安全验证是 Robotaxi 规模化的核心制约因素，而 FSD V15，正是特斯拉解开这道制约的软件开关。 

摩根大通指出，特斯拉有意放缓 Model Y 进入 Robotaxi 车队的速度，并对 Cybercab 在近期实现规模化保持信心。 

我们可以推演特斯拉 Robotaxi 车队的路线 ，现阶段依托量产车型承接运营，未来将依靠专用无人驾驶车型 Cybercab 扩大运力。

而 Cybercab 没有方向盘和踏板，没法像其他 Robotaxi 那样，在车内留一条「安全员随时接管」的退路。 

退路一断，驾驶任务交由自动驾驶系统完成，FSD V15 成了关键变量。特斯拉 2026 年 Q1 财报电话会上，马斯克表示 Robotaxi 扩张的真正限制因素是严格的安全验证。改善常规道路上的驾驶表现，已经不够了，真正的考验，是在没有兜底的情况下，独立识别风险、作出判断，让 robotaxi 在更广泛的运营条件下保持可靠。 

因此，Cybercab 的量产与部署进度，只决定了车队能够扩张多快。 FSD V15 能否把驾驶能力提升到足以支撑更广泛、持续的无人运营，则影响着这次扩张能否真正落地。

最直观的技术支撑，FSD V15 是神经网络参数较前代版本扩大约 10 倍。 

除此之外，AI4 已足以运行 V15 及无监督 FSD，但特斯拉同时正在推进代号 AI4+的过渡性计算硬件升级。大约高 10% 的算力，约翻倍的内存容量，为 AI5 推出前的模型迭代预留空间。 

V15 的技术演进已经与 Robotaxi 的实际运营绑定在一起。特斯拉 AI 负责人 Ashok Elluswamy 透露，Robotaxi 车队已经运行 V15 的早期版本。规划的七项重大改进仍在并行开发，车队所用版本已经合入约 40% 的预期改进内容。 

从模型能力，到复杂场景中的稳定表现，再到真实世界中的长期验证，Robotaxi 规模化需要跨过的技术关，是一条连续的能力链。 

参数翻 10 倍，先为了提前几秒

Ashok Elluswamy 在 X 社交平台上给 V15 划了重点： 「更早的危险预测、更快的反应时间，以及整体更好的安全性和碰撞规避能力」。

神经网络参数扩大 10 倍的驱动力，更早预测危险是其中之一。 

特斯拉工程师在 CyberCab 发布会上点破：自动驾驶的核心是「智能」问题，任何传感器都无法直接告诉你未来会发生什么。 

预测对自动驾驶并不新鲜。真正的变化，在于预测抬升为规模化「安全前提」之一。 

车队规模扩大之后，汽车面对的就是每天数以万计的交通参与者和不断变化的道路环境。一位人类司机一辈子都见不到的场景，变成了持续的常态。 

Ashok 在 CVPR 2026 上演示了一个案例：前车突然打滑冲向护栏，系统在前车还没有打滑、还没有撞上护栏时，就已经通过横摆角速度的异常判断有些不对劲，提前制动把动能抽走。如果前车最终没有撞上，也会是一次平缓的减速。 

在有风险时就介入，更早预测多出来的不只是几秒钟反应时间，还是安全决策空间。 

往前翻，预测这条线的痕迹很清楚。FSD V14 相对 V13 上下文窗口从 8 秒扩展到 24 秒，更多历史信息进入判断，参数总量提升 4.5-10 倍。 到了 V15，预测危险还会更早，需要更长的上下文，模型容量就相应扩大。

2024 年初 V12 推送，特斯拉约 30 万行自动驾驶相关代码被压缩到约 3000 行，「感知→预测→规划→控制」的模块化架构，换成单个端到端神经网络。 

V15 将把这条路线推到极致，按照马斯克的预判，这个完整架构重构的版本，有望实现十倍于人类驾驶员的安全水平， 而端到端神经网络本身对模型容量也有要求。

Ashok 用一个输入输出关系解释了网络内部的复杂性： 

输入端，7 路摄像头连续采集高分辨率画面。输入上下文约 20 亿 Token，信息量极为庞大。

输出端，只有 2 个自由度：下一步的转向和加速度。

模型要从所有信息里学会正确的因果关系，几乎全部信息要在网络内部完成压缩和特征提取，才能凝结成方向盘上的一个动作。 

数据端也在同步加压。 特斯拉数百万辆车持续产生真实道路数据，规模远超任何单一测试车队。 

但数据量大，不等于模型读懂了路况。数据是燃料，不是驾驶技术。完全不同的视觉场景，可能对应相同的驾驶动作。夜间高速、雪地、浓雾、白天的多车道道路，视觉上完全不同，但在某些时刻，正确动作都是直行。 

