摘要：成吉思汗...

秘密

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

龙的传人

A | 最近美国各地连续多日出现雾霾，让美国人担心坏了。

B | 佛罗里达的David Bamber说：这些雾霾白茫茫一片，令街道的能见度非常低，还有一股奇怪的化学品气味…（Bamber展示佛罗里达的雾霾）蒙大拿州的网友Sarah Smith也发出雾霾的视频描述，虽然在下雪，但仍可以感觉到有一大团模糊的东西在空气中，闻起来像烧焦的塑料…（蒙大拿州的雾霾）马萨诸塞州的一位居民的照片中，灯光的照耀下，白色雾霾颗粒像雨点一样漂浮在空中…（雨一样的雾霾颗粒）另一位佛罗里达的居民更是现身说法：“雾霾非常严重，我在加油站附近只停了10分钟，之后就开始咳嗽和发烧…”“不到一个小时，我就开始打喷嚏，眼睛也肿胀起来，我感觉自己感冒了，胃也开始痉挛。

C | ”（佛罗里达的雾霾）堪萨斯的一位女网友透露：“我所在区域出现了浓密的雾霾，可能有大规模的‘化学尾迹’，已经持续一周了。

D | 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。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。

E | 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。

F | 从“一个AI服务所有用户”，走向“每个人都有自己的AI”。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。 6月的一次，是关于停车习惯。”（堪萨斯的雾霾）一位加州市民发推称：“不寻常的雾霾持续了好几天，闻起来一股怪味。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。马斯克回应： FSD很快会记住用户的停车偏好。我注意到这种怪气味好几个月了，感觉鼻子被灼烧一样。

G | 最近的这一次，更加关键。像是从天而降的袭击。”（能见度相当低）就连加拿大和英国部分地区，也出现了雾霾的报道。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。一时间，众多美国网友无比困惑：为啥雾霾偏偏出现在英国和北美呢？这些雾霾不仅浓厚，还有明显化学味道！（形态相当罕见的雾霾颗粒）尽管此前，美国国家气象局（NWS）发出了浓雾警告，但根本说服不了网友。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。

H | （白色雾霾颗粒像雨滴一样四处漂浮）（网友拍下的雾霾颗粒运动）他们更愿相信的，是一个颇具阴谋论的说法。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。这次雾霾的是“海洋飞沫行动”的再现，美国人又成为化学实验的小白鼠了？！（化学雾霾？）他们提到的“海洋飞沫行动”发生时，出现的正是这种神秘的怪味雾霾…（雾霾里的金门大桥）1950年9月20日，加州旧金山辖区突然出现大面积的神秘雾霾，雾霾伴随着一股化学异味，很快笼罩了整个城市。就连金门大桥的部分桥体都被雾霾隐了形。这种的诡异状况持续了整整一周，不少旧金山居民开始出现了各种各样的病症。10月11日，有11位病情严重的居民来到斯坦福医院检查治疗。

I | 这11人均被发现有严重的尿路感染，经过一段时间治疗后，10人康复，1位名叫Edward Nevin的男子却不治身亡。

J | 过去，自动驾驶面对的是一个抽象用户。

K | 无论谁坐进车里，背后的模型都是同一个。之后的一段时间里，肺炎病例又陡然增多，让旧金山的医院疲于应付。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。

L | 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。医生们经过深入研究，发现这些患者无一例外都感染了一种罕见的“粘质沙雷氏菌”。这些属于人的驾驶习惯，一直没有进入自动驾驶系统。（粘质沙雷氏菌）粘质沙雷氏菌虽然不是非常致命，但在北美比较少见，那这些粘质沙雷氏菌到底是从哪里来的呢？斯坦福医院医生们百思不得其解，只得将这些案例写成论文，发表在医学刊物上，以备日后研究。而现在，Tesla让这些信息成为AI决策的一部分。医生们万万没想到的是，这些神秘出现的粘质沙雷氏菌，竟然是美国军队特意投放的…（关于海洋飞沫行动的报道）1977年的参议院小组委员会听证会上，美军高层第一次披露了真相：1950年9月20日到27日，美国海军进行了一项秘密化学武器实验，代号“海洋飞沫行动”。美国海军将粘质沙雷氏菌和苯酚以及炭疽模拟物混合在一起，在旧金山海岸一通释放…之后，美军又在旧金山部署了43个地点监测实验结果，当确定80万旧金山居民每人至少吸入了5000个致病微粒后，“放毒”行动才算结束。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。

M | 至于“11人患病，1人死亡”的实验结果是否达到了美军的预期，就不得而知了。

N | 它学习的是：在安全范围内，你希望它如何开。（旧金山金门大桥）事实上，除了旧金山的这一次实验，1949年到1969年的二十年里，美军一共进行了239次生化武器的露天实验，造成了相当数量的美国平民生病和死亡，而这些实验无一例外都获得过军方高层的批准。

o | 比如1966年，美军研究人员将充满致病细菌的灯泡丢在纽约曼哈顿地铁的轨道上，只为进行传播枯草芽孢杆菌变体的实验，美军方认为，这种变体不足以致病，需要开放性实验来“验证”。

p | 结果在交通高峰期，致病性病原体使相当数量的纽约居民受到感染，不少人随后生病或死亡…而做这些实验的目的，很大程度上是想测试美国大型城市应对生物袭击的能力....(60年代的纽约地铁)正因为是有过这样把民众当小白鼠的前科，美国人才会对这场雾霾的出现无比担忧。美国国家气象局显然注意到了社媒上流传的推论，他们第一时间出来辟谣，给出的科学解释是：雾霾中的颗粒物，其实源于空气中的污染物。

q | 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”。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。在灯光的照耀下，颗粒变得可见了。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。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。

r | 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。

s | 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”。其次，所谓的“化学气味”，是由于雾气可以吸收和包围一些地表受污染的空气，如汽车尾气，工业排放，以及其他空气中的化学物颗粒。“当雾霾形成后，二氧化硫，氮氧化物和其他污染物气体就被雾气里的水分子包围。

t | 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。”由于水分子包围的这些有异味的污染物颗粒会在空气中长时间停留，因为人们就能闻到一股“化学品的气味”。当然，气象局也承认，这是今年第一次出现这种现象，确实比较反常。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”。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。气象局同时还提醒民众，这种雾霾的确会导致咳嗽，胸闷，鼻塞等一系列的呼吸道疾病，总之，有雾霾，但只是自然现象，没有任何证据表明有其他因素。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）。

u | 美国人民大可放心度过一个无比正常的冬天。但愿吧…。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。

v | 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。

w | 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。

x | 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。

y | 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。

z | 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。 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。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。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。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。

| 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。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。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。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。