特斯拉的 FSD v12 确实是一件大事。
昨晚@elonmusk直播了一段约 45 分钟的 Model S 视频，视频中一辆 Model S 使用特斯拉最新的自动驾驶软件 FSD v12 进行自动驾驶。
自2015年特斯拉Autopilot发布以来，自动驾驶是该公司一直在努力解决的问题。此后，特斯拉稳步改进代码以处理各种道路情况，在汽车周围添加了摄像头，并取消了传感器，同时多次重写代码来解决汽车无法处理的问题。
尽管特斯拉汽车可以在许多情况下自动驾驶，但自动驾驶汽车面临的最大挑战是驾驶员每天面临的数千（或数百万）种完全意想不到或难以解决的情况，例如其他驾驶员的非理性行为、恶劣天气、道路上的碎片、奇怪（或缺乏）的车道标记等。
到目前为止，特斯拉和其他公司必须花费大量时间运行模拟场景，以生成代码来教系统如何处理这些情况。该代码通常是由人编写的，需要考虑道路上发生的事情的每一个变化。即便如此，仍有数千（或数百万）种情况是模拟无法实现的，因为现实生活是如此复杂和复杂。
许多人尝试解决这个问题的方法是在自动驾驶汽车上过度安装大量不同的传感器，如激光雷达、雷达、超声波、摄像头和其他传感器，此外还可以生成自动驾驶区域的高清地图。汽车是用来开进去的。他们这样做是希望传感器和地图数据的结合能够帮助他们解决最意外的情况。这是使用这种方法的通用汽车 Cruise 车辆的图片。
然而，昨天的视频展示了自动驾驶汽车如何操作的突破。
特斯拉没有在汽车上使用许多传感器和硬件来处理世界，而是使用 8 个摄像头和一台专门用于处理视频数据的计算机。这总共需要 9 个部件，而其他人则需要 30、40、50 多个部件来处理这个世界。
仅使用视觉来处理世界，而不需要激光雷达、雷达和其他传感器等传感器来解释汽车周围的物理对象，这已经足够令人印象深刻，但汽车如何学习做到这一点才是真正的突破。
通过 FSD v12，特斯拉获取其约 400 万辆汽车收集的视频数据，并通过使用神经网络构建的人工智能（类似于 ChatGPT，但适用于现实世界）运行这些数据，然后人工智能计算出什么汽车应该根据它所看到的情况采取行动。
这里需要强调的是，特斯拉在告诉汽车应该如何解释世界方面做了 0 项工作。这意味着人工智能并不明确知道什么是车道、什么是红绿灯、什么是停车标志、什么是锥体、什么是坑洼、什么是雨等等。
特斯拉所做的是，它使用汽车周围配备的 8 个摄像头向 AI 展示一吨汽车行驶的视频，然后 AI 学习如何做同样的事情。特斯拉提供的视频越多，系统就越好。从特斯拉车队收集到的独特情况越多，系统就越能更好地解释这些情况。
然后，这个“人工智能代码”将被发送到世界上的每一辆特斯拉，车载计算机将能够处理周围的环境，而无需连接到特斯拉的人工智能服务器。这与你或我进入汽车并驾驶它没有什么不同。与我们的两只眼睛收集周围的视频并使用我们的大脑处理信息不同，8 个摄像头系统将收集视频，特斯拉的车载计算机将使用“AI 代码”对其进行处理。
换句话说，特斯拉已经不再由人类弄清楚如何编写代码来告诉汽车该做什么，而是将视频提供给人工智能，然后人工智能找出应对每种情况的最佳方法。
特斯拉唯一需要前进的是更多的视频和更多的计算能力（芯片）来处理视频。
就是这样。
这是深刻的。人工智能将能够弄清楚如何通过 8 摄像头系统在视频中捕获的所有内容进行导航。雪。坑洼。鹿。骑自行车的人。外星人。你说出它的名字。随着 Tesla 购买 NVIDIA H100 芯片以及构建内部 DOJO 计算系统，其计算能力不断增强，人工智能生成的“代码”将会变得越来越好。更不用说不断增长的特斯拉车队将在世界各地捕获越来越多的视频数据。目前销售的每辆 Model S、3、X 和 Y 都是为人工智能提供支持的视频捕捉机器人。每辆赛博卡车和紧凑型汽车都是一样的。
不管你信不信，事情会变得更加疯狂。
现在，特斯拉已经推出了一个带有摄像头和车载计算机的现实世界数据收集和处理系统，该系统可以用于其他可以学习如何在周围环境中移动的物理产品。
这就是特斯拉的 Optimus 机器人发挥作用的地方。特斯拉将能够使用 Tesla Bot 上的 8 个摄像头系统来收集周围环境的视频，将其传回人工智能，人工智能找出如何最好地完成它正在收集视频的任务，然后传回“ AI 代码”，供机器人通过其机载计算进行处理。
我们离这样的世界并不遥远：一个人形机器人看着你洗碗，将数据发送回母舰进行处理，然后第二天早上，机器人就学会了如何洗碗——而不仅仅是使用视频从你做事的过程中收集到的信息，也从世界上每个洗碗的人那里收集到的信息。
对任何东西都可以执行此过程。
ChatGPT 向大众展示了人工智能的潜力。 NVIDIA 向大众展示了对 AI 系统使用的硬件的需求有多大。
现在，特斯拉刚刚向大众展示了人工智能对于现实世界的物理应用意味着什么。
世界再次发生了变化。