如果只把视频和驾驶动作简单配对，模型可能学到一条错误的捷径，不论看到什么，保持直行都能得到不错的训练结果。 

真正困难的地方，在于 模型能否从大量视觉信息中，识别出真正影响驾驶决策的关系。

真实道路上充满"压过水坑还是借对向车道"这类微型电车难题，模型需要学习的不是有限的物体类别和固定规则，而是复杂的交通关系及其后果，从工程逻辑上看，容量不够，系统只能记住高频场景的「标准答案」，模型容量就可能成为影响能力上限的变量。 

特斯拉引入多类辅助任务共同训练，模型学习目标检测、物体跟踪、场景几何、交通标志理解等十余项任务。相当于为模型提供中间学习信号，让它在学习「该怎么开」的同时，也建立起对道路、物体及其运动关系的理解，学习复杂交通背后的因果关系。 

FSD 要把连续的视觉信息、物体运动、道路关系和驾驶动作串起来。神经网络参数扩容，扩的就是模型对时间、场景和动作后果的理解能力。 

更大的模型，装更少见的场景

扩大模型规模，不只是为了在常规场景里开得更好，另一个核心目标，是长尾场景。覆盖更广的现实世界，正是 Robotaxi 扩大运营规模最需要的能力。 

特斯拉拥有数百万辆车队，工程师日常使用的典型数据集包含超过 120 年的驾驶数据，规模达到数百 PB。 

但数据总量不等于场景覆盖充分。随机抽取的数据样本，可能有九成来自高速公路直行一类的简单场景。 

普通道路数据相对容易积累，影响驾驶安全的罕见场景却不同。行人从停靠的公交车后突然出现，路面上有形状不规则的障碍物，前方车辆突然失控偏离轨迹，这些场景即使某一辆车曾经遇到过，模型也不一定能从单次记录中学到可迁移的规律。 

困难还在于，很多时候，模型见过每一个单独的元素，却没有充分处理过它们以某种特定方式组合起来的情况。 

这意味着，增加普通驾驶视频，不一定能让模型按比例提高处理长尾问题的能力。 

更大的模型为学习复杂场景提供容量，而训练体系要让这种容量真正用在足够丰富、足够有价值的场景上，覆盖更多长尾场景。

用于强化学习的世界模拟器，输入「当前状态+动作」，预测「下一时刻的状态」。这种训练模拟器不要求每条训练轨迹都是完美驾驶，也不依赖人工标注。但模拟器的质量，仍然取决于数据覆盖范围、训练目标和评估设计。 

模拟器的第一个用途，是 复现真实发生过的失败。

Ashok 展示过一个案例：行人牵着狗走在路边，旧版本驾驶策略与行人距离过近，甚至需要人类驾驶员介入。模拟器把这个问题复现出来，再让新的驾驶策略在相同条件下接受检验。一次偶然发生的失败，成为可以被反复重现、反复比较的训练样本。 

更进一步， 模拟器还能从真实场景出发，生成新的困难情况。

Ashok 展示的另一个例子，是把一段普通的高速公路行驶场景做修改，让另一辆车突然切入本车路径。 

真实车队未必会在合适的时间、地点遇到这种情况，但模拟器可以围绕相似场景改变关键因素，让系统反复应对不同的风险变化。 

这就把长尾场景的学习，从「等真实道路偶然发生」，推进到「从真实问题出发，持续生成和验证新的情况」。 

模拟器和模型扩容，是一条链路的两端。扩容扩大了模型理解复杂模式的能力空间，模拟器则把真实世界的失败转化为可重复的学习信号。 

更早预测危险，解决的是安全决策空间的问题。长尾场景覆盖，解决的是泛化能力的问题。 把神经网络规模参数量扩大 10 倍，特斯拉尝试的，是从技术层面回答 Robotaxi 的规模化难题。

