美投

特斯拉FSD没那么强！FSD的优势不在技术？了解FSD真正优势，把握特斯拉爆发黄金窗口！
2025.08.18
播放量 14.2k
懂车帝的两期智能驾驶视频，无疑是近期汽车圈最热门的话题。当测试结果公布时，所有人都惊呆了：不仅仅是震惊于中国车企的灾难性表现，更是震惊于特斯拉自动驾驶的一骑绝尘。那么特斯拉的自动驾驶真有这么强吗？他究竟强在哪里呢？
开通服务即可查看评论～
文字稿
懂车帝的两期智能驾驶视频，无疑是近期汽车圈最热门的话题。当测试结果公布时，所有人都惊呆了：不仅仅是震惊于中国车企的灾难性表现，更是震惊于特斯拉自动驾驶的一骑绝尘。 
更令人难以置信的是，这次参与测试的特斯拉，不仅是2023款的老车型，其搭载的FSD还是被中国限制的“阉割版”，而非功能更完整的北美版。而中国车企大部分都是2025年的新款。即便如此，测试结果依然让特斯拉展现出断崖式领先。就连马斯克本人也在X上转发了测试成绩，引发了广泛讨论。
那么特斯拉的自动驾驶真有这么强吗？他究竟强在哪里呢？面对这样的差距，中国车企的自动驾驶还有机会威胁到特斯拉吗？今天的视频，我们就将深入解析特斯拉自动驾驶技术的，真正秘密。
一上来我们先回顾一下懂车帝智能驾驶测试的主要内容。这次测试汇集了36款主流车型，涵盖了特斯拉、问界、蔚来、理想、小鹏、比亚迪等一众知名品牌，并在15个极端场景下进行了实地检验。测试涵盖高速和城区两大场景，城区道路包含“开进大转盘”、“转盘内汇入”等9个场景，高速公路包含“高速惊现事故车”、“消失的前车”等6个高难度场景。
测试成绩可以说是惨目忍睹，无论是高速还是城区，没有一家车企的辅助驾驶系统，能够完美通过所有项目。城区道路的平均通过率仅为44.2%，高速场景更是低至24%。然而，在这样的惨烈表现中，特斯拉却一枝独秀。在6项高速测试中，特斯拉 Model 3和 Model X，以5项通过的成绩，力压群雄，位列前两名，成为最大的赢家。
这个结果，甚至让马斯克甚至都在X上转发了测试成绩，并配文称：“由于法律禁止数据出境，特斯拉在没有本地训练数据的情况下，在中国取得了最高成绩。” 
懂车帝的测试结果真的靠谱吗？特斯拉的智能驾驶真的像测试中表现得那样，遥遥领先于中国车企吗？
事实上，懂车帝的这次测试，如果真是懂行的人看，完全不能算是懂车，甚至可以说是有些外行。为什么这么说呢？
根据国际通用的SAE (美国汽车工程师协会) 提出的分级标准，自动驾驶分为不同等级：0–2级统称为“驾驶辅助（Driving Assistance）”，属于低级别驾驶自动化；3–5级则为“自动驾驶（Automated Driving）”。其中L2级别依然属于驾驶辅助，驾驶员必须全程监控、随时接管；而从L3开始，系统才可以在特定条件下完全接管驾驶任务，驾驶员只在被要求接管时才是责任主体。
目前在中国市场，没有任何一款量产车型真正达到L3级别。虽然一些车企已拿到L3 测试牌照并开展路测，但距离量产还有很长距离。因此，市面上销售的车型搭载的“智驾”功能，全部还是L2级别。既然是L2级别，那么不论是否开启辅助驾驶，驾驶员都必须保持注意力集中，不能离手离眼。
听起来L2好像就是垃圾版的L4，但实际并没有这么简单。这两个技术在设计出发点上就完全不同。L2系统架构假定驾驶员会全程接管，因此在遇到复杂或极端情况时，系统的设计就是交由驾驶员处理；而L4系统目标是全程自动驾驶，不会事先假定依赖人工接管。
在懂车帝的测试中，中国车企的所有参测车型实际上都是L2辅助驾驶系统，却使用了L4的测试方法，强制要求驾驶员全程不干预，让系统独立完成所有驾驶决策。这种测试方法本身就跟车辆的设计定位不符，那结果当然就很差劲。就像我一个射击运动员，被逼着去射箭，虽然都是打靶，但技术完全不同，自然也就不可能有好的表现。
而特斯拉不同，他一开始就是以L4级别自动驾驶为研发目标，也就是照着完全没有驾驶员干预的情况去设计的。所以懂车帝的测试场景，只有特斯拉一家是走对了考场。那么当然也就只有特斯拉能够完成大部分考题。
