文章核心观点 - 文章基于技术分析，论证特斯拉FSD V13版本由大量小型专用神经网络模型组成，而非单一大型端到端模型，其系统设计更偏向工程优化与模块化，而非纯粹的模型能力突破 [1][5][9] FSD V13模型架构分析 - 若认可技术分析师green的逆向工程发现为真，则FSD V13版本包含189个独立的神经网络模型 [1][5] - 模型分布在两个节点上：节点A包含189个神经网络，节点B包含110个神经网络，其中61个为两个节点所共享 [1][4] - 在HW4硬件平台的V13版本中，节点B的模型大小从V12.x版本的总计2.3GB大幅增至7.5GB，节点A大小则为2.3GB [1][2] - 作为对比，HW3硬件平台在V12.6版本中，节点A大小为1.2GB，节点B大小为3.1GB [1][2] - HW3与HW4平台在当前发布的版本中，有135个神经网络是共享的 [1][4] 模型专业化与模块化设计 - 系统包含针对特定场景的专用端到端网络组，例如“工厂内无人驾驶功能”拥有包含9个子网络的专用E2E网络组 [6] - 此外还存在针对高速公路、城市街道和接近目的地等场景的其他E2E模块，且这些模块大多有“常速”和“低速”两种形态 [6] - 部分网络被拆分成多个子网络，这些子网络有时独立运行，有时像流水线一样相互交互 [6][7] - 分析认为FSD的智能模式更接近人体器官，各模块高度专业化（如肺只负责呼吸），而非像LLM Agent那样具备通用推理和工具调用能力 [8] 硬件限制与工程实现 - HW3硬件平台的理论算力限制了模型规模，其68 GB/s的显存带宽若要实现36赫兹的处理频率，单帧处理时间须小于27.7毫秒，理论可容纳的模型最大上限约为1.88GB [9] - 实际HW3的模型大小（节点A 1.2GB，节点B 3.1GB）与硬件限制相匹配，印证了其由多个小模型组成的架构 [9] - 分析指出，特斯拉FSD的流畅体验并非完全源于算力与模型，很大程度上得益于公司重写了车控操作系统，显著降低了从控制到执行的延迟 [9] 信息源与技术背景 - 关键信息来源于技术分析师green，其通过逆向工程深入分析特斯拉固件与硬件，数出了独立的神经网络文件数量 [5][6] - green与特斯拉存在微妙关系，既通过漏洞赏金计划合作，其信息挖掘也可能打乱公司节奏，但其发现使V13包含189个模型成为几乎无可辩驳的事实 [6]