自动驾驶已经具备"思考"能力：Tesla FSD 14的推理觉醒

特斯拉的全自动驾驶（FSD）第14版已经正式推送。马斯克表示，这一版本标志着“推理能力”的起点——FSD开始具备“思考”的能力。而到14.3版本时，车辆将会“几乎像拥有自我意识一样”。

但“推理”究竟意味着什么？它会如何在真实道路驾驶中体现出来？本文将探讨特斯拉自动驾驶AI中的“推理”概念，以及这种能力如何进一步延伸到特斯拉的另一项具身智能——Optimus。让我们一起来思考这个问题。

从某种意义上说，FSD v14 已经具备了“推理系统”的雏形。它能够根据感知输入来判断并执行下一步动作，这本身就是一种推理形式。

不过，为了便于讨论，我们把这种能力视为“基础能力”——也就是起点。我们真正感兴趣的，是超越“输入到控制”映射的更高层次推理。

这种推理是情境化的、多步骤的，甚至可能会与车内乘客产生互动。

一个很好的例子，是 Tesla 在 v14 版本中展示的“闸门管理”能力。许多停车场都有进出口闸门，而开启它们的方式各不相同，但背后的逻辑却相似：车辆需要驶近、等待闸门打开，有时还要配合人类的操作——例如取票、输入密码或支付。

在这个过程中，系统不仅要识别出闸门，还要判断它是否会打开；有些闸门可能因为故障或权限限制而始终关闭。这种情况下，车辆需要自行倒车并寻找替代路径。

换句话说，它在管理一个“内部状态机”：等待闸门开启，若成功则通过，若超时或失败则执行其他动作。

类似的逻辑也适用于“得来速”（drive-through）场景。FSD v14 在许多情况下已经能够处理这类场景。得来速通常包含多个停靠点——点餐、付款、取餐。

在一位用户上传的麦当劳视频中，车辆依次完成了三个停靠动作：点餐、支付、取餐。每一步，它都必须等待车内乘客完成任务后再继续前进。

这些能力，构成了 FSD v14 的“推理基线”——一种初步的推理框架，也正是未来版本将继续深化和扩展的基础。

要构建一个具备强大推理能力的模型，首先必须考虑它的输入。

特斯拉开发了一种端到端的神经网络，它主要依赖视觉数据作为核心输入。视觉数据只是传感器输入的一种形式，除此之外，还包括车辆运动学数据（如惯性测量单元 IMU、GPS、里程计[2]）以及音频数据。此外，导航信息（即“路线规划”）也会作为输入提供给系统。

但在这些主要输入之外，来自前几轮推理结果的输出、用户的交互行为与记录的偏好，也同样是一个真正“具备推理能力”的系统所必需的输入。

端到端神经网络通常是“黑箱”的——我们很难看到模型内部到底发生了什么。这使得模型的可解释性受限。

以 FSD（全自动驾驶）为例，它的“下一步动作”输出可能只包含两个 token：一个表示所需的转向角度，另一个表示加速度指令（正值代表加速，负值代表物理或能量回收制动）。

然而，推理不仅需要知道“做什么”，还需要知道“为什么这样做”。特斯拉的做法，正如其 AI 副总裁 Ashok Elluswamy[3] 所描述的那样，引入了中间推理 token（见图 1），让模型不仅输出结果，还能在内部生成一系列“推理片段”，以帮助系统理解和解释自身的决策过程。

这些中间输出提升了模型的可解释性，它们让我们得以窥见网络在行动之前对场景“理解”的内容。关键的推理标记包括：

1.全景分割（Panoptic Segmentation） —— 一种统一的像素级环境理解方式，它为每个像素簇打上标签，区分出已知物体（如车辆、行人）与无形背景区域（如道路、天空）。

