马斯克宣称FSD v14意识觉醒，英伟达总监亲测

　　新智元报道

　　编辑：定慧

　　【新智元导读】特斯拉FSD的最新版本v14已经发布有段时间了，性能如何？英伟达Jim Fan说它通过了物理图灵测试。v14或许预示着马斯克的预言要被他亲手实现了。

　　近日，英伟达通用具身（GEAR）团队负责人Jim Fan在亲身体验后，提出了一个极具哲学意味的论断：

　　FSD v14已经通过了「物理图灵测试」。

　　马斯克也同时转帖说，「你能感受到那种意识（智能）正在逐渐觉醒」。

　　Jim Fan描述的体验是，在结束一天工作后，乘客只需按下按钮，便可「无法分辨是神经网络还是人类司机将你送回家」。

　　马斯克对FSD v14的评价更为大胆，他直言这款软件「感觉已经产生了自我意识」。

　　从Jim Fan的介绍来看，他和马斯克关系匪浅，不仅是OpenAI是第一位实习生，现在还是英伟达机器人部门总监兼杰出科学家。

　　这波联动能猜测出老黄和老马的关系不错。不过Jim Fan并不在直接汇报给黄仁勋的36人名单中。

　　很多人都忽略了FSD的强大，如果说ChatGPT的横空出世标志着数字智能攻克了语言的巴别塔，那么FSD v14的发布，则被视世界模型迈向现实世界的关键里程碑。

　　按照沙利文的调研报告，自动驾驶是属于世界模型发展最快的一个分支。

　　这不再是关于像素的生成或文本的排列，而是关于钢铁与物理定律的交互。

　　当数吨重的金属物体在复杂的城市脉络中以每小时60英里的速度穿梭，表现出的决策逻辑与人类驾驶员难以分辨时，我们被迫重新审视「智能」的定义。

　　物理图灵测试：重新定义智能的边界

　　七十五年前，阿兰·图灵提出了著名的「模仿游戏」，即后世所称的图灵测试。

　　其核心在于剥离物理实体，仅通过文本交流来判断机器是否具有人类般的智能。

　　然而，随着大型语言模型（LLM）的发展，即便机器能够生成完美的十四行诗或调试复杂的代码，它依然是一个被困在服务器机架中的「大脑」，无法感知重力，不懂得摩擦力，更无法在混乱的物理世界中执行任务。

　　Jim Fan提出的「物理图灵测试」更进一步，这是一个远比语言测试更为严苛的标准。

　　Jim Fan将其具象化为一个家庭场景：

　　想象一位主人在举办晚宴后留下了一片狼藉：打翻的酒杯、散落的食物、堆积的脏盘子。

　　如果一个机器人能够介入，清理现场，将易碎品轻拿轻放，清理顽固污渍，并重新布置餐桌，而主人归来后无法分辨这是由人类家政服务还是机器人完成的，那么它就通过了物理图灵测试。

