潜行狙击

特斯拉FSD新能力曝光：自动驾驶开始拥有“用户模型”，AI司机千人千面_我的网站

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。    　　周三（8月26日），地产板块全天冲高上扬，龙头地产表现突出。新城控股领涨超6%，滨江集团涨超4%，保利发展、上海临港等多股涨超2.5%。         现在，这种“记忆能力”开始进入物理世界。热门ETF方面，地产ETF华宝（159707）场内关注度持续提升。         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。         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。

B |          从“一个AI服务所有用户”，走向“每个人都有自己的AI”。　　消息面上，地产板块累积多重利好。

C | 公积金政策方面，近期公积金制度迎来近20年最大调整，持续刺激地产板块。         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。此外，上海出台“沪八条”楼市宽松政策，重点聚焦外环外新房去库存、改善型家庭置换、公积金账户盘活及中心城区二手房收储。　　中信证券认为，全国层面的供需结构改善还需时日，但核心城市有望在今年实现房屋价格的见底。随着现房销售的推进，基于周转的“内卷”式竞争有望被基于品质的良性竞争所替代，聚焦核心城市，重视产品品质的开发企业，以及维持品牌口碑，服务运营能力出众的轻资产管理企业有望取得竞争优势。*　　板块配置上，东方证券表示，短期把握三季度末和四季度末交易性行情的择时窗口；中期看2027年有望成为地产板块系统性β重估的起点，板块或成为年度交易主线，明年Q1末是重要的观测和择时窗口。长期看本轮周期底部的投资机会将更多体现在α而非β。         6月的一次，是关于停车习惯。         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。*　　估值端上，以央国企、优质房企为代表的龙头地产当前仍处估值低位。         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。截至8月26日，中证800地产指数最新PB估值仅为0.5倍，低于近10年超98%的时间区间，估值低位特征明显，修复空间或较大。

D | 　　布局央国企及优质房企，建议重点关注地产ETF华宝（159707）。

E |          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。         马斯克表示，未来车辆会记住用户具体的接管行为，并逐渐匹配每个人的驾驶偏好。         两次回复本质上是同一件事：          FSD开始从一次性的驾驶任务，走向长期理解驾驶员。

F |          过去，自动驾驶面对的是一个抽象用户。资料显示，地产ETF华宝（159707）跟踪中证800地产指数，汇集市场头部优质房企，央国企含量高！在行业出清大背景下，龙头地产或更具弹性！　　数据来源：沪深交易所、Wind、中证指数等。　　*机构观点参考资料来源：中信证券《两条政策主线，同一政策目标》；东方证券《公积金制度迎来近20年最大调整 “沪八条”小步快跑信号意义大于实际意义》　　ETF费用相关说明：投资者在申购或赎回基金份额时，申购赎回代理机构可按照不超过0.5%的标准收取佣金，场内交易费用以证券公司实际收取为准，不收取销售服务费。

G | 　　风险提示：地产ETF华宝被动跟踪中证800地产指数，该指数基日为2004.12.31，发布日期为2012.12.21，指数成份股构成根据该指数编制规则适时调整，其回测历史业绩不预示指数未来表现。

H |          无论谁坐进车里，背后的模型都是同一个。文中指数成份股仅作展示，个股描述不作为任何形式的投资建议，也不代表管理人旗下任何基金的持仓信息和交易动向。         它知道：这里是什么道路，前方有什么车辆，应该如何规划路线。         但它不知道：你喜欢提前变道，还是宁愿多等几秒；你喜欢跟车近一点，还是更关注舒适；你回家时习惯停在哪里。基金管理人评估的该基金风险等级为R3-中风险，适宜平衡型（C3）及以上投资者。任何在本文出现的信息（包括但不限于个股、评论、预测、图表、指标、理论、任何形式的表述等）均只作为参考，投资人须对任何自主决定的投资行为负责。         这些属于人的驾驶习惯，一直没有进入自动驾驶系统。         而现在，Tesla让这些信息成为AI决策的一部分。

I | 另，本文中的任何观点、分析及预测不构成对阅读者任何形式的投资建议，亦不对因使用本文内容所引发的直接或间接损失负任何责任。

J | 基金投资有风险，基金的过往业绩并不代表其未来表现，基金管理人管理的其他基金的业绩并不构成基金业绩表现的保证，基金投资需谨慎。责任编辑：杨红卜。

K |          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。         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”。

L |          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。         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”。

M |          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。

N |          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。         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。

o |          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。

p |          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。

q | 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。         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。

r | 而是通过Memory、User Profile等机制实现个性化。         不过，真正的难点也在这里：个性化不能突破安全边界。

s | 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”。         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。

t | 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。

u |          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。

v |          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。

w |          当然，对技术能力的要求更高了。         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。         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。

x |          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。

y |          但至少，一个趋势已经出现。

Current article:http://9talg.nenyaogecebenliexi.shop/h2hg29x/20260826/9077676.html

Published on:21:36:26