最近特斯拉AI副总裁Ashok Elluswamy在ICCV大会上的一次分享，揭开了FSD V14进化的冰山一角。下面是根据BigBite推文的简单整理： 1. 驾驶，为什么必须是端到端？ 过去大家总担心端到端是个不可解释的“黑箱”。但Ashok用几个例子点破了传统方案的死穴： · 规则无法编码人类的价值判断：路上有个水坑，你是压线绕过去，还是死守车道溅自己一身水？这种“人情世故”，规则写不出来，但模型能从海量数据里“悟”出来。 · 接口就是信息瓶颈：传统方案里，感知模块告诉规控模块“那儿有只鸡”。但鸡的意图、姿态这些微妙信息，在传递中都丢失了。端到端，就是让神经网络之间直接“对话”，信息无损直达，决策自然更精准。 2. 如何窥视“黑箱”？——思维链（COT）是关键 这才是这次分享最炸裂的地方。特斯拉的端到端，并不是一个从像素输入到方向盘输出的纯黑箱。它在中间加入了“过程校验”，让AI学会了“思考”。 它会输出一系列中间结果，比如3D空间、动态障碍物，而最关键的是，它能用自然语言来表达决策！ 就像分享里的例子，系统不仅识别出“Road Closed”（道路封闭）的牌子，还能进行逻辑推理，用语言文字生成决策：“无法直行，识别到左侧绕行标志，执行左转”。 这已经不是简单的“看见”，而是“看懂”并“想明白”了。这套基于VLA架构的“慢思考”模式，让AI的行为有了可解释性，也正是国内理想、小鹏等头部玩家殊途同归在走的技术路线。 3. 真正的护城河：闭环仿真评测体系 数据再多，模型再牛，怎么知道它行不行？Ashok强调，完善的评测体系，才是端到端系统的核心壁垒。 特斯拉的解法，是基于大算力集群+世界模型的闭环仿真系统。这个系统，是用真实世界的数据“喂”出来的，能高度逼真地模拟现实。它的牛逼之处在于： · 可以低成本、高效率地验证算法迭代，不用每次都实车跑。 · 可以人为创造各种极端场景（对抗样本），专门测试模型的极限。 · 甚至可以在仿真系统里，获取更完美的“人类驾驶真值”来反哺模型训练。 4. 终局：为物理世界打造通用AI 最后，格局一下就打开了。Ashok明确表示，FSD的这套技术栈，无论是数据引擎、端到端模型，还是闭环仿真，都可以直接迁移到擎天柱（Optimus）机器人上。 所以，特斯拉在做的，早已不只是一套“自动驾驶”系统。它是在为整个物理世界，打造一个可以理解、交互、并做出决策的通用人工智能。这盘棋的终局，远比我们想象的要宏大。 原文：