A | 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。
B | 新增无症状感染者199例(其中拉萨市128例、日喀则市42例、山南市1例、那曲市20例、阿里地区8例)。 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。9月13日0时至14时，西藏全区新增确诊病例1例(为拉萨市报告)，新增无症状感染者71例(其中拉萨市60例、日喀则市9例、林芝市1例，那曲市1例)。 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。
C | 6月的一次，是关于停车习惯。截至9月12日24时，西藏全区治愈出院1744人，47220名密接者解除集中隔离观察。 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。 最近的这一次，更加关键。 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。目前53076人在接受集中隔离观察。发布会还介绍，疫情发生以来，西藏司法行政系统充分发挥职能作用，对疫情防控各项工作作出具体安排，扎实做好行政复议案件办理、涉疫矛盾纠纷排查、公共法律服务、精准普法宣传等工作，广泛宣传涉疫防控法规和政策，推行“网上办”“掌上办”，全面提升依法、依策抗“疫”能力，确保疫情防控工作始终高效运转、有力有效。
D | 西藏自治区司法厅党委委员、副厅长张宏发说，西藏发生疫情以来，各级党委、政府及相关部门认真贯彻落实《传染病防治法》，按照涉及新冠肺炎疫情防控的相关法律法规和政策要求，实施了一系列具体有效的防控措施，确保了疫情防控工作依法有序开展。(完)返回搜狐，查看更多责任编辑：
E | 而现在，Tesla让这些信息成为AI决策的一部分。
F | 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。
G | 它学习的是：在安全范围内，你希望它如何开。 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。 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。 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。 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”。 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。 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。 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）。 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。
H | 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。 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。 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。
I | 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。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。 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。
J | 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。
K | 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。
L | 不过，真正的难点也在这里：个性化不能突破安全边界。
M | 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”。
N | 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。
o | 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。
p | 所以，Personalized FSD也给马斯克解了一个燃眉之急——Robotaxi落地如火如荼，但私家车，以及把AI司机搭载在私家车上依然有价值、有必要。 毕竟Robotaxi用一个AI服务所有用户就是最优解，不可能给出千人千面的高级定制体验。 Personalized FSD路径，其实与生成式AI的发展非常相似。 ChatGPT通过Memory变得更加个性化，AI Agent通过长期记忆完成复杂任务。 未来，汽车作为连接物理世界的重要入口，也可能拥有自己的长期记忆，当然，这并不意味着自动驾驶已经进入成熟阶段。 Tesla的具体实现方式、安全约束机制，以及个性化能力的边界，都还有待进一步验证。 但至少，一个趋势已经出现。
Current article:http://www.lichuorenrenyitankanmeimu.cfd/wwqc/20260826/5204.xlsx
Published on:06:54:42