　　这一测试的核心不在于完美，而在于「不可分辨性」。

　　它要求机器不仅具备感知能力，还要具备常识推理、精细的运动控制以及对非结构化环境的适应能力。

　　虽然通用的家庭服务机器人尚处于实验室阶段，但Jim Fan认为，Tesla FSD v14在自动驾驶这一特定垂直领域，已经率先通过了物理图灵测试。

　　「物理图灵测试」引入了一个定性的、现象学的维度：体验的拟人化程度。

　　在v14之前，即便最为先进的辅助驾驶系统，其行为也带有明显的「机器味」：

　　在路口犹豫不决、刹车生硬、变道时机械地计算距离。

　　而v14展现出了一种「老练」的特质。

　　它学会了在拥堵中通过微小的蠕动来博弈路权，学会了在看到路边行人有横穿意图时提前轻微减速，甚至学会了某种程度的「社交礼仪」。

　　正如用户反馈所言，它不再像是一个考驾照的学生，而更像是一位经验丰富的专车司机。

　　端到端：删除30万行代码的豪赌

　　FSD v14之所以能展现出如此惊人的拟人化特征，归功于其底层架构的彻底重构。

　　在传统的自动驾驶开发（即Software 1.0时代）中，系统被设计为模块化的流水线：

　　感知模块识别物体，定位模块确定位置，预测模块猜测他车轨迹，规划模块计算路径，最后控制模块执行转向。

　　这其中，模块与模块之间通过数十万行C++代码连接，这些代码充斥着人类工程师编写的「显式规则」，例如「如果红灯，则停车」。

　　然而，现实世界的复杂性（Long Tail，或者叫Corner Case，极端案例）是无限的，规则永远无法覆盖所有角落。

　　Tesla在FSD v12版本开始了一场豪赌，并在v14中将其推向极致：

　　删除了超过30万行控制代码，全面转向「端到端」神经网络架构。

　　所谓端到端，即「光子进，控制出」（Photons In，Controls Out）。

　　摄像头捕捉的原始视频流直接输入到巨大的神经网络中，网络经过层层计算，直接输出方向盘转角和油门刹车指令。

　　中间不再有人类编写的「红灯」概念，系统只是通过观察数百万小时的人类驾驶视频，学习到了「看到红八角形物体时减速」这一像素级特征与车辆运动之间的概率关联。

　　这一转变的意义在于，系统不再是在「执行规则」，而是在「模仿直觉」。

　　人类驾驶员在过弯时并不是在脑中计算曲率半径公式，而是凭感觉打方向。

　　FSD v14正是模拟了这种基于经验的直觉过程。

　　多模态与VLA架构：会思考的机器

　　FSD v14不仅仅是v12的优化版，更引入了多模态大模型的特性，极有可能采用了视觉-语言-动作架构。

　　根据泄露的技术细节，FSD v14的神经网络不仅输出控制信号，还输出语言和3D空间重建。

　　从ICCV流出的幻灯片可以看到，特斯拉的FSD核心网络输入包括七路高分辨率摄像头视频、车辆自身运动信息、导航与音频信号。

　　输出则包含语义分割、占用网格、3D高斯特征、语言表达以及最终的控制动作，FSD或已接入视觉-语言-动作（VLA）框架，使模型具备「解释」与「思考」的能力。

　　这意味着系统在内部进行着某种形式的「思维链」推理。

　　例如，在遇到一个复杂的施工路段时，传统的感知系统可能只能识别出一堆障碍物；而VLA架构的FSD可能会在内部推理：

　　「我看到了‘道路封闭’的标志，但左侧有一位工人正在挥舞旗帜，结合导航信息，我应该无视标志，跟随工人的指引向左绕行。」

　　语言能力的引入，解决了端到端模型最大的痛点：「黑盒」问题。

　　通过让模型输出自然语言解释，工程师可以回溯系统的决策逻辑，这被称为「可解释的中间层」。

　　这种能力使得FSD v14不仅能「做」，还能「说」（尽管目前主要用于开发调试），使其具备了初步的逻辑验证能力。

　　早期的FSD版本常被诟病为只有「金鱼记忆」，即只关注当前帧的画面。

　　FSD v14通过引入长短时记忆机制和3D占用网络，获得了类似人类的「物体恒常性」认知。

　　如果一个孩子跑进了一辆停在路边的货车后面，即使摄像头此刻看不到孩子，v14的「世界模型」中依然保留着孩子的3D体素（Voxel），并预测其可能出现的位置。

　　这种时空推理能力是其能够通过物理图灵测试的关键：它不仅在看，更在理解和预测物理世界的演变。

　　FSD硬件的进化

　　当然要训练端到端的庞大模型，离不开芯片的支持。

　　Tesla的自动驾驶硬件进化史，是一部从依赖外部供应商到全面自研的独立史。

　　Hardware 1.0(Mobileye时代)：2014-2016年，Tesla依赖Mobileye的Eye Q3芯片。这是一套基于规则的视觉系统，直到2016年因一场致死事故及对数据共享的分歧，双方决裂。

　　Hardware 2.0/2.5(NVIDIA时代)：2016-2019年，Tesla转向NVIDIA，采用了DrivePX2计算平台。

　　这是一台算力达到12TOPS的「后备箱超算」，支持了Tesla早期的视觉算法。

　　然而，马斯克意识到，通用的GPU架构对于车载推理来说，功耗过高且成本昂贵。（这里很像谷歌自己研发了TPU）

　　Hardware 3.0(FSDChip时代)：2019年，Tesla发布了由传奇芯片架构师Jim Keller（曾任职AMD、Intel）领导设计的自研FSD芯片。

　　这是一个专用集成电路（ASIC），专门为神经网络的矩阵乘法优化，算力激增至144TOPS，而功耗和成本大幅降低。这一刻，Tesla在车载推理端彻底摆脱了对NVIDIA的依赖。