特斯拉的自动驾驶技术确实更强，这点是毋庸置疑的，要不然他们也不会有底气以L4为目标。但中国车企也远没有看起来那么糟糕，因为他们本来就是以L2为设计目标的，他们的自动驾驶设计中本来就融入了人的决策，你不能强行把人拿掉测试系统的效果。
说到这你可能有些不理解，L2和L4在设计上还能有什么不同吗？其实还是有的，而且区别还不小。就比如在“高速横穿野猪”场景中，按照L2级别的正确使用方式，系统检测到野猪时，驾驶员应立即接管车辆并踩下刹车，但测试中却让车辆自行判断并处理。由于L2系统的设计初衷就是依赖人工处理这中紧急情况，并没有针对这种情况做自动化应对，所以，大多数国产车便直接撞上了野猪。事实上，在紧急制动这个决策上，L2系统就不应该把它的优先级放的太高，因为紧急制动的情况往往都是安排给人来执行的，把紧急制动决策的优先级调太高在L2级别上，会严重影响驾驶体验，动不动就要大刹车。所以你会看到中国车企的智驾主要以提示驾驶员为主，但是不会自己做出应对。这其实是刻意安排，而非单纯的技术拉胯。
除了目标的不同，技术路线的选择也是造成差异的重要因素，特斯拉采用一体式端到端模型，而大多数中国车企仍沿用分段式端到端模型。这两种技术路线，是当前最为主流的自动驾驶技术路线，如果你要投资自动驾驶，别的不知道，这两大技术路线你得搞懂。那么，这两种模型到底有什么区别呢？
首先，我们需要先简单了解一下自动驾驶的算法流程。自动驾驶算法大致分为三个环节：感知、决策和控制执行。感知模块负责采集并理解车辆周围环境的信息，主要依靠摄像头、激光雷达、毫米波雷达等传感器，去识别交通参与者、信号灯、道路标志等关键要素。决策模块基于感知结果，预测其他交通参与者的行为和意图，制定最安全、最高效、最舒适的行车策略，这一模块就像车辆的大脑。控制执行模块将决策转化为具体操作，控制油门、刹车和转向，如果说决策是军师，控制就是听令执行的士兵，确保每个动作精准到位。               
大多数中国车企目前采用的分段式端到端架构，相较早期的模块化架构已经有了明显进步：感知、决策和执行模块的内部都已由端到端神经网络驱动，大量手写规则被深度学习模型取代。但这种分段式端到端架构仍存在一些问题。首先，三个模块之间依然通过接口传递信息，在这一过程中，很多方面的细节往往会被简化甚至遗漏，导致决策模块获取的信息不够完整，从而影响整车的决策质量。其次，模块之间的衔接仍依赖明确的规则来支撑决策，而任何预先设计的规则都不可避免存在考虑不周或设计错误的情况，这类缺陷无论写多少代码都难以彻底弥补。
而特斯拉采用的是高度融合的一体式端到端大模型，能比较完美的解决分段式端到端模型的这两个缺陷。一体式端到端将感知、决策和控制执行整合为一个整体，由同一个大模型统一完成。换句话说，它用一个超级大脑同步处理所有驾驶任务，实现输入到输出的全流程闭环，也就没有信息传递过程中的丢失。另外，一体式端到端模型可以通过AI进行预测，所以即使面对从未见过的新场景，也能做出判断。这种端到端将感知、决策和执行结合在一起的设计，让系统更能适应不同场景，操作也更加统一稳定。
当然，特斯拉的一体式端到端也有缺点：它直接从传感器数据生成控制信号，没有显式的感知、预测、规划输出，出错时很难判断问题在哪。相比之下，分段式端到端保留了模块接口，方便调试和替换。另外，一体式需要一个模型同时学会所有任务，数据量要求极高；分段式则可将数据拆分给不同模块训练，需求相对更低。
但是，一体式端到端在信息流完整性，和整体优化潜力上有天然优势，所以，某种程度上说，特斯拉的一体式端到端模型，是优于中国车企现阶段的分段式端到端模型。早期几年，特斯拉的自动驾驶系统和许多中国车企的方法非常相似，当时还在用雷达，架构仍是传统的 感知—规划—控制 模块化，靠大量规则和逻辑实现自动驾驶。那时的系统称为Autopilot，尚未达到真正的FSD（全自动驾驶）。直到2023年底，随着FSD V12版本的发布，特斯拉才真正迈入一体式端到端时代。
