特斯拉车首次自己交付自己，是由哪些技术支撑的？-电子发烧友网

[首发于智驾最前沿微信公众号]2025年6月28日，第一辆完全自动驾驶的特斯拉Model Y自己从工厂开到客户家完成交付，比原计划提前了一天！整个过程包括高速公路行驶在内的跨城镇运输，全程实现无人驾驶（没有远程安全员）！

“车内完全没有人，且在任何时候都没有远程操作员进行控制。”从某种意义上说，特斯拉的完全自动驾驶（FSD）和机器人出租车项目也能够做到这一点，只是特斯拉没有信心它们能够长时间足够可靠地运行，从而无需人工监管。而这一次model Y的自主交付，穿越整个城市，最高时速达到116 km/h，总路程约 24 公里（30 minutes，可见全程还是低速为主），成功抵达车主家中，整个过程无需任何人类干预。这一事件标志着自动驾驶技术的重大突破。

HW5.0硬件平台：构建自动驾驶的感知与运算基石

特斯拉此次无人驾驶交付的成功，离不开其最新的HW5.0 硬件平台的强力支撑。该平台在传感器配置和计算能力上都实现了跨越式升级。

在传感器方面，特斯拉构建了一套精密且全面的感知系统。12颗高清摄像头覆盖车辆 360 度视角，探测距离可达 250 米，能够精准捕捉道路上的各种细节，包括远处的交通标志、周围车辆的行驶状态以及行人的动作。为应对复杂天气状况，这些摄像头采用了三星定制的 “耐候镜头”，内置加热元件可以在一分钟内快速融化冰雪，疏水涂层则能有效提升在雨天或雾天的透光率，确保摄像头始终保持清晰的视野。此外，4 颗 4D 毫米波雷达和超声波传感器与摄像头相互配合，形成了多传感器融合的感知矩阵。毫米波雷达不受光线和天气影响，能够实时探测车辆周围物体的距离、速度和角度，超声波传感器则在近距离感知和泊车场景中发挥重要作用。

计算能力上，HW5.0平台配备了 Dojo 超级计算机，其算力达到了1.1 EFLOPS，是前代产品的 5 倍之多。如此强大的算力，使得系统能够每秒处理 250 亿像素的数据，为复杂的神经网络运算提供了坚实保障。无论是 4D 环境建模，还是实时路径规划，都能快速且准确地完成，确保车辆在行驶过程中做出及时、合理的决策。同时，平台采用的冗余设计也极大提升了系统的可靠性，双独立计算单元具备 0.3 毫秒自动切换能力，即使其中一个单元出现故障，另一个单元也能迅速接管，保证车辆行驶的安全性和稳定性。

EFLOPS是浮点算力单位，适用于需要高精度计算的场景（如科学模拟、AI训练）。

TOPS是操作次数单位，侧重低精度整数运算，常见于边缘设备（如自动驾驶芯片、手机NPU）。

如果硬要换算一下，1 EFLOPS = 10^6 TOPS，但实际转换需考虑精度差异：若硬件支持混合精度（如FP16+INT8），这个换算仅是理论峰值，而且实际效率还受内存带宽限制。

场景	典型硬件	适用单位	原因
超级计算机	特斯拉Dojo、Frontier	EFLOPS	需要双精度（FP64）浮点运算进行复杂科学计算或大规模AI训练
AI推理芯片	英伟达Orin、华为昇腾	TOPS	推理任务通常使用INT8/INT4量化模型，TOPS更能反映实际吞吐量

还需要说明的是Dojo是一个计算系统架构，也被称为超级计算机架构，可以组合扩展的（所谓scalable），它的核心芯片是D1。在特斯拉引领的自动驾驶技术变革浪潮中，Dojo 扮演着举足轻重的角色，它不仅是特斯拉 AI 战略的核心驱动力，更是其在硬件层面实现突破的关键标志。但严格来说，Dojo 一个集计算、网络、输入 / 输出（I/O）芯片，指令集架构（ISA）、电源传输、封装和冷却于一体的超级计算架构。它专为大规模运行定制的机器学习训练算法而设计，致力于为特斯拉的自动驾驶技术以及其他 AI 应用提供前所未有的强大算力支持。

