當特斯拉(Tesla)公布其2025年第三季財報時，市場的焦點不再是單純的交車量或利潤率。Elon Musk拋出了一顆震撼彈：
特斯拉目標在2025年底前，於奧斯丁(Austin)大部分地區移除FSD的監督員
這不僅是口頭上的宣示，更代表特斯拉將正式邁入L4等級的自動駕駛商業營運。這項宣示，以及近期特斯拉人工智慧副總裁Ashok Elluswamy的深入技術演講，共同揭示了一個清晰的未來：特斯拉的終極目標，從來都不是只做一家汽車公司，而是要成為全球最頂尖的「現實世界人工智慧」公司。
今天，MKP將綜合分析所有近期的關鍵資訊，深入挖掘FSD、AI5晶片以及Optimus機器人背後，令人嘆為觀止(非單純誇飾吹捧用語)的技術細節與戰略佈局。
想要第一時間獲得市場上的最新資訊及分析嗎？
歡迎點擊下方連結訂閱【馬克觀點MKP】電子報，在即時更新資訊的同時，獲得最深入的分析～
【L4的臨門一腳：信心驅動的產能擴張】
馬斯克在財報會議上，用「100%確信」這樣的字眼來形容FSD未來的安全性將「遠遠超越」人類駕駛；這份絕對的自信，是理解特斯拉當前所有戰略的關鍵。
傳統車廠的邏輯是「先有需求，再生產」。
但馬斯克現在反其道而行，宣布將大幅擴張產能。
為何在RoboTaxi尚未獲利前就瘋狂擴產？答案是，馬斯克已將L4視為既定事實。一旦FSD移除監督員，每輛車都能每周七天/24小時運行並創造營收，市場對車輛的「需求」將不再是交通工具，而是「會賺錢的資產」，需求有可能在短時間內拉升。
然而，這一切的豪情壯志，都必須建立在一個問題上：特斯拉的AI究竟是如何做到的？Ashok的技術解析，為我們揭開了FSD的黑盒子。
【FSD的大腦革命：從「手寫規則」到「E2E AI」 】
Ashok指出，傳統的自動駕駛系統為「模組化」；工程師將任務拆解為：
- 感知(Perception)：辨識車輛、行人、交通號誌。
- 計畫(Planning)：決定該左轉、直行或剎車。
- 控制(Control)：實際操作方向盤和踏板。
以上傳統系統的致命缺陷在於，它依賴人類工程師「手寫程式碼」來應對所有情況，但現實世界其實是「邊緣情境(Edge Cases)」的無限集合。Ashok舉了兩個他們遇到的絕佳真實世界案例：
- 水坑：FSD遇到一個大水坑。它該逆向繞過，還是減速駛過？如果逆向車道50公尺外有車呢？100公尺呢？水坑多深？你無法用 if...then... 等程式語言寫完所有可能。
- 雞與鵝：FSD遇到一群「雞」過馬路，它會耐心等待最後一隻落單的雞也通過；但在另一個場景，它遇到一群在路邊的「鵝」，卻能判斷它們「沒有過馬路的意圖」，而直接駛過。(我就問，目前還有其他哪家公司能做到？沒讓動物死於陸殺就不錯了)
這種近乎「讀懂意圖」的能力，恰是人工手寫程式碼做不到的絕對罩門。為此，特斯拉推翻了舊架構，轉向「端到端AI」—不再有人為的模組劃分，而是讓一個龐大的神經網路，直接觀看攝影機的原始影片(input)，然後直接輸出方向盤和踏板的指令(output)。
〖解決端到端AI的挑戰：特斯拉的「數據引擎」〗
但當初要開發端到端AI也不是那麼容易，兩大挑戰在於：
- 資訊維度詛咒：FSD需在瞬間處理8個攝影機過去30秒的數據，這構成高達20億個資訊點(information points)。
- 虛假關聯(False Correlation)：在海量數據中，AI可能學到錯誤的邏輯。例如，AI發現「下雨」和「剎車」總是一起發生(因為人類在雨天會開得較謹慎，點剎機率增加)，AI可能會錯誤推論出「下雨本身就是剎車的理由」，而不是「雨天路滑」這個真正的因果關係。
