特斯拉FSD V14.3，讓AI直接開車？

[首發于智駕最前沿微信公眾號]2026年4月底，特斯拉開始向北美用戶推送FSD V14.3。這個版本在技術層面做了很多改動，其將車輛控制環節最后的30多萬行手寫C++代碼全部移除，改由神經網絡直接輸出駕駛指令。與此配套的還有編譯器重寫、模型規模大幅提升，以及時空記憶能力首次落地等。今天就詳細和大家聊一聊特斯拉的FSD V14.3。

圖片源自：網絡

端到端的最后一塊拼圖，是怎么做到的？

其實從V12開始，特斯拉就將感知和路徑規劃這兩個環節交給了神經網絡，也就是系統看到畫面后判斷周圍有什么和應該往哪走這兩步不再依賴于人手寫的規則。但在最后一步，也就是車輛控制（把規劃結果轉化成具體的方向盤轉角、油門深度和剎車力度）仍然依賴一套傳統的控制邏輯。這套邏輯對應著超過30萬行C++代碼，由工程師逐條編寫和維護。

用代碼來控制車輛其實一直存在一個問題，那就是無論規則寫得多詳盡，總有讓系統發懵的場景。比如黃燈快結束時該加速通過還是提前停下？停車場里面對好幾個空位該選哪一個？這些人類駕駛員憑直覺就能處理的情況，落到規則系統里，就會變成生硬的取舍。代碼只能覆蓋工程師提前想好的那部分場景，但脫離規則之外的部分就成了系統的能力盲區。

圖片源自：網絡

這次V14.3的更新，其實最大的改變就是做了一件事，用AI神經網絡直接接手智能駕駛的整個環節。系統從車載攝像頭接收圖像，到最終的方向盤和踏板指令，中間不再經過任何手寫規則的約束，這也是我們經常聽到的全域一段式端到端架構。在這個架構下，不再需要單獨定義感知、規劃、控制這些模塊，整個流程用一個神經網絡完成。

讓AI神經網絡接手智能駕駛有什么好處呢？對于自動駕駛系統來說，其不再需要判斷如果紅燈則停車這類規則條目，而是可以從海量人類駕駛數據中學習該怎么做。學習的數據里就包含了各種復雜場景下的應對方式，模型的任務就是把這些東西內化成自己的經驗。這樣做也意味著系統的能力上限不再取決于多少工程師花了多少時間寫了多少條規則，而是取決于訓練數據的豐富程度和模型本身能不能吃得下這些數據。

為此，特斯拉把神經網絡的參數量提升到了此前版本的約10倍。更大的模型能記住如異形交叉口、復合信號燈、復雜的施工區布局、非標準化的交通標志等更多樣的路況模式，這些之前因容量受限無法充分學習的邊緣案例，現在有了被模型吸收的條件，這也是為什么V14.3在一些罕見場景下的表現會明顯好轉的原因。

編譯器也重寫了，反應時間縮短了20%

除了模型架構本身，特斯拉在V14.3里還動了一個不太容易被注意到的環節，那就是編譯器，編譯器的作用是把神經網絡的計算邏輯翻譯成硬件能執行的指令。自動駕駛模型的計算圖極其復雜，傳統編譯器在翻譯過程中會產生冗余的計算步驟，導致實際執行時多跑了很多不必要的操作。

圖片源自：網絡

這次特斯拉基于MLIR（多層中間表示）框架從零重寫了編譯器和運行環境。MLIR的好處是可以在較高的抽象層次上保留計算圖的結構信息，更容易識別出哪些運算可以合并、哪些數據可以被復用，然后生成更精簡的硬件指令序列。這樣的設計可以讓攝像頭捕捉到畫面到車輛執行加速或轉向動作的時間延遲比之前縮短20%。

這20%對一個以120公里每小時行駛的車輛來說，相當于在感知到危險之后，制動介入的距離會變短。在高速場景下，快一點和慢一點之間的差別有時候就是非常關鍵的。

模型能記住3到5秒之前發生的事了

除了上面說的這些，V14.3還第一次給FSD模型加入了明確的時空記憶能力，時長大約3到5秒。在此之前，FSD的決策更偏重于基于當前幀畫面做反應，雖然之前的版本也通過算法間接捕捉了一些時序信息，但沒有一個明確的記憶機制。這樣做的結果就是系統偶爾會表現得像忘了上一秒發生過什么似得，譬如一輛車剛變道切到前面，系統反應慢了半拍，或者跟車過程中忽然來一腳不必要的剎車等行為就容易出現。

圖片源自：網絡

3到5秒的記憶意味著模型現在能記住短時間內前車的加減速動態、剛剛錯過的那個路牌上的限速數字、或者路口那一側行人的移動速度變化。這些信息會參與后續的軌跡規劃和車速調整，讓駕駛動作更具連貫性，基于此，車輛不再是逐幀反應，而是有了一個連續的時間感知。

這一能力對大模型來說是非常重要的，參數量上來了，模型本身就有足夠的容量去維持一個短期的記憶狀態，不需要外掛什么額外的模塊。特斯拉要做的就是在訓練過程中讓模型學會將剛才發生了什么和現在應該做什么這兩件事關聯起來。

