📝 本期播客简介
本期我们克隆了：特斯拉在ICCV 2025大会上的演讲
本期将深入探讨自动驾驶技术的现状与未来。首先，特斯拉AI团队的Ashok 将详细揭示特斯拉全自动驾驶（FSD）的最新进展和核心技术。他分享了特斯拉在奥斯汀推出的无人驾驶Robotaxi服务，以及车辆如何自主驶下生产线并交付给客户的惊人成就。Ashok深入阐述了特斯拉从传统模块化系统转向单一、大型端到端神经网络的战略转变，解释了为何这种方法能更好地处理人类价值观、避免信息损失并提供可预测的计算。通过车辆巧妙避开水坑、耐心等待鸡群过马路，甚至预判前方车辆失控而提前制动等生动案例，Ashok展示了端到端系统在复杂真实世界中的卓越表现。他还探讨了“维度诅咒”等挑战，以及特斯拉如何利用庞大车队数据、创新的高斯泼溅技术进行调试，并利用神经网络世界模拟器进行高效评估和对抗性测试。最后，他展望了这项技术向Cybercab和人形机器人Optimus的扩展。
紧随其后的是 Wave公司科学部门负责人Jamie。他从更宏观的视角审视了自动驾驶的现状与未来。Jamie指出，尽管现有技术取得进展，但其普及仍面临扩展缓慢且成本高昂的挑战。他强调了Wave致力于实现“无处不在的自动化”的愿景，即无论何种车辆、身处何地，都能享受自动驾驶的便利，并最终将这种能力扩展到各类机器人。Jamie还回顾了自动驾驶技术的发展历程，并结合现代AI的基石，如基础模型、自监督学习和多模态技术，提出了实现这一愿景的路径。两位嘉宾的分享共同描绘了自动驾驶技术从理论到实践、从单一车辆到通用机器人的广阔图景，为我们理解AI如何重塑未来出行和生活提供了深刻洞察。别错过这场关于智能机器人未来的深度探讨！
翻译克隆自：Tesla ICCV 2025 Foundational Model for FSD
👨‍⚕️ 本期嘉宾
Ashok，特斯拉AI团队成员。他代表特斯拉AI团队分享了FSD的最新进展和核心技术。
Jamie，Wave公司科学部门负责人。他领导Wave的研究团队，致力于解锁新的研究突破，并将自动驾驶技术扩展到各类机器人。
⏱️ 时间戳
00:00 开场 & 播客简介
特斯拉FSD的最新进展与核心技术
02:59 特斯拉FSD的里程碑：Robotaxi与无人交付
04:51 端到端神经网络：特斯拉FSD的战略转变
05:36 人类价值观与信息损失：端到端系统的优势
07:14 复杂场景应对：水坑、鸡群与鹅群的挑战
09:12 维度诅咒：如何处理海量上下文信息
11:04 数据引擎：从海量数据中提炼精华
12:26 预判能力：提前制动避免碰撞的案例
13:30 端到端系统调试：可解释性与高斯泼溅技术
17:02 评估挑战：从开环到闭环的演进
17:55 世界模拟器：利用神经网络进行高效评估
20:47 实时模拟与对抗性测试
21:30 FSD的未来：Cybercab与Optimus人形机器人
23:15 技术路线的泛化：从汽车到人形机器人
24:12 特斯拉的机器人愿景与招聘
自动驾驶的现状与未来：Wave的视角
29:22 Jamie的介绍：Wave公司与研究方向
32:23 自动驾驶的社会价值：解决交通拥堵与事故
33:04 普及挑战：Waymo与特斯拉的局限性
33:53 Wave的愿景：无处不在的自动化
34:17 自动驾驶历史回顾：从DARPA到现代AI基石
35:04 传统方法的局限性：扩展缓慢且昂贵
36:26 现代AI的基石：自监督学习、基础模型与多模态
🌟 精彩内容
💡 特斯拉FSD的端到端神经网络
Ashok详细介绍了特斯拉从传统模块化系统转向单一、大型端到端神经网络的战略转变。这种方法直接将像素输入转换为车辆动作，避免了信息损失，更好地处理了人类价值观，并提供了可预测的计算。
“我们切换到了一个单一、大型的端到端神经网络。这个网络可以直接输入像素和其他传感器数据，然后直接输出车辆的下一步动作。所以，现在就是这个模型在开车。”
🛠️ 复杂场景下的卓越表现
特斯拉FSD通过生动案例展示了其在复杂真实世界中的卓越表现，如巧妙避开水坑、耐心等待鸡群过马路，以及预判前方车辆失控而提前制动。这些案例凸显了端到端系统在理解意图和二阶效应方面的优势。
“就在这里，如果你注意到这辆车，它正在失控打转，即将撞上护栏，然后反弹回我们的车道。预判到这一点需要极高的智能。”
🚀 世界模拟器与高效评估
特斯拉利用庞大车队数据和创新的神经网络世界模拟器进行高效评估和对抗性测试。该模拟器能生成高度一致的八摄像头视频流，并允许注入对抗性事件，极大地加速了系统的验证和改进。
“所有八个摄像头的画面都是由一个神经网络同时生成的，并且它会把‘动作’作为输入，所以你可以操控这个网络。”
🤖 从FSD到通用机器人
Ashok展望了特斯拉自动驾驶技术向Cybercab和人形机器人Optimus的扩展。他强调，为自动驾驶开发的这套技术路线具有极强的扩展性，几乎可以无缝迁移到其他形态的机器人上，实现“智能、有用、大规模的机器人”愿景。
“我们为自动驾驶开发的这套技术，几乎可以无缝迁移到其他形态的机器人上。”
🌐 Wave的“无处不在的自动化”愿景
Jamie从宏观视角审视自动驾驶，指出其普及面临扩展缓慢且成本高昂的挑战。Wave致力于实现“无处不在的自动化”，即无论何种车辆、身处何地，都能享受自动驾驶的便利，并最终将这种能力扩展到各类机器人。
“无论你走到哪里，世界上任何一个城市，这项技术都应该能用。无论你开的是什么车，它都应该内置自动驾驶功能。”
🌐 播客信息补充
本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的
使用 AI 进行翻译，因此可能会有一些地方不通顺；
如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight