特斯拉FSD技术架构分析 - 特斯拉并非采用单一的“One Model”端到端模型，而是由近200个小场景神经网络模型组合而成 [4] - 根据对HW4固件的反向分析，其包含两套模型组合：节点A有189个神经网络，节点B有110个神经网络，其中61个为两者共享 [4] - 系统针对不同驾驶场景（如工厂、高速公路、城市街道）和不同速度（常规与低速）部署了独立的端到端模块 [5] - 模型采用分块化设计，各部分根据运行需求表现为独立运行或流水线式协作 [6] 硬件平台模型演进 - HW3与HW4平台共享的神经网络数量总计达到135个 [7] - HW3平台在v12.6版本中，节点A大小为1.2G，节点B大小为3.1G [8] - HW4平台在v13版本中，节点A大小增至2.3G，节点B大小大幅增至7.5G，新增模型尺寸远大于HW3 [8] 工程实现与性能考量 - 特斯拉FSD的流畅性并非完全依赖算力和模型，很大部分得益于其重写了车控操作系统，显著降低了从控制到执行的延时 [23] - 在HW3平台上，带宽仅为68GB/s，模型总尺寸约为HW4的一半，在此条件下运行一个庞大的单一模型无法达到现有速度 [15][16] - 在现有智驾芯片散热功耗通常限制在100瓦左右的条件下，一味增大模型参数量会带来显著的时延问题 [17][18] - 输入图像信息及上下文会产生1000多个Token，导致Profile阶段延迟；输出更精确的Action Token越多，延迟也会越大 [17] 行业技术对比与趋势 - 当前大模型领域正在引入类似的多模型协作思路，例如Agent模式，GPT-4o被认为可能通过路由机制将任务分配给不同模型处理 [9] - 马斯克的Grok模型也采用类似思路：Grok 4为标准单代理版本，Grok 4 Heavy为多代理版本 [10] - 但FSD的模型组合目前尚不能与LLM领域的Agent概念完全类比，因其一般场景下缺乏推理能力，更像是各司其职的模块化组合 [11] - 国内一些智驾方案（如地平线）很可能也非真正的“One Model”，主要是受特斯拉营销概念影响而跟随 [25] - 行业内普遍认为，国内多数“一段式端到端”方案是以一个主模型承担主要功能（约95%），并辅以小模型优化，并非严格意义上的端到端 [2]