特斯拉解決上述困難的答案，是其獨步全球的「數據引擎(Data Engine)」。這不僅僅是「大數據」，而是一套高效、自動化的「邊緣數據挖掘系統」。
早在傳統車廠還在用昂貴的測試車隊上路收集數據時，特斯拉就利用其全球數百萬台車輛組成的「車隊」，建立了一個closed-loop，包括：
- 被動收集：當FSD遇到困惑點，或駕駛接管時，系統會自動標記該片段。
- 主動狩獵：特斯拉甚至可以在車隊的電腦中植入「小型神經網路」，主動「狩獵」特定的稀有場景。例如，特斯拉總部想研究「大雨天，對向車道有車打滑」的場景，他們可以向全球車隊發送這個「狩獵任務」，在幾天內就收集到數千個高品質、且稀有的真實邊緣數據。
利用相對大量(註一)的這種高品質數據所進行的訓練，讓FSD擁有了「預判能力」。
Ashok也展示了一個震撼的案例：FSD在一條微濕的路上跟車，在影片第5秒，前車的車頭僅僅「歪斜了幾度」，FSD就在碰撞發生前精準執行了適當力度的剎車而提前避免了事故。
FSD的判斷是：「路面微濕+前車不尋常的微小偏離=高機率打滑並撞擊護欄後反彈」。這就是AI從海量真實數據中學到的，超越人類反應極限的「預判」。(但很多空頭仍不相信，甚至也不願意去研究技術；ok it’s fine.)
【解鎖黑盒子：「高斯建模」與「虛擬世界模型」】
端到端(end to end, E2E)AI雖然強大，卻像個「黑盒子」，你很難知道它在想什麼。為此，特斯拉開發了兩套堪稱「黑科技」的除錯與測試工具：
- 高斯建模(Gaussian Splatting) 3D重建
當FSD犯錯時，工程師如何除錯？
- 傳統方式：查看程式碼(但E2E沒有傳統定義的程式碼可查)。
- 特斯拉的方式：
- 自然語言詢問：工程師可以直接用文字問AI (FSD)：「你為什麼闖紅燈？」AI可能會回答：「我沒看清楚，紅燈被一輛卡車擋住了。」
- 3D虛擬重建：更強大的是，特斯拉開發了一套基於高斯建模的系統，能將FSD犯錯瞬間的2D影片數據，「重建」成一個完整的3D虛擬世界；工程師可以像玩遊戲一樣，用「上帝視角」在3D場景中飛行，從任何角度(甚至車頂、路口對面)去觀察當時車輛的動態，精確找出問題所在。
Ashok也特別強調，傳統高斯建模渲染一幀畫面需要30分鐘，而特斯拉的版本僅需0.22秒，實現了幾乎是即時的3D重建。
- 「閉環」的世界模型(World Model Simulator)
如果說3D重建是「回放過去」，那麼「世界模型」就是「創造(逼近真實的)未來」。
特斯拉能將那些極度稀有的真實邊緣案例(例如澳洲的隕石擊中案例、加州的輕航機擦身迫降案例)，在模擬器中100%複製，建立一個「電影級」、逼近真實的虛擬世界。整體概念跟我們以前介紹過的數位孿生很像。
這個虛擬世界不是預先編碼的，而是由真實數據所生成。這讓特斯拉可以：
- 重現與修改：讓FSD在這個虛擬世界中反覆重試「飛機迫降」的閃避場景。甚至可以修改參數：「如果飛機角度偏10度？」「如果當時下大雪？」
- 強化學習：讓AI自己在這個hyper-realistic(超逼真)的虛擬世界中「玩」數百萬次，直到它自己找到應對這種極端情況的最佳策略。
這就是特斯拉的「閉環(closed-loop)測試」系統—從真實世界收集數據，在虛擬世界訓練AI，再將更強的AI部署回真實世界。
而特斯拉對於發展FSD龐大的野心，必須有強大的硬體支撐。這就是AI 5晶片(Hardware 5)的由來；簡而言之，AI 5晶片是特斯拉為AI的「mind」量身打造的硬體，並預計在2027年量產。
