关于特斯拉

摘要（简明版） 作者NT_CLANNAD 在澳大利亚实际体验了特斯拉 FSD v14.3.3（接近美国“满血”版本），总体失望：虽反应快些，但存在严重基础性问题，尤其是缺乏高精地图和纯视觉方案带来的局限。他对特斯拉未来自动驾驶和公司财务也持谨慎/负面看法。 要点详述 - 测试背景：澳洲推送的 v14.3.3 与美国同代、核心升级（强化学习、视觉编码器）相近，作者认为可代表“满血”核心模型的体验。 - 主要缺陷（作者列举的4类典型问题）： 1. 越中线/逆行风险：遇对向来车仍会冲过中线，城市/近郊也会发生（以前在大洋路更频繁）。 2. 经常走错路/下错匝道：如从悉尼海港大桥往 Chatswood、M4 隧道段容易下错出口，作者归因于没有高精地图 + 识别/理解路牌能力差。 3. 决策不确定性：在多车道或复杂路口会左右摇摆、迟迟不能确定要走哪条车道。 4. 识别关闭车道/路牌能力差：曾开入标明关闭的检修车道，若不人工接管可能导致碰撞；限速牌识别也有问题，依赖地图中可能过时的限速数据。 - 结论与技术观点： - 缺乏高精地图可能比没有激光雷达更致命；纯视觉用概率推断，泛化与临场自适应不足，无法像人类那样即时“学习/调整”。 - 作者倾向于视觉+激光雷达融合：激光雷达提供物理测量降低概率误判，视觉提供丰富语义信息，两者互补更理想。 - 关于公司财务与股权激励： - 指出美国大厂（特斯拉、谷歌）大量股权激励会显著压低自由现金流（举例：特斯拉扣除股权激励后 FCF 为 -22.4 亿美元；谷歌若计入股权激励，实际现金流更差），担心资本开支持续走高。 - 立场总结：作为车主，作者对特斯拉车辆与其机器人/robotaxi愿景不看好。 评论区主要观点与反应（概括） - 认同/补充者：不少用户赞同测试结论，认同缺乏高精地图与纯视觉泛化问题；有人补充国内媒体对 FSD 的吹捧不客观。 - 反驳/分歧者： - 有人认为纯视觉能实现良好泛化，关键看模型训练与泛化能力（无需依赖高精地图）。 - 也有人认为澳洲用户少、数据有限可能影响适配效果。 - 技术讨论：关于在线/即时学习能力的缺失、模型权重不易即时改的局限、以及激光雷达与视觉各自优劣的讨论较多；有人强调高精地图的重要性，也有人强调纯视觉的可解释性和迭代速度。 - 其它体验分享：多位用户分享不同品牌/地区自动驾驶体验（包括问界、Waymo、美国 FSD）的优缺点；有人提到逆光导致脱管、注意力检测/催醒机制令人不适。 - 舆论氛围：评论混合，有支持者、质疑者和调侃段子，讨论延展到自动驾驶商业化时间表和媒体吹捧等话题。 一句话总结 实测表明即便是“满血”FSD，在非美国场景下仍存在严重的语义理解与安全风险（如逆行、走错匝道、识别路牌/关闭车道失败等），作者认为缺高精地图与纯视觉泛化/即时学习能力不足是主要短板，短期内难以令人信任地实现完全自动驾驶。