图 Dojo的堆叠式组合架构，可以组合扩展

Dojo架构的核心组件之一是 D1 芯片。这颗由特斯拉自主研发、基于台积电 7 纳米工艺打造的芯片，集成了多达 500 亿个晶体管。每颗 D1 芯片内包含 354 个定制的 64 位 RISC-V 内核，每个内核配备 1.25MB 的 SRAM，用于存储数据和指令，这使得 D1 芯片在处理 AI 相关运算时具备高效的数据读取与存储能力。从性能参数上看，在 400W 的 TDP（热设计功耗）下，单个 D1 芯片能够实现 22.6 TFLOPS 的 FP32（单精度浮点运算）性能。

图 D1芯片，Dojo的基本tile（瓦片）

为了进一步提升算力，特斯拉采用独特的设计方式，将25 颗 D1 芯片以 5×5 的集群形式进行组织，运用台积电的晶圆上系统技术（InFO_SoW）进行封装。这种封装技术实现了芯片间极低的延迟和极高的带宽，使得大量的计算得以高效集成。由 25 颗 D1 芯片组成的一个训练模组，在 15 千瓦的液冷封装下，能够达到 556TFLOPS 的 FP32 性能，且每个模组配备 11GB 的 SRAM，并通过 9TB/s 的结构连接。

Dojo超级计算架构通过将多个这样的训练模组进一步组合，构建出更庞大的计算集群。例如，120 个训练模组组成一组 ExaPOD 计算集群，其中共计包含 3000 颗 D1 芯片，展现出惊人的算力规模。在实际应用中，这种强大的算力让 Dojo 能够对海量的视频数据进行高效处理，如每天处理 23.2 万帧视频，助力特斯拉不断优化神经网络模型，提升交通灯识别、自动泊车等功能的准确性和稳定性。

而作为Dojo元件的D1芯片本身也表现不俗。

图 D1芯片和主流自动驾驶芯片的性能对比，光是功率都达到400w，是Orin的数倍

软件架构：从代码（规则）到神经网络的智能化跨越

特斯拉的FSD V12 软件架构代表了自动驾驶技术的一次革命性突破。传统的自动驾驶系统依赖大量的 C++ 代码来实现各种功能，但 FSD V12 大胆采用了端到端的神经网络技术，直接将视觉输入映射为车辆的控制输出，模拟人类驾驶员的决策过程。

端到端学习模式摒弃了过去繁琐的代码逻辑，通过对海量驾驶数据的学习，神经网络能够自动识别道路场景中的关键信息，并做出相应的驾驶决策。例如，在面对前方100 米处可能出现行人横穿马路的情况时，系统能够根据历史数据和当前场景特征，预测行人的行动概率，并提前调整车速，以确保行车安全。这种学习方式不仅提高了系统的适应性，还能更好地应对各种复杂的、非标准的道路场景。

HydraNet + Transformer架构是 FSD V12 的另一大核心技术。HydraNet 多任务学习网络实现了不同任务之间的特征共享，比如在进行物体检测和车道识别时，能够避免重复计算，提高运算效率。而 Transformer 的注意力机制则为系统赋予了强大的环境理解能力，它构建的 4D 向量空间（3D 空间 + 时间）可以有效处理遮挡和动态障碍物。当车辆行驶在交通繁忙的路段，面对前方车辆遮挡视线的情况时，系统能够通过对周围环境的历史数据和当前状态进行分析，预测被遮挡区域可能出现的障碍物，并提前规划避让路线。

占用网络（Occupancy Network）一直用于增强系统对复杂环境的感知能力。该网络将车辆周围环境划分为体素，能够识别各种不规则障碍物，如侧翻的车辆、掉落的货物等，并预测它们的运动趋势。这使得特斯拉的自动驾驶系统在面对未标记道路、施工区域等特殊场景时，也能从容应对，大大提升了行驶的安全性和可靠性。

图 Tesla FSD V12架构图，“99%都是神经网络”