2.三维占据（3D Occupancy） —— 一种体素网格（voxel grid）式的三维环境表征，每个体素被分类为“被占据”、“空闲”或“未知”。这种方式构建出密集的三维空间模型，刻画出车辆周围的可通行区域、障碍物以及不确定空间——这正是特斯拉所谓的“占据网络（occupancy network）”。

3.三维高斯表示（3D Gaussians） —— 使用高斯原语（有时称为高斯溅射）对场景几何与外观进行连续、可微的表示，从而实现平滑的三维重建与物体表面刻画。相比离散的体素或边界框，这种方式能提供更丰富的空间理解。

4.语言标记（Language Tokens） —— 以结构化的语言形式描述场景语境或推理步骤，使模型能以人类可读的方式表达意图或因果理解。

这些推理标记共同构成了感知与控制之间的一层“透明中间层”，让决策过程变得更可解释、更可追溯。

在图 2 中可以看到，推理也可以通过自然语言来表达。特斯拉已在 FSD 第 14 版中引入了自然语言推理模型。

例如，在一段道路被堵塞的场景中，工程师可以与运行中的模型进行交互，了解它为何做出特定的决策。

但这种能力不仅用于调试，它更预示着——FSD 已经能够在被询问时，用语言解释自己行为背后的理由。

推理输出（或称推理 token）为完整推理系统提供了“为什么”这一核心答案。它们是所有推理过程的关键输入。

推理往往离不开与用户的直接互动，以及用户偏好的记录。

我们先来看交互。基于 FSD 的自然语言能力，车辆能够直接与乘客对话——无论是在私人 Tesla 还是 Robotaxi 中。这种交互主要通过自然语音完成：用户对车辆说话，车辆作出回应。整个过程与 FSD 的推理系统及更广泛的车辆控制系统紧密耦合。

接下来是偏好。推理并不仅仅是解释“为什么这么做”，更重要的是让用户能够影响未来的决策。用户可能希望覆盖一次决策，或将长期偏好写入车辆的规划逻辑中。

 1

用户：“嗨，为什么你走了一街？”Tesla：“因为二街在 Market 和 Central 之间封路了。”

用户：“哦，好吧。那为什么不走四街？我更喜欢四街。”

Tesla：“走四街会慢 3 分钟，不过好的，我会记下你的偏好。”

 2

用户：“我们几点能到机场？”

Tesla：“下午 2:25，到达时间 45 分钟后。”

用户：“你是走 101 高速吗？”

Tesla：“是的，今天它最快。”

用户：“为什么不走 280？”

Tesla：“那样会慢 7 分钟，大约 2:37 到达。”

用户：“我更喜欢 280。如果只慢几分钟，请以后也都走 280。”

Tesla：“好的，今天和今后都会选择 280。”

 3 （进入封闭社区）

用户：“请走右侧车道，那是住户通道。”

Tesla：“好的。是否以后都走右侧车道？”

用户：“是的。”

Tesla：“只在你坐车时，还是这辆车任何时候都这样？”

用户：“这辆车都这样。”

Tesla：“明白，已记录。”

偏好的记录，是整个交互体验的核心。从本质上讲，偏好就是持续对话中可行动的那一层信息。

一个成熟的推理系统应能完整保留这些交互的上下文，并将其与用户的 Tesla 账号关联，以便偏好能在不同车辆间持续生效。

在了解了推理的输入之后，我们再来看整个推理系统的结构。推理架构（见图 3）由两个逻辑上独立但高度集成的 AI 子系统组成：行动 AI （Action AI），交互 AI （Interactivity AI）。

行动 AI：Action AI 负责所有驾驶操作。它相当于自动驾驶控制系统的“决策大脑”，接收传感器输入、路线信息，以及来自前几轮推理周期的时间序列推理 token，从而规划下一步动作。其输出是行动 token——即转向、加速和制动指令。

Action AI 的运行频率为 36Hz，也就是说它每秒评估并更新驾驶决策 36 次，全程没有人工介入。

交互 AI：Interactivity AI 则是让“人”重新进入循环的那一层。它的主要输入是语音——乘客的口头命令或提问。它还能访问所有与车辆或主要用户绑定的偏好数据。