真实世界，才是最好的实验室

特斯拉遵循一个「秘诀」： 更多数据、更大模型、大量算力，换来更好的泛化。

而世界模拟器只是放大器，数据源头来自真实车队。数据在现实里采集，在虚拟世界里反复锤炼，最终还要回到路上接受检验。真实车队给自动驾驶系统带来的，是发现问题、修正问题、验证改进的机会。 

Robotaxi 面临的挑战，正逐渐转向执行和扩张速度：技术需要在新的地理区域里经过测试，团队要不断验证系统能否适应当地条件。 

现实道路会带来模拟器训练和仿真未能充分覆盖的问题。自动驾驶没有捷径，必须在真实世界里，跑出一本经得起查的安全账。 

再看道路验证，今年 9 月 3 日，量产版 Cybercab 在奥斯汀正式向公众开放付费乘坐。当时，Robotaxi 车队已积累超过 100 万英里无监督运营里程。而就在此前 6 周，这个数字还是约 38 万英里。 

更宏观的安全账本来自 FSD 监督版车队的规模效应，目前特斯拉 FSD 安全报告中，FSD 监督版覆盖北美、欧洲和亚太 15 个国家，累积超过 155 亿英里。特斯拉正在试图用真实世界的规模，替代实验室里的完美证明。 

而真正要做的，是从海量片段里筛出值得学的数据。 

特斯拉的筛选有两条准则。 

一是 真正有价值、稀少且有代表性的场景 。车辆端先过滤掉大量重复、低信息量的数据，降低数据回传和后续处理的负担。 

二是 模型输出与人类司机操作不一致的片段 ，本质是分歧挖掘（disagreement mining）。模型和人类驾驶员「各执一词」的片段，结合场景风险、驾驶结果和参考策略筛出真正有效的训练样本，特斯拉 AI 工程总监 Phil Duan 透露，用这些数据专门训练，效率高得多。 

整个车队由此构成一个规模空前的主动学习循环，每台在路上跑 FSD 的车都在为下一版模型自动标注「我还有哪里可以改进」。 

特斯拉试图把大规模真实道路运行纳入模型训练和验证体系，让系统改进不再只依赖实验室测试。

前特斯拉 AI 软件工程总监 Srihari Sampathkumar 在《硅谷 101》的访谈中提到，规模化的挑战问题在于，谁拥有合适的基础设施，能够更快地扩大部署。模型之外，特斯拉正在同步扩大这样一套基础设施： 

在算力端，得州超级工厂的「Cortex 2」AI 训练集群正在扩建，数据中心电力容量已超过 115 兆瓦。上半年，现场算力翻了一倍以上。

与此同时，继续扩大 Robotaxi 的部署规模，内华达州批准特斯拉未来 12 个月最多部署 5000 辆 Robotaxi。

2026 年 Q2 财报电话会上，Ashok 透露 Robotaxi 的扩张节奏：新城市上线所需的工作量在减少，特斯拉希望这个时间持续压缩，最终从逐个城市推进，走向覆盖整个州。 

真正的规模化，不是让一辆车在一个限定区域内成功运行，而是让相同的驾驶能力可以稳定地部署到更多车辆和城市，并且在扩大运营的过程中，逐步降低每进入一个新场景所需的额外测试、人工干预和运营成本。 

特斯拉把模型、算力、车辆和真实世界运行连接起来，让自动驾驶进入一个持续训练、验证、部署的循环。 

FSD V15，攻克的是 Robotaxi 规模化的技术关卡：上下文记忆、长尾场景，以及在真实世界里稳定成立、并被持续复制。 

这些能力指向同一个方向：让模型有机会更早判断风险，为制动、避让等安全动作争取更多决策空间。 

归根结底是 Robotaxi 扩张的安全因素， 安全决策能力变强，是模型能力与 Robotaxi 规模化之间真正的连接点。

对特斯拉而言，V15 真正需要证明的，是驾驶能力的提升能否减少无人运营中的风险，降低新区域适配与验证的负担，最终转化为 Robotaxi 可持续复制的规模化能力。 

这条链路能否跑通，才决定 V15 能在多大程度上推动 Robotaxi 走向规模化。