数据与训练：海量数据驱动的智能进化

数据是自动驾驶技术发展的核心驱动力，特斯拉在这方面拥有巨大的优势。其全球车队积累了超过120 亿英里的真实驾驶数据，这些数据涵盖了各种道路条件、天气状况和驾驶场景，为算法的训练提供了丰富的素材。同时，特斯拉还通过仿真平台生成大量的合成数据，模拟现实中难以遇到的极端场景，如突发的自然灾害、罕见的交通事故现场等，进一步扩充训练数据的多样性，帮助系统更好地应对各种边缘情况。

Dojo超级计算机在数据处理和模型训练中发挥着关键作用。凭借 88.5 EFLOPS 的总算力（单个Dojo训练模块（含3000颗D1芯片）算力为1.1 EFLOPS（每秒1.1×10^18次浮点运算），Dojo超级计算机是多个训练模块组成，可以参见
https://www.slashgear.com/1516714/what-to-know-about-tesla-dojo-supercomputer/），Dojo 能够对海量的视频数据进行高效处理。例如，它可以每天处理 23.2 万帧视频，通过对这些视频的分析和学习，不断优化神经网络模型，提升交通灯识别、自动泊车等功能的准确性和稳定性。

影子模式（Shadow Mode）是特斯拉持续优化自动驾驶系统的重要手段。在实际道路行驶中，该模式会持续对比自动驾驶系统的决策与人类驾驶员的操作，收集两者之间的差异数据。这些数据被反馈到训练模型中，用于进一步改进算法，降低系统在实际应用中的干预率。目前，特斯拉的城市道路自动驾驶干预率已降至每千公里1.2 次，这一成绩充分体现了数据驱动的优化策略的有效性。

极端环境适应：应对复杂场景的技术底气

自动驾驶技术在实际应用中面临着各种复杂的环境挑战，特斯拉通过硬件和软件的协同优化，提升了系统在极端环境下的适应能力。

在天气应对方面，硬件上的耐候设计和软件算法的优化缺一不可。耐候镜头和加热元件解决了冰雪天气下摄像头视野模糊的问题，而HDR 成像和去雾算法则在软件层面增强了系统在低能见度条件下的感知能力。在暴雨测试中，FSD V12 的避障准确率较前代版本提升了 30%，这得益于算法对雨水干扰的有效过滤和对道路信息的精准提取。

光照条件同样会影响自动驾驶系统的性能。特斯拉采用的自适应曝光调节和偏振滤镜技术，能够有效减少强光眩光的干扰，使交通灯识别准确率提升40%。无论是在阳光强烈的正午，还是在光线昏暗的傍晚，系统都能清晰地识别道路标志和交通信号，确保车辆安全行驶。

对于复杂地形，特斯拉也进行了针对性的算法优化。在旧金山等拥有大量陡坡和急转弯的城市，FSD V12针对这类特殊地形进行了专门的训练和参数调整，使其在处理陡坡起步、急转弯等场景时更加得心应手，急转弯成功率较 V11 版本提升了 37%。

冗余：保证AI安全的基本技术

安全始终是自动驾驶技术的重心，特斯拉通过多重安全与冗余设计，为无人驾驶交付提供了可靠的保障。

硬件层面，双计算单元、三冗余传感器融合以及独立电源构成了坚固的安全屏障。即使其中一个计算单元出现故障，另一个单元也能无缝接管，确保系统的正常运行；三冗余传感器融合（摄像头+ 雷达 + 惯性测量单元）则保证了在某个传感器失效的情况下，其他传感器仍能提供准确的环境感知信息。在软件方面，传统控制算法与神经网络相互交叉验证决策，当神经网络出现异常时，传统算法可以及时介入，避免事故发生。在紧急制动场景下，系统能够实现 0.8g 的减速度，并且避障成功率高达 95%。

此外，特斯拉还建立了实时监控机制，AI系统持续监测传感器和计算单元的运行状态，一旦检测到异常，能够在 50 微秒内触发警报或使系统进入安全模式，最大限度地保障车辆和乘客的安全。