从功能上讲，Interactivity AI 是一个大语言模型（LLM），能够处理自然语言输入：它将语音转为文本进行理解，再生成回复文本并通过语音合成说出答案。

这个 AI 模块能完全访问推理 token 和车辆控制栈的上下文信息，与 Action AI 协同工作，通过语言互动来影响车辆的行动规划。

它是不是 xAI 的 Grok？很可能是 Grok 的一个变体——一种专为车载交互调优的模型。虽然官方已经披露 [3]，FSD v14 内部集成了自然语言模型，但那个模型的能力还十分有限——它只能处理驾驶域内的语义，无法理解或回答一般性知识。

例如：当行驶路线经过一处自然景观或历史地标时，你无法向系统询问“这是什么地方”。

要实现真正的全交互系统，还需要互联网接入，以便实时回答类似“我到旧金山时会下雨吗？”之类的问题。

Action AI 与 Interactivity AI 共同构建了车辆的推理体系：一个将自动驾驶控制与人机对话融合的智能架构。

基于这一架构，我们可以进一步探讨推理在系统中的实际展开方式——即感知、规划与交互如何在真实驾驶场景中交织运行。

许多更高层次的驾驶行为都依赖于时间上下文（temporal context）与显式状态模型（explicit model of state）。

时间上下文来自最近的传感器历史、过往交互记录以及持久化的用户偏好。这些信号帮助系统把事件理解为一个多步骤的过程，而不是一帧帧孤立的瞬间。

与此同时，系统还需维持一个内部状态（internal state）——也就是一份结构化、可演化的“进程图”，标记车辆当前处于哪一阶段:

例如，“接近大门 → 等待开门 → 进入车库”，或“在得来速通道中：下单 → 付款 → 取餐”。

将推理建模为一个主动状态机（active state machine），让系统能协调多阶段行为、检测异常状态转移，并在需要时将控制权交给专门的“专家模块”，以便不同子任务能调用不同的策略或计算方式。

 1：回家停车

车主平时喜欢倒车入库，方便充电。但这一偏好带有多个条件：•若另一辆车正在充电，则改为正向驶入；•若车库门关闭且无法自动打开，则停在车道上；•若车道被占用，则停在街边，但若当天是星期五（街道清洁日），则不能；•若是星期五且车道被占，则停在邻居家车道。

此场景展示了车辆如何在推理系统中结合用户偏好与动态状态管理（例如检测车库门是否打开）。

 2：商场停车

车主希望被**放在商场正门（入口 1）**下车，然后车辆自动去停车。具体规则如下：•天气晴朗时，优先使用免费室外停车场；•若天气恶劣，则改停付费室内车库；•若可选，优先选择角落车位；•晚上到达时，则改为在靠近餐饮区的入口 2下客。

这一例子说明，车辆如何在环境与时间上下文之间动态权衡，灵活调整停车策略。

 3：机场接客（旧金山）

打车用户偏好在出发层（Departures）上车，除非目的地是国际航站楼；若出发层拥堵，则接受**到达层（Arrivals）**接客。用户还偏好380/280 南向路线，但若此路线比 101 南向多出超过 15 分钟，则改走 101。

这说明车辆必须在用户偏好与实时路况、机场交通条件之间不断平衡，动态调整接客位置与路线。

 4：乘坐舒适度

车主希望车辆默认使用**“Mad Max” 模式**（激进驾驶），但当妻子或孩子在车内时应自动切换为**“标准模式”。他希望车辆在 280 北向高速上永不超过 79 英里/小时**；在自己独乘时，车辆应保持最小跟车距离，但有乘客时应拉大安全距离。此外，他希望车辆尽量避开行人密集路口，即便因此增加行程时间。

