特斯拉 FSD正式版V12即將問世，FSD與Optimus底層模塊打通，感知+決策+控制三個維度有望助力人形機器人商業化加速

人形機器人標的梳理

紅色標的爲進入特斯拉供應鏈概率較高品種

（一）FSD的V12正式版即將問世，或將加快進入中國市場，海量數據 (20.30, 0.48, 2.42%)加速FSD迭代演進。

FSD正式版有望發布：2021年，FSD測試有2000客戶參加。2022年年底特斯拉FSD已向所有北美用戶开放。2022年擴展到了16萬客戶。特斯拉目前積累了480萬段數據，訓練了7.5萬個神經網絡，並在此基礎上推出了35個FSD的版本更新。2023年6月底，馬斯克在社媒表示FSD的V12版本將不再是測試版"Version 12 won't be Beta"。特斯拉FSD有望展現出更加完善的產品形態，向更廣泛的用戶群體开放。

FSD有望入華：隨着6月馬斯克訪華，不斷有消息傳出，特斯拉FSD完全版將加快進入中國。一方面，上海市經信委官方早前表示，將進一步深化和特斯拉的合作，推動自動駕駛、機器人等功能板塊在滬布局。隨後馬斯克訪華期間會見了商務部、工信部等多部門主管，就智能網聯汽車發展交換了意見。百度 (148.260, -1.670, -1.11%)智能汽車事業部總經理儲瑞松認爲，特斯拉 FSD 可能會在2024年入華，之後需要1～1.5年的時間去磨合中國道路場景。（資料來源：蓋世汽車）

FSD滲透率：根據特斯拉披露，2020-2022年年底，北美用戶數量分別爲16、28.5、40萬人，若除以特斯拉在北美的累計交付量，則可以計算出2020-2022年存量市場上特斯拉FSD的滲透率分別爲26%、30%、26%。（資料來源：Troy Teslike，特斯拉股東大會）

FSD付費情況：北美市場FSD幾經漲價，2019年最初價格爲5000美元，2022年初提升至12000美元，22年9月5日再次上漲至15000美元。

表：特斯拉FSD迭代發展史（資料來源：Autopilotreview）

圖：馬斯克推特表示V12將不再是測試版

（二）硬件+算法+算力全面推進，FSD持續迭代進化

1）硬件端：HW1.0 逐漸迭代至HW4.0，攝像頭接口豐富至12個

HW1.0–基於Mobileye芯片的第一代駕駛輔助硬件，HW1.0階段特斯拉的主要工作是多傳感器融合+應用層軟件开發。

HW2.0–特斯拉設計的第二代駕駛輔助硬件，這個階段特斯拉掌握圖像識別算法+多傳感器融合+應用層軟件开發。

HW2.5–這是對HW2.0的一個小版本更新，主要用於冗余和略微提高的可靠性。此版本還新增兩個功能：行車記錄儀和帶有本地保存視頻的哨兵模式。還有一個變化點是毫米波雷達的供應商從博世變成大陸，大陸的毫米波雷達也不遜色於博世。早期的model 3和modelY駕駛輔助ECU硬件類似於HW2.5，但使用的是汽車冷卻液回路中的水冷而不是散熱風扇。

HW3.0–特斯拉駕駛輔助硬件的重大革新，首次採用自研的自動駕駛芯片，拋棄英飛凌/英偉達 (446.800, 1.650, 0.37%)的產品，自研高度集成的SoC+MCU芯片，具備全套芯片設計+圖像識別算法+多傳感器融合+應用層軟件开發。

HW4.0–芯片依然基於三星的 Exynos 架構，但是CPU 核心從之前的12個增加到20個，最高頻率爲2.35GHz，神經網絡加速器由雙核升級爲三核，最大頻率從HW3.0的2 GHz提升到2.2 GHz，預估算力爲300-500 TOPS。並且HW4.0配有12個攝像頭接口，其中7個用於AutoPilot（自動駕駛系統），且配備了特斯拉定制的Phoenix 4D毫米波雷達和雷達加熱器。

表：特斯拉硬件迭代配置（資料來源：焉知汽車）

2）算法端：BEV+Transformer，自動駕駛進入大模型時代，引入佔用網絡算法持續升級

2016-2018：特斯拉延用了業內常規的骨幹網結構；使用 2D 檢測器進行特徵提取；以人工對數據進行標注。整體來看，這一套自動駕駛算法還比較原始，相對傳統。在這一時期，特斯拉自動駕駛算法仍處於技術追趕階段。

2018-2019：在這次算法革新中，特斯拉構建了多任務學習神經網絡架構 HydraNet，並使用了特徵提取網絡 BiFPN。相較於此前算法，HydraNet 能夠減少重復的卷積計算，減少主幹網絡計算數量，還能夠將特定任務從主幹中解耦出來，進行單獨微調。

2020：BEV+Transformer，自動駕駛進入大模型時代。在這一方式中，特斯拉先在 BEV 空間層中初始化特徵，再通過多層的 Transformer 和 2D 圖像特徵進行交互融合，最終得到 BEV 特徵，也就是先 3D 再 2D，反向开發，實現 BEV的轉換。Transformer是一種基於注意力機制（Attention）的神經網絡模型。Transformer 的引入，使得BEV 視角在自動駕駛領域得以實現。而 3D 空間的引入，使得自動駕駛的思維方式，更接近於真實世界。

2021-2022：特斯拉感知網絡架構引入了時空序列特徵層，特斯拉對 BEV 進行了升級——引入佔用網絡。這使得特斯拉自動駕駛算法的泛化能力得到了提升。而借助於算法提升，特斯拉 FSD 更能刻畫真實的物理世界，進而才有可能實現端到端模型。