可以看到，特斯拉无论是在造车还是智能驾驶方面的成功，都为中国车企树立了榜样。而我们都知道，中国企业在创新上可能差点意思，但在模仿和超越这条路上，可一直是有心得的。那么在现在这种情况下，特斯拉领先中国车企多少呢？这个竞争优势是否稳固？何时会受到威胁呢？
在业界，评价智能驾驶水平通常看三个核心指标：算法、数据和算力。其中，特斯拉与中国车企最大的差异首先体现在算法上。
前面提到，特斯拉最初也采用的是模块化模型，后来才升级为一体式端到端。那么，特斯拉是如何通过算法迭代，从分段式端到端演进到一体式端到端的呢？我们不妨来看看特斯拉算法上的历史进程。或许我们也能从中看出中国车企要想模仿，需要途经怎样的过程。这里我先打个预防针，由于这部分涉及到技术，可能理解起来会有一些难度。但我还是会尽量用简单的语言给大家做解释。
·  	2021年，特斯拉把感知系统升级了：以前只看单张图片，现在可以把车周围环境转换成“鸟瞰图（BEV）”来分析，并利用Transformer模型结合时间和空间信息，让车辆更好地识别复杂道路。基于这个进展，特斯拉放弃了毫米波雷达，完全依靠摄像头来感知周围环境。同时，车辆的规划决策模块，也引入了神经网络和蒙特卡洛树搜索，让感知到决策的过程更加智能化。
·  	到了2022年，特斯拉又加入了Occupancy网络，可以更准确地识别遮挡物、远处目标和边缘区域，形成了“鸟瞰图BEV + Transformer + Occupancy”的新系统。这个系统能直接用摄像头数据生成车辆周围的三维环境信息，为自动驾驶决策提供支持。
·  	2023年12月，FSD V12方案发布，标志着特斯拉正式进入一体式端到端时代：通过单一神经网络直接处理摄像头数据并输出驾驶指令，完全摆脱传统模块化处理方式。
虽然外界无法完全得知特斯拉的实现一体式端到端的细节，但从特斯拉自动驾驶负责人Ashok Elluswamy，在2023 年计算机视觉与模式识别大会的演讲推测，这个端到端模型，很可能是基于Occupancy网络构建的。他提到：“模型可以捕捉到周围环境中发生的很多信息，整个网络很大一部分就是在生成这些丰富的特征。”
正是依托这种深度整合感知信息的技术路径，特斯拉在算法层面保持了持续的迭代和优化能力，也由此长期占据行业的技术高点。但同时，中国车企也在不断加快追赶的步伐：
·  	2021年，特斯拉在FSD V9，与首届AI Day上发布BEV网络；中国车企则在两年后，也就是2023年，模仿特斯拉将BEV架构量产上车。
·  	2022年，特斯拉在第二届AI Day公布Occupancy网络；中国车企也在一到两年后，开始将Occupancy网络应用到量产车。
·  	2023年，特斯拉宣布FSD V12采用一体式端到端技术；中国厂商则在2024年开始尝试模块化端到端，并规划向一体式端到端演进。
从时间窗口来看，中国车企在BEV + Transformer架构、Occupancy网络以及分段式端到端等，关键技术上的落地节奏，普遍比特斯拉晚1-2年。这意味着，我们有理由认为，中国车企已经具备一定的，一体式端到端基础技术条件，从当前的分段式端到端，跨越到特斯拉的一体式端到端模型，可能还需要1-2年左右。考虑到特斯拉23年年底就做出了一体式端到端，我们有理由预计，在算法层面，中国车企目前大致处于，特斯拉2022-2023年的技术水平。也就是说，和特斯拉有2-3年的差距。
接着，再来看看评价智能驾驶水平的第二个指标，数据。
OpenAI的创始人、前特斯拉的AI总监Andrej Karpathy曾经表示，特斯拉自动驾驶团队有3/4的精力用于采集、清洗、分类和标注高质量数据，只有1/4用于算法探索与模型创建。可见，在智能驾驶中，数据的重要性远超人们的想象。