这一场景展示了系统如何结合乘员识别、偏好和安全约束，根据当下语境调整驾驶行为。

综合来看，这些示例说明 Tesla 的推理系统如何整合时间上下文、内部状态与用户偏好，以应对复杂的现实场景。

车辆不再只是执行孤立命令，而是能够理解持续的情境、权衡多重条件规则，在满足安全与性能约束的同时，选择最契合乘客意图的行为。

当用户的期望、要求与偏好被正确记录并始终被尊重时，整个体验会让人感觉车辆**“在思考”——仿佛具备感知力，能在人类式的语境中预判并适应**。

通过将推理建模为状态机 + 时间记忆 + 专家模块的组合，系统可以在家庭车库、机场或城市街道等多样场景下动态应变，同时保持可预测性与个性化体验。

实际上，Optimus 与车辆自动驾驶的关系比想象中更紧密：它同样是基于视觉的 AI 系统，以摄像头为主要传感器，生成 action token —— 驱动机器人执行动作的控制指令。

Tesla 的长期目标是统一 FSD 与 Optimus 的 AI 架构。正如我在本系列上一篇中所提到的：两者将在未来共享感知、推理与控制的通用智能底座。正如 FSD 一样，Optimus 也是一台“推理机器”。

推理能力是核心能力——在动态、无结构的现实环境中执行动作，离不开这一基础。

下图（图 4）展示了 Optimus 如何被整合进 Tesla 的具身智能（Embodied AI）统一推理架构中。

与 FSD 相似，Optimus 拥有许多相同的输入模态，但新增了触觉感知，用于触摸反馈。它的输出则复杂得多——需要协调控制手臂、手掌、双腿、脚、躯干和头部等多个部位的动作 token。

复杂的、多步骤的推理对 Optimus 至关重要。与 FSD 一样，它必须在时间维度上连续串联多个动作以达成目标，但它的执行链条远比车辆驾驶复杂。

举个例子：当你让 Optimus “做一顿饭”时，它的推理核心必须具备足够的智能，去识别食材、从冰箱或储藏室取出原料、选择合适的炊具，并一步步按照食谱完成烹饪。Optimus 的很多技术成果将反哺于 FSD 的推理模型。

在 Tesla，负责这两个产品的 AI 团队其实是同一个团队。

Tesla 从基于规则的自动驾驶走向基于推理的智能体，这标志着人工智能认知体系的一次结构性转折。

过去那种从“感知 → 控制”的流水线式结构，如今正在演化为一种具有时间记忆、上下文状态与人机交互能力的推理框架——这正是“认知”的基本形态。

FSD 版本 14 展示了这种转变的雏形。它不再只是被动地感知和反应，而开始理解与预测。其分层架构——由 Action AI（行动 AI） 与 Interactivity AI（交互 AI） 组成，形成了一个持续循环的推理闭环：让人类意图与自动执行真正连为一体。

每一次新版本的迭代，都在推动系统向更高的可解释性、透明度与自适应性迈进——让车辆一步步接近一个“近乎有感知的智能体”，正如 Elon Musk 所形容的那样。

Optimus 则将同样的架构，延展进“人形”世界。通过复用支撑 FSD 的数据体系、仿真体系与推理体系，Tesla 正在构建一个统一的具身智能框架：一个能通过共同抽象去学习、推理与行动的系统。

无论是在柏油路上驾驶，还是用双腿保持平衡——两者其实都在表达同一个推理核心，只是具象形态不同。

这种车辆与人形的融合，不仅是工程上的里程碑，更是“具身推理”概念的诞生——机器开始具备在物理世界中感知、决策与行动一致化的能力。

当这些系统不断学习人类目标、理解语境差异、并能跨领域泛化行为时，Tesla 的 AI 已经开始展现出早期的“感知现象”——并非真正的意识，但却拥有一种连贯的、似乎“懂你”的智能表现。

从这个意义上说，FSD 14.x 版本并非终点，而是拐点——在这一刻，自动驾驶开始显得“有生命”，仿佛正学会思考。