圖：特斯拉自動駕駛算法迭代歷程（資料來源：汽車之心）

3）算力端：Dojo超級計算機已投入生產，預計24年有望成爲全球最先進5台計算機之一

Dojo的產品進展時間线：2020年，馬斯克決定幹脆自主設計一個芯片，自行开發超算；2023年7月特斯拉的 Dojo 正式投產，隨後，特斯拉的算力將進入快速增長期。2024年2月特斯拉的算力規模將進入全球前五，2024年10月特斯拉的算力總規模將達到 100 Exa-Flops ，相當於30萬塊英偉達A100顯卡的算力總和。

圖：特斯拉Dojo超級計算機的算力規劃

性價比優於GPU：D1是一種面向AI的新型CPU，具有354內核，運行頻率爲2GHz。據設計師介紹，D1自研架構基於RISC-V架構ISA，從RISC-V借鑑了一些指令，專門針對運行機器學習和神經網絡訓練進行了優化，採用7nm制程工藝，具備超過500億個晶體管，形成了354個核心，支持多種浮點格式，包括FP32、BFP16和一種新的格式CFP8或可配置的FP8，其32位浮點運算的最大性能是22.6T-FLOPs，對於16位浮點計算，D1的最大性能躍升至362T-FLOPs。D1每個核心都具有完整的帶矩陣計算能力，其計算靈活性是遠超衆核架構的GPU。D1芯片面積爲645平方毫米，小於英偉達的A100（826平方毫米）和AMDArcturus（750平方毫米）。據特斯拉芯片團隊稱，同成本下性能提升4倍，同能耗下性能提高1.3倍，佔用空間節省5倍。Dojo算力無上限。

架構改進：從特斯拉公布的產品進度线來看，Dojo這台超級計算機的算力不是一蹴而就，而是逐年累加，隨着時間线拉長，算力可能爆棚，這也是特斯拉Dojo的創新之處。這裏的算力源於超算，不是那種勉強拼湊起來的雲計算。原因在於Dojo採用了分布式架構，可以隨意地增加算力。這與我們熟悉的五百強超算系統不同，Dojo是一套完全可定制架構，全面涵蓋計算、網絡、輸入/輸出（I/O）芯片，乃至指令集架構（ISA）、供電、封裝和冷卻。據特斯拉介紹，用D1擴展算力的方式就好像自家地面鋪瓷磚一樣。特斯拉將25個D1芯片按5×5規格組成一個訓練模塊，這被稱爲tile（瓷磚），再將120個訓練模塊組成一個Dojo ExaPod。換言之，每個Dojo ExaPod內置3000個D1芯片，擁有超過100萬個核心，總算力達到1.1E-FLOPS（每秒百億億次浮點運算）。由於Dojo是大型分布式系統，從理論上來說，Dojo的性能拓展可以無限擴張，沒有上限。

圖：同樣跑經典圖像分類模型ResNet-50，Dojo可以實現比英偉達A100更高的幀率

圖：跑自動標注算法、預測汽車周圍所有物體空間佔用率的神經網絡模型Occupancy Netwo (10.320, 0.000, 0.00%)rks時，相比英偉達A100，Dojo能實現性能的倍增

（三）FSD與人形機器人底層模塊已經打通，實現算法復用，在機器人感知+決策+控制層面起到關鍵作用

5月17日的特斯拉股東日，馬斯克表示，特斯拉已經打通了FSD和機器人的底層模塊，實現了一定程度的算法復用。馬斯克同時預計，隨着人形機器人Tesla Bot的出現，FSD技術在通用人工智能（AGI）領域將產生巨大影響，特斯拉FSD將在兩年內迎來自己的‘ChatGPT時刻’。

FSD算法主要依賴於神經網絡和計算機視覺技術，對機器人的感知、決策和控制起到重要作用，自動駕駛與人形機器人業務有望產生強協同效應。

1）感知層面：FSD的核心是神經網絡模型：通過對實時傳感器（如相機、激光雷達等）獲取的數據進行處理和分析，並從中提取有關道路、車輛、行人和障礙物等信息，可以實現車輛的環境感知和物體識別。特斯拉的一個重要技術是Occupancy Network (佔據網絡)，用於對3D空間中一些長尾障礙物的檢測，來估測障礙物的位置大小，甚至可以估計物體的運動情況。FSD算法利用傳感器數據進行環境感知，這些傳感器也可以幫助機器人感知周圍環境，識別物體、人和障礙物等。

2）決策層面：FSD算法在處理傳感器數據時，具備對道路、車輛和行人等物體進行識別的能力，可以幫助機器人在執行任務時識別和定位物體。在自動駕駛中，FSD算法可以根據感知到的環境信息進行路徑規劃和決策。類似地，這種路徑規劃和決策的方法也可以應用於機器人，幫助機器人在復雜的環境中選擇最佳路徑和執行適當的決策。

3）控制層面：在去年Tesla AI Day上，特斯拉就公布了一種在线矢量地圖構建模型Lanes Network，可以得到車道线的拓撲結構，幫助自動駕駛汽車實現變道。在人形機器領域需要對FSD算法進行適應和改進，以滿足機器人特定的需求和任務。

圖：Occupancy Network 佔據網絡示意圖，FSD算法利用傳感器數據進行環境感知（資料來源：特斯拉AI Day）

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播信息之目的，不構成任何投資建議，如有侵權行為，請第一時間聯絡我們修改或刪除，多謝。

---

標題：人形機器人專題：特斯拉FSD V12即將問世，與Optimus底層打通

地址：https://www.breakthing.com/post/86464.html