IT之家 11 月 27 日消息，多年來，針對特斯拉 FSD 技術路徑的一個核心批評在于：其缺乏“常識性推理能力”。FSD 在駕駛的基本操作層面，如車道保持、制動與轉向，表現出色；尤其是 FSD v13 與 v14 版本取得了顯著進步，但在應對復雜場景所需的高階推理任務上仍顯力不從心。

例如：當一名施工人員手持“慢行”（Slow）標識牌時，車輛能夠及時停車；但它能否進一步理解：該工人此時正背對車流、與旁人交談，并一邊揮手示意車輛通行？又或者，它能否意識到：盡管右側車道當下車流更快，但由于前方即將出現車道封閉，此刻駛入該車道實屬不當選擇？

上述正是 FSD 當前在真實世界中仍難以妥善處理的典型場景。為此，特斯拉已開始積極招聘一名人工智能工程師，專門攻關這一問題。該新職位名為“人工智能工程師 —— 強化學習與知識蒸餾”（AI Engineer, Reinforcement Learning and Distillation），其核心職責即是研發更智能、更緊湊的模型架構。

直覺 vs 推理

為理解此項工作的戰略意義，我們可回顧特斯拉前人工智能主管 Andrej Karpathy 曾提出的“系統 1”（快速、直覺型）與“系統 2”（緩慢、推理型）雙系統認知框架（見下方視頻）。這一理論原用于描述人類思維機制。簡言之，特斯拉正試圖將該框架遷移至其 AI 模型的設計之中。

其中，“系統 1”思維快速、憑直覺、情緒化，適用于駕駛熟悉路線等常規任務；而“系統 2”思維則更為審慎、邏輯嚴密，常見于應對施工區繞行或復雜高速公路匝道轉換等需深度判斷的場景。

當前端到端架構下的 FSD，本質上是一個高度精準的“系統 1”：它能以極快反應速度將像素輸入直接映射為控制輸出，卻始終缺失一個專用的“系統 2”，即一個可于行動前對問題展開獨立推理的并行認知模塊。

事實上，特斯拉此次招聘啟事亦坦承了這一局限：“此類模型在真實物理世界的推理任務中仍顯不足，甚至常難以準確區分左右方向。”

知識蒸餾：推理能力落地的關鍵

據IT之家了解，職位名稱后半部分的“蒸餾”（Distillation），正是使“系統 2”推理能力得以在量產車輛上部署的核心技術路徑。原因在于：高階推理模型體量龐大，其計算開銷與推理時延遠超行駛中車輛所能承受的極限，用戶不可能容忍汽車為決定“該走還是該停”而思考長達 10 秒。

解決方案即“知識蒸餾”：特斯拉計劃在其數據中心內訓練巨型“系統 2”推理模型，使其扮演“教師”角色，針對數百萬復雜駕駛邊緣案例生成高度精準的推理結果。隨后，這些“教師”輸出的優質決策可被用于訓練體積更小、推理更迅捷的“學生”模型，使其能與 FSD 并行運行于車載本地推理芯片（如 HW3）之上。

最終成果，將是一臺兼具“推理天才”般判斷力與“像素 → 控制”毫秒級響應能力的智能汽車。

值得注意的是，知識蒸餾不僅是一種性能優化手段，對于搭載 HW3 硬件的用戶而言，它更是進入 FSD v14 時代的唯一技術橋梁。

HW3 的出路何在？

從宏觀視角看，知識蒸餾正是特斯拉構建 FSD v12.6.4 的技術路徑：該版本實為 FSD v13.2.9 的“蒸餾簡化版”。一旦物理推理能力取得突破，這批工程師或將轉向開發此前在 2025 年第三季度財報電話會上提及的“FSD v14-Lite”簡化版本。

推理能力：從監督邁向無監督的關鍵躍遷

此次人才招募信號清晰表明：特斯拉正超越“堆數據訓練”的既有范式，轉向重塑車輛的前瞻思考機制，即從單純的“行為模仿”，邁向對周遭物理世界建立真正意義上的理解。

對于當前導致 FSD 頻繁猶豫、觸發“紅色雙手”警示的各類邊緣案例，該推理層極有可能成為其從“監督學習”邁向“無監督自主決策”的最后一座橋梁。

值得期待的是：盡管特斯拉尚未實質性涉足推理領域，但該方向有望帶來比 v13 至 v14 版本間那些細粒度迭代更為顯著、更易被用戶感知的技術躍升。