強化訓練翻倍，專挑難的路況學

對于大模型的訓練，特斯拉也明顯加大了對長尾場景的投入，在V14.3的訓練數據集里，特斯拉有意識地從全球車隊中采集了如復合信號燈路口、彎道上的黃燈、施工區不規則的錐桶擺放、小動物突然穿行、讓行標志被遮擋的街角路口等等大量罕見和復雜的駕駛案例。這些場景在日常行駛中占比很小，但處理得當與否直接決定了用戶對系統的信任度。

特斯拉采用的方式是在訓練過程中主動提高這些困難樣本的權重，而不是讓模型在大量常規路況中淹掉它們。這種針對性的強化訓練讓V14.3在相對罕見的場景下表現出了和常規路況接近的處理水準。也正因為如此，它的加減速曲線、停車標識前的響應方式以及停車場內的泊車選擇，都變得更果斷、更像一個熟練的駕駛員。

圖片源自：網絡

這里提到的強化訓練，并不是替換掉先前的人類駕駛數據監督學習訓練，而是在此基礎上使用難度更高、更稀少的數據進一步精調模型。基礎訓練仍然依賴海量人類駕駛視頻，讓模型學會正常該怎么做，而強化樣本的作用是讓模型在不太正常的情況下也別慌，知道該怎么處理。

視覺感知也變強了，還能聽見急救車？

在整個端到端的框架下，感知能力的提升也是系統整體變好的一部分，V14.3還升級了視覺編碼器，也就是神經網絡里負責從原始圖像中提取信息的那一部分。新的編碼器在低光照、夜間、隧道等光線不足的場景下能提取出更豐富的畫面信息。

同時，它對3D空間結構的理解也有顯著提升，能更準確地判斷物體在三維空間中的位置和形狀。這意味著一些如從人行道伸出來的樹枝、路邊斜放著的自行車等外形不規則的障礙物，現在能被更精確地識別。

圖片源自：網絡

在有些介紹中，還提到了V14.3一個非常有意思的功能，那就是音頻感知能力。特斯拉給系統加入了對緊急車輛的識別能力，車輛不再只能看到閃燈的緊急車輛，也能聽到鳴笛聲，并據此做出調整。當識別到緊急車輛后，系統會放慢車速、留出通行空間，必要時還會發出提示。這是感知從純視覺走向多模態的一個信號。

泊車不再是猶豫不決的狀態

對于車主來說，V14.3提升最明顯的就是泊車功能，有些車主反饋，之前版本的FSD在停車場里的表現并不是特別好，明明面前好幾個空位，它卻不知道該停哪一個，反復切換候選車位，機動動作也很猶豫，而V14.3在這點上有了明顯改變。系統現在會在導航地圖上用P圖標提前標注出它打算停的位置，進到車位附近后對目標的選擇和泊入動作都果斷了不少，這也說明規劃模塊在當前版本中對停車場這類場景的理解更深了，不再是一個大概知道要停車但不確定停哪的模糊狀態。

圖片源自：網絡

除了泊車之外，V14.3在十字路口的表現也更流暢，面對復合信號燈（主燈和輔燈同時存在、或者直行燈和轉彎燈交替變綠）的時候，V14.3的通行判斷更接近人類。它不會在黃燈前出現猶豫不定的加速與剎車切換，也不會在綠燈亮起時遲緩半秒才起步。對于車道保持功能，彎道行駛的居中穩定性也明顯改善，對相鄰車道的侵入更少，過彎速度也控制得更加平滑。

V14.3后續會做些什么？

特斯拉在V14.3的更新說明里還提前說了幾件后續要做的事，其中用戶期待已久的坑洼路面避讓功能被正式寫進了路線圖。目前看到的技術路線上，系統會先通過視覺檢測路面的不平整情況，然后把它納入路徑規劃的考量范圍。更遠的計劃是結合車輛懸架傳感器的信息來進一步校驗路面狀態，讓避讓的時機和幅度都更加準確。

另外，針對搭載HW3硬件的車型，特斯拉計劃在6月底推送一個輕量版本，即FSD V14 Lite。這個版本是對完整版V14.3的模型做蒸餾壓縮，保留核心的駕駛能力，但在模型規模和細節表現上會有取舍。需要說明的是，由于V14.3完整版本身的計算負載遠超HW3設計時的算力上限，輕量版并不是把完整版裁減一下就能直接適配的。它需要單獨做一輪面向HW3的架構調整和專項訓練，才能在這種老舊硬件上穩定跑起來。這對老車主來說其實是非常有利的，但壓縮之后的實際表現是否還能保持V14.3的核心體驗，還得等上線后看實際反饋。

需要說明的是，對于真正去掉監督版這三個字的FSD，也就是車輛可以完全自主行駛、不需要駕駛員時刻關注的版本，特斯拉在V14.3的更新里沒有給出具體時間。從技術趨勢看，V14.3的架構已經具備了支撐更高階自動駕駛的底層能力，但目前，V14.3仍然是一個L2級系統，方向盤后面的人依然是責任主體。