首先，数据的量要足够大。在端到端神经网络开发初期，特斯拉就向模型投喂了，1000 万段精选的人类驾驶视频。即便每段仅按15秒计算，也超过4万小时的高清视频。这得益于特斯拉过去十年积累的庞大保有车队，每天都在源源不断贡献驾驶数据。相比之下，中国新能源车销量虽高，但品牌分散，单一品牌出货量有限，数据规模自然较小。更重要的是，一体式端到端对数据采集的门槛远高于分段式，分段式可以只采集感知或控制等局部数据，对时间同步和完整性的要求较低；而一体式端到端需要从传感器，输入到控制输出的全链条，并覆盖多种道路、天气和交通场景，采集与标注成本都更高。这也是大多数中国车企先从分段式做起的原因，等数据和能力积累到一定程度再升级到一体式端到端。
其次，数据的质也要足够好。智能驾驶的数据可以分成两大类：一类是基础场景数据，也就是那些遵守交通规则的常规驾驶数据，比如红灯停车、让行人、限速控制等等；另一类是长尾场景数据（Corner Case），也就是那些罕见但又可能致命的特殊情况，例如“突然横穿的电动车”“货车掉落货物”“野猪冲上高速”等。
在基础场景上，数据质量的好坏直接影响系统的日常驾驶风格。许多中国品牌虽然已经上线了NOA功能，但在实际表现中依然会出现加塞、超速、不按规定变道等问题，原因在于训练数据大多来自真实用户驾驶，而现实中违规行为普遍，如果缺乏人工筛选和优先级控制，模型就会潜移默化地学到不良驾驶习惯。特斯拉的做法是像Uber挑五星司机，从海量数据中筛选出高质量、合规的驾驶样本，把“遵守交通规则”放在核心优先级上，确保模型的基础驾驶行为稳健安全。但问题是，中国车企的数据量本来就不够，有数据就不错了，还要在此基础上进行筛选，难度就更大了。
在长尾场景上，数据质量的差距更明显。一体式端到端模型在处理极端情况上天然更强，只要见过类似场景，就能在整体驾驶逻辑中，推理出合理的应对方式；而分段式架构需要感知、预测、决策等模块逐层传递信息，效率和准确性都依赖人工标注。特斯拉不仅拥有庞大的全球 FSD 用户群，能够实时采集独特的长尾数据，还自研了仿真训练平台，在虚拟环境中批量生成数以万计的 Corner Case。例如“野猪横穿高速”这种极端情况，现实中发生概率极低，但特斯拉可以在仿真中大量构造，让模型提前学会安全应对。真实长尾采集与大规模仿真补充相结合，使其长尾数据既全面又高质量。
相比之下，中国车企由于数据规模有限、筛选成本高，往往只能保证数据量，而难以兼顾数据质的精细化提升。因此，特斯拉在数据上的优势，不仅在规模上，更在质量上。     
截至2022年底，特斯拉全球车辆保有量已超过360万辆，仅一年时间，FSD Beta新增行驶里程就超过11亿公里，总里程达到12.9亿公里。这11亿公里的数据为2024年初推出的一体式端到端FSD V12提供了坚实基础。相比之下，到2024年底，部分中国车企在数据规模上仍与特斯拉转向一体式前的水平有明显差距。例如，华为智驾累计行驶总里程超过4亿公里，而且在数据质量、筛选精度和长尾场景覆盖方面，与特斯拉仍存在明显差距。原因之一是华为的车辆保有量相对较少，目前约35万辆，仅为特斯拉的十分之一。按现有保有量和行驶频率推算，要积累到特斯拉实现一体式端到端所需的约11亿公里，理论上可能需要十年。不过，考虑到华为已有的数据基础以及未来保有量的增长速度，这一时间有望缩短至3–5年左右。综合来看，从数据角度来看，中国车企目前大致处于特斯拉2021年前后的水平。
算法和数据之后，第三个评价智能驾驶水平的指标是算力。与数据差异类似，国内智驾企业在算力储备上与特斯拉也存在明显差距。这主要是由于现实条件限制，中国目前无法采购到最先进的AI芯片。不过，如果未来能够获得英伟达等厂商的高端芯片，算力差距有望显著缩小。从当前情况来看，在L2级别的智能驾驶应用下，中国车企现有算力已经足够，不会成为瓶颈。但特斯拉追求更高L4级别的智能驾驶，因此储备了更大的算力，而在同样条件下，中国车企现有算力远不足以支撑更高阶的自动驾驶。