　　关于这位大佬Jim Keller的介绍，可以查看之前这篇：英伟达亲手终结CUDA「护城河」？传奇芯片架构师引发争议

　　训练与推理的二元对立

　　尽管在车端分道扬镳，但在云端训练，Tesla却是英伟达最贪婪的客户之一。

　　FSD v14那种「端到端」的庞大神经网络，需要吞噬数以亿计的视频片段进行训练，这需要极其恐怖的算力支持。

　　Tesla建立了巨大的超级计算机集群（如DojoCortex），其中部署了数万张NVIDIA H100和H200 GPU。

　　这就形成了一种独特的「竞合」关系：

　　在车里（边缘端）：

　　Tesla使用自研的HW3/HW4芯片，甚至未来的AI5芯片，通过垂直整合将成本压到极致。

　　在云端（训练端）：

　　Tesla依然依赖NVIDIA的CUDA生态和最强算力来「教育」它的AI。

　　黄仁勋对此表现出了极高的战略格局。

　　他多次公开称赞Tesla在自动驾驶领域的领先地位，承认Tesla是目前唯一能有效利用其最强算力的车企，并表示「每一个车企未来都必须拥有自动驾驶能力」。

　　对于英伟达而言，Tesla既是证明其算力价值的样板间，也是其推动「物理AI」愿景的最强盟友。

　　感知的质变：「感觉像觉醒」

　　当FSD v14被推送到数百万车主的车机上时，一种奇怪的反馈开始在社交媒体上蔓延。

　　用户们不再仅仅抱怨「它没看到那个锥桶」，而是开始使用描述生物的词汇：「它犹豫了」、「它在试探」、「它很自信」。

　　马斯克在X平台上推波助澜：「你可以感觉到那种感知力正在成熟。」。

　　这种体验的质变，源于系统行为从「离散」向「连续」的跨越。

　　在v14之前，车辆的决策往往是二元的（停或走，左转或右转）。

　　而在v14中，用户观察到了更细腻的博弈行为。

　　例如，在拥挤的高速汇入匝道，v14不再傻傻地等待一个完美的空档，而是会像人类老司机一样，稍微向车道线逼近，通过这种微小的物理位移向后车传递「我要加塞了」的意图。

　　v14中引入的「Mad Max」模式（虽然主要用于测试或极端选项），展示了AI在博弈中的激进一面。

　　在这一模式下，车辆变道更加果断，甚至在某些用户看来具有「侵略性」。

　　它会在极小的车距中切入，这种行为虽然在技术上是安全的，但在心理上挑战了人类对机器「温顺」的预设。

　　这种激进性实际上是神经网络在数百万人类驾驶数据中学习到的，在繁忙的交通中，如果不表现出一定的侵略性，车辆可能永远无法完成变道。

　　这进一步模糊了人与机器的界限。

　　迈向无监督：Robotaxi的最后拼图

　　FSD v14的所有突破，最终都指向一个宏大的商业终局：Robotaxi。

　　马斯克在多次财报电话会议中强调，Tesla的未来价值几乎完全取决于能否实现无监督自动驾驶。

　　目前的FSD仍标明为「Supervised」（受监督），意味着驾驶员必须随时准备接管，且对事故负全责。

　　但这在经济上没有意义：只要还有人在驾驶座上，这就是一项服务，而不是资产。

　　只有当移除人类，车辆才能变成不知疲倦的印钞机。

　　v14所展现出的稳定性，尤其是处理长尾场景（如暴雨、模糊车道线、复杂施工区）的能力，让业界看到了L4级自动驾驶落地的曙光。

　　马斯克预测，在2025年至2026年间，将在德克萨斯州和加利福尼亚州率先实现无监督运行。

　　同时，国内的L3也已经从「技术储备/道路测试」进入「准入试点/有限上路」的政策落地阶段

　　2025年12月工信部已批准两款搭载L3功能的车型获得产品准入许可，并在北京、重庆的指定高速/快速路等限定ODD、限速路段开展上路通行试点（例如单车道、限速50–80km/h等）。

　　这意味着国内L3开始从「拿牌测试」走向「准入许可+真实道路运营验证」的实质阶段。

　　全球扩张与数据的「化石燃料」

　　为了喂养这个日益庞大的端到端模型，Tesla正在积极寻求全球扩张。

　　除了北美，FSD v14已计划在阿联酋推出，并正寻求进入中国和欧洲市场。

　　这里的逻辑在于数据的多样性。

　　Jim Fan将机器人学习所需的数据比作「人类燃料」，相对于训练LLM的「化石燃料」（互联网文本），高质量的物理世界交互数据极其稀缺。

　　Tesla拥有的数百万辆在路上行驶的车辆，实际上是数百万个分布式的数据采集机器人。

　　每当中国、迪拜或巴黎的车主接管一次FSD，这个特殊的「失败案例」就会被上传，成为训练v14及后续版本应对特定文化路况的宝贵教材。

　　这种数据飞轮效应是其他竞争对手（如Waymo）难以通过有限的车队规模来复制的。

　　尽管技术上高歌猛进，但FSD v14面临的监管挑战依然严峻。

　　端到端模型的「黑盒」性质让监管机构感到不安：当车辆做出决策时，没有一行代码能明确解释「为什么」。

　　虽然VLA架构引入了语言解释层，但这在法律归责上是否足够，尚无定论。

　　此外，用户报告中提到的「幻影刹车」和偶尔的「神志不清」，提醒我们距离完美的99.9999%可靠性仍有距离。

　　这种「觉醒」或许只是数学统计上的错觉，是无数个高维向量在潜在空间中碰撞出的火花。

　　但正如Jim Fan所言，当这种错觉足够逼真、足够稳定时，它就构成了新的现实。

　　我们正在步入一个新时代：

　　在这个时代里，汽车不仅是交通工具，而是第一个真正融入人类社会、理解人类规则并与人类共舞的智能物种。

　　对于人类而言，适应这种「神一般的技术」，将是一个既痛苦又迷人的重塑过程。

　　当方向盘在没有人类双手触碰的情况下，自行转动着滑过繁华的街头，我们所看到的，不仅是自动驾驶的未来，更是硅基生命在物理世界留下的第一行深刻足迹。

　　正如这是马斯克2019年所预言的，2025年又重提的：

　　人类似乎越来越像是数字超级智能的生物引导程序。

　　参考资料：

　　https://x.com/DrJimFan/status/2003593613918531891

　　https://eletric-vehicles.com/tesla/nvidia-exec-praises-tesla-fsd-v14-couldnt-tell-if-a-neural-net-or-human-was-driving/