駛在交通繁忙的路段，面對前方車輛遮擋視線的情況時，系統(tǒng)能夠通過對周圍環(huán)境的歷史數(shù)據(jù)和當前狀態(tài)進行分析，預測被遮擋區(qū)域可能出現(xiàn)的障礙物，并提前規(guī)劃避讓路線。 

占用網(wǎng)絡（Occupancy Network）一直用于增強系統(tǒng)對復雜環(huán)境的感知能力。該網(wǎng)絡將車輛周圍環(huán)境劃分為體素，能夠識別各種不規(guī)則障礙物，如側翻的車輛、掉落的貨物等，并預測它們的運動趨勢。這使得特斯拉的自動駕駛系統(tǒng)在面對未標記道路、施工區(qū)域等特殊場景時，也能從容應對，大大提升了行駛的安全性和可靠性。

圖 Tesla FSD V12架構圖，“99%都是神經(jīng)網(wǎng)絡”

數(shù)據(jù)與訓練：海量數(shù)據(jù)驅動的智能進化

數(shù)據(jù)是自動駕駛技術發(fā)展的核心驅動力，特斯拉在這方面擁有巨大的優(yōu)勢。其全球車隊積累了超過120 億英里的真實駕駛數(shù)據(jù)，這些數(shù)據(jù)涵蓋了各種道路條件、天氣狀況和駕駛場景，為算法的訓練提供了豐富的素材。同時，特斯拉還通過仿真平臺生成大量的合成數(shù)據(jù)，模擬現(xiàn)實中難以遇到的極端場景，如突發(fā)的自然災害、罕見的交通事故現(xiàn)場等，進一步擴充訓練數(shù)據(jù)的多樣性，幫助系統(tǒng)更好地應對各種邊緣情況。 

Dojo超級計算機在數(shù)據(jù)處理和模型訓練中發(fā)揮著關鍵作用。憑借 88.5 EFLOPS 的總算力（單個Dojo訓練模塊（含3000顆D1芯片）算力為1.1 EFLOPS（每秒1.1×10^18次浮點運算），Dojo超級計算機是多個訓練模塊組成，可以參見https://www.slashgear.com/1516714/what-to-know-about-tesla-dojo-supercomputer/），Dojo 能夠對海量的視頻數(shù)據(jù)進行高效處理。例如，它可以每天處理 23.2 萬幀視頻，通過對這些視頻的分析和學習，不斷優(yōu)化神經(jīng)網(wǎng)絡模型，提升交通燈識別、自動泊車等功能的準確性和穩(wěn)定性。 

影子模式（Shadow Mode）是特斯拉持續(xù)優(yōu)化自動駕駛系統(tǒng)的重要手段。在實際道路行駛中，該模式會持續(xù)對比自動駕駛系統(tǒng)的決策與人類駕駛員的操作，收集兩者之間的差異數(shù)據(jù)。這些數(shù)據(jù)被反饋到訓練模型中，用于進一步改進算法，降低系統(tǒng)在實際應用中的干預率。目前，特斯拉的城市道路自動駕駛干預率已降至每千公里1.2 次，這一成績充分體現(xiàn)了數(shù)據(jù)驅動的優(yōu)化策略的有效性。 

極端環(huán)境適應：應對復雜場景的技術底氣

自動駕駛技術在實際應用中面臨著各種復雜的環(huán)境挑戰(zhàn)，特斯拉通過硬件和軟件的協(xié)同優(yōu)化，提升了系統(tǒng)在極端環(huán)境下的適應能力。

在天氣應對方面，硬件上的耐候設計和軟件算法的優(yōu)化缺一不可。耐候鏡頭和加熱元件解決了冰雪天氣下攝像頭視野模糊的問題，而HDR 成像和去霧算法則在軟件層面增強了系統(tǒng)在低能見度條件下的感知能力。在暴雨測試中，F(xiàn)SD V12 的避障準確率較前代版本提升了 30%，這得益于算法對雨水干擾的有效過濾和對道路信息的精準提取。 

光照條件同樣會影響自動駕駛系統(tǒng)的性能。特斯拉采用的自適應曝光調(diào)節(jié)和偏振濾鏡技術，能夠有效減少強光眩光的干擾，使交通燈識別準確率提升40%。無論是在陽光強烈的正午，還是在光線昏暗的傍晚，系統(tǒng)都能清晰地識別道路標志和交通信號，確保車輛安全行駛。 

對于復雜地形，特斯拉也進行了針對性的算法優(yōu)化。在舊金山等擁有大量陡坡和急轉彎的城市，F(xiàn)SD V12針對這類特殊地形進行了專門的訓練和參數(shù)調(diào)整，使其在處理陡坡起步、急轉彎等場景時更加得心應手，急轉彎成功率較 V11 版本提升了 37%。 

冗余：保證AI安全的基本技術

安全始終是自動駕駛技術的重心，特斯拉通過多重安全與冗余設計，為無人駕駛交付提供了可靠的保障。

硬件層面，雙計算單元、三冗余傳感器融合以及獨立電源構成了堅固的安全屏障。即使其中一個計算單元出現(xiàn)故障，另一個單元也能無縫接管，確保系統(tǒng)的正常運行；三冗余傳感器融合（攝像頭+ 雷達 + 慣性測量單元）則保證了在某個傳感器失效的情況下，其他傳感器仍能提供準確的環(huán)境感知信息。在軟件方面，傳統(tǒng)控制算法與神經(jīng)網(wǎng)絡相互交叉驗證決策，當神經(jīng)網(wǎng)絡出現(xiàn)異常時，傳統(tǒng)算法可以及時介入，避免事故發(fā)生。在緊急制動場景下，系統(tǒng)能夠實現(xiàn) 0.8g 的減速度，并且避障成功率高達 95%。 

此外，特斯拉還建立了實時監(jiān)控機制，AI系統(tǒng)持續(xù)監(jiān)測傳感器和計算單元的運行狀態(tài)，一旦檢測到異常，能夠在 50 微秒內(nèi)觸發(fā)警報或使系統(tǒng)進入安全模式，最大限度地保障車輛和乘客的安全。 

總結

當然，這次model Y的自主交付是在美國完成的，在國內(nèi)表現(xiàn)可能沒這么好，因為國內(nèi)的訓練數(shù)據(jù)是禁止流入境外的，特斯拉引以為傲的120億英里的真實駕駛數(shù)據(jù)，并沒有多少是中國國內(nèi)的。

比如擬在2026年1月1日生效的最新的國標，《汽車整車信息安全技術要求》GB44495—2024，

圖 GB44495—2024計劃在2026年1月1日生效

就明確有如下測試條目。

圖 防數(shù)據(jù)出境測試方法

眾所周知，AI的基礎是大數(shù)據(jù)，AI模型都是大數(shù)據(jù)喂出來的。所以此次drive itself to owner還只能當做個例來看。何時能夠普及到國內(nèi)用戶，拭目以待。

-- END --

       原文標題 : 特斯拉車首次自己交付自己，是由哪些技術支撐的？