所以，总体来看，特斯拉在智能驾驶上的领先幅度大致可以量化：在算法层面，领先约2-3 年，差距并不算悬殊。近年来，中国车企在感知与决策算法上追赶速度很快，尤其是在引入分段式端到端大模型等技术后，部分场景的表现已接近特斯拉水平。相比之下，数据方面的差距更为明显。特斯拉依靠全球数百万辆车长期上路，每天都能收集大量高质量的驾驶数据，形成了强大的数据闭环。这让特斯拉在数据积累上至少领先3到5年，而且数据越多，算法升级越快，吸引的用户也越多，数据优势进一步扩大。至于算力，虽然特斯拉在高端AI芯片和专用计算平台上更有优势，但在中国目前以L2级别为主的实际应用中，这种差距对用户体验影响不大。
从“木桶理论”的角度看，一套智能驾驶系统的整体表现，取决于算法、数据和算力这三部分中最短的那一块。虽然中国车企在算法和算力方面跟特斯拉差距不大，但因为数据上量不够多质也不够好，远落后于特斯拉。目前特斯拉整体领先中国车企约3到5年，这其中数据壁垒是拉开差距的关键因素。
那这个领先程度，对于特斯拉来说意味着什么呢？
首先，在过去，很多人担心特斯拉的纯视觉路线是否是死胡同，也担心中国车企通过激光雷达等多传感器融合方案能够实现弯道超车。现在看起来，特斯拉在数据、算法和算力上的优势，确实让它在短期内保持明显领先。
其次，对于特斯拉当前最重要的战略方向Robotaxi，虽然中国市场尚未完全开放，目前只有极少数几家中国公司在试运营，但如果未来政策允许，凭借中国现有的特斯拉保有量，以及在美国市场积累的经验和领先技术，特斯拉完全有机会在中国Robotaxi市场占据一席之地。
另外，智能驾驶技术的领先也会反哺特斯拉的汽车销售。在中国电动车市场竞争激烈、价格战频繁的情况下，特斯拉的市占率面临一定压力。但如果能够将FSD作为差异化核心，消费者在购车时不仅仅是在选择一款电动车，而是在选择一套行业顶尖的智能驾驶系统。这种独特技术优势能够有效提升产品吸引力和溢价能力，使特斯拉在一定时期内依靠技术壁垒抵御价格竞争，促进销量增长。
当然，目前特斯拉3到5年的领先很难说会永久保持。中国路况复杂多样，本土车企在获取本地驾驶数据方面具有天然优势，加上未来中国市场车辆数量持续增长，一旦数据采集、标注和训练体系完善，中国车企在本地场景下的表现可能快速赶上特斯拉。换句话说，未来特斯拉领先中国车企的时间可能会缩短。因此，特斯拉必须抓住这几年真空期，实现快速发展，占领行业先机。
此外，智能驾驶技术仍在快速进步，目前的一体式端到端模型并不是终点。未来可能会出现新的技术路线，例如目前讨论中的VLA（Vision-Language-Action）模型，也可能改变竞争格局，因此特斯拉的领先仍存在不确定性，未来还是持续投入研发、优化数据和算力资源，来保持长期的竞争优势。
最后呢，我得给本期视频打个补丁。今天我们主要分析的是特斯拉自动驾驶相比于其他车企的竞争优势。但这里是有一个前提假设的，也就是其他车企会按照特斯拉的老路进行追赶。从实际情况上看，大部分车企也确实是这么做的。
但我们无法排除的是，可能也会有车企讲分段式方案一条道走到黑。比如Waymo就是靠分段式端到端模型一路走到了L4自动驾驶。分段式确实存在成本高，商业化难等问题，但单从技术可行性上说，目前也已经验证成功。有的中国车企也具备探索这条路的能力。单从技术实现的角度来看，这条路实现L4级别的时间恐怕会比一体式模型要快一些。只不过他的成本高，商业化难的问题，还需要再想办法解决。
在当前这个时间点，对于中国车企来说，选择那条路更优还没有定论。我个人其实是认为，学习Waymo走分段式也许是中国车企实现弯道超车的好办法。毕竟中国有大量车企，而且中国也有足够的硬件基础设施，他们大可以通过卷成本将硬件成本降低。而且中国政府大力支持电动车行业，像高清地图这种商业化卡脖子的问题，或许可以通过政府行政手段解决。只是现阶段看起来，大部分车企都不敢走这条路，毕竟学习特斯拉看起来是现阶段更稳妥的方法。