馬斯克在Q3財報會議中提到，AI 5相比AI 4，在某些性能上將提升40倍。
特斯拉的AI晶片之所以能效比(每瓦效能)贏過他廠的通用晶片，關鍵在於如同ASIC的「客製化」與「刪減」非必要部分，舉例如：
- 刪除影像信號處理器(ISP)：ISP的作用是將鏡頭傳來的原始數據，調整白平衡、曝光、降噪，變成一張讓人類肉眼覺得「漂亮」的照片，這在智慧型手機上是必要；但AI不需要「漂亮」，需要的是「真實」而原始的光線數據。特斯拉在晶片設計上大膽刪除了ISP，讓AI直接生吃最原始的數據，這極大降低了延遲和功耗。
- 刪除GPU：通用GPU為了遊戲和渲染，內建了大量AI訓練不需要的功能。特斯拉將其刪除，把寶貴的晶片面積全部用於AI運算。
- 優化數據傳輸：特斯拉明確知道其軟體運行過程中，每個硬體邏輯模組之間需要多大的數據傳輸量；這讓他們可以像城市規劃一樣，精確設計數據「高速公路」的寬度(就是頻寬)，既不浪費(太寬)也不堵塞(太窄)。
最終，特斯拉打造出了「成本僅為同行的十分之一」，但效率卻高出數倍的專用AI推理晶片。
【Optimus機器人與特斯拉AI之間的擴展性】
如果FSD是特斯拉AI系統的第一個應用，那麼Optimus機器人就是第二個。
Ashok在技術演講的最後，明確指出FSD的整套AI架構(E2E、數據引擎、世界模型、強化學習)，可以完美「擴展」到Optimus的應用。
如果FSD的「世界模型」是「道路」
那Optimus的「世界模型」就是「工廠」或「倉儲物流」、「家居」等
機器人的AI model可以透過觀看人類影片來學習，然後在虛擬世界中進行數百萬次沒有安全疑慮、不怕犯錯的練習，最後再部署到現實中。
馬斯克在Q3財報中宣布，外觀預計朝向擬真化設計的第三代Optimus將於2026年第一季亮相；他也直接指出，機器人領域未來最大的難點之一會是「生產」。
雖然其他新創公司(如Figure AI、Agility Robotics、Unitree Robotics和XPENG等)並非完全沒有能力規模化生產機器人所需的客製化馬達、致動器(Actuator)和類人手部，但特斯拉，這家每年生產數百萬輛電動車、全球最大的「電機生產商」，在供應鏈和規模化製造上，已擁有相當程度的先行者優勢(製造經驗、產能)。
在馬斯克先前的採訪中，他也發出聲明：
如果股東不支持他的新薪酬計畫(給予他更多的投票權)，他將「不會在特斯拉發展大規模的機器人」
這不僅是薪酬問題，更是控制權問題；馬斯克擔心的是，在他實現AI願景的過程中，會被那些只看重短期財報的激進投資機構干擾甚至罷免(而這也是其一直未將Space X公開上市的原因，因大部分機構通常只看中實質財報表現，無法忍受中短期經營的波動，而太空事業在馬斯克看來不是短期投資者能投資的)。
所幸，近日股東大會中，此薪酬案以高達75%的支持率高票通過！
綜合來看，特斯拉正在下一盤前所未有的大棋。
它以FSD為起始，打造了一套從「數據收集」、「AI 訓練」、「數位孿生模擬」到自研「客製化晶片」的完美閉環；這套系統正以相當快的速度自我進化，而RoboTaxi和Optimus機器人，將是這套系統收割利潤的最終形態。
在去年，Mark還認為L5的實現需要十年以上，但光從特斯拉目前已經近乎攻克自動駕駛這點來看，其AI技術護城河，或許早已深不見底。
〖註一〗
因邊緣事件跟每日行車總數據比起，算是罕見數據，相對大量是指其他車廠因為樣本數不足，而非常難以獲得此類罕見，卻跟行車安全有絕對關係的數據。
而以特斯拉的統計數據，其全球總車輛每天提供「500年份的駕駛數據」，並從中以智慧觸發方式捕捉(hunting)他們要的邊緣案例。
