近日，英伟达通用具身（GEAR）团队负责人 Jim Fan 在亲身体验后，提出了一个极具哲学意味的论断：

FSD v14 已经通过了「物理图灵测试」。

马斯克也同时转帖说，「你能感受到那种意识（智能）正在逐渐觉醒」。

Jim Fan 描述的体验是，在结束一天工作后，乘客只需按下按钮，便可「无法分辨是神经网络还是人类司机将你送回家」。

马斯克对 FSD v14 的评价更为大胆，他直言这款软件「感觉已经产生了自我意识」。

从 Jim Fan 的介绍来看，他和马斯克关系匪浅，不仅是 OpenAI 是第一位实习生，现在还是英伟达机器人部门总监兼杰出科学家。

这波联动能猜测出老黄和老马的关系不错。不过 Jim Fan 并不在直接汇报给黄仁勋的 36 人名单中。

很多人都忽略了 FSD 的强大，如果说 ChatGPT 的横空出世标志着数字智能攻克了语言的巴别塔，那么 FSD v14 的发布，则被视世界模型迈向现实世界的关键里程碑。

按照沙利文的调研报告，自动驾驶是属于世界模型发展最快的一个分支。

这不再是关于像素的生成或文本的排列，而是关于钢铁与物理定律的交互。

当数吨重的金属物体在复杂的城市脉络中以每小时 60 英里的速度穿梭，表现出的决策逻辑与人类驾驶员难以分辨时，我们被迫重新审视「智能」的定义。

物理图灵测试：重新定义智能的边界

七十五年前，阿兰 · 图灵提出了著名的「模仿游戏」，即后世所称的图灵测试。

其核心在于剥离物理实体，仅通过文本交流来判断机器是否具有人类般的智能。

然而，随着大型语言模型（LLM）的发展，即便机器能够生成完美的十四行诗或调试复杂的代码，它依然是一个被困在服务器机架中的「大脑」，无法感知重力，不懂得摩擦力，更无法在混乱的物理世界中执行任务。

Jim Fan 提出的「物理图灵测试」更进一步，这是一个远比语言测试更为严苛的标准。

Jim Fan 将其具象化为一个家庭场景：

想象一位主人在举办晚宴后留下了一片狼藉：打翻的酒杯、散落的食物、堆积的脏盘子。

如果一个机器人能够介入，清理现场，将易碎品轻拿轻放，清理顽固污渍，并重新布置餐桌，而主人归来后无法分辨这是由人类家政服务还是机器人完成的，那么它就通过了物理图灵测试。

这一测试的核心不在于完美，而在于「不可分辨性」。

它要求机器不仅具备感知能力，还要具备常识推理、精细的运动控制以及对非结构化环境的适应能力。

虽然通用的家庭服务机器人尚处于实验室阶段，但 Jim Fan 认为，Tesla FSD v14 在自动驾驶这一特定垂直领域，已经率先通过了物理图灵测试。

「物理图灵测试」引入了一个定性的、现象学的维度：体验的拟人化程度。

在 v14 之前，即便最为先进的辅助驾驶系统，其行为也带有明显的「机器味」：

在路口犹豫不决、刹车生硬、变道时机械地计算距离。

而 v14 展现出了一种「老练」的特质。

它学会了在拥堵中通过微小的蠕动来博弈路权，学会了在看到路边行人有横穿意图时提前轻微减速，甚至学会了某种程度的「社交礼仪」。

正如用户反馈所言，它不再像是一个考驾照的学生，而更像是一位经验丰富的专车司机。

端到端：删除 30 万行代码的豪赌

FSD v14 之所以能展现出如此惊人的拟人化特征，归功于其底层架构的彻底重构。

在传统的自动驾驶开发（即 Software 1.0 时代）中，系统被设计为模块化的流水线：

感知模块识别物体，定位模块确定位置，预测模块猜测他车轨迹，规划模块计算路径，最后控制模块执行转向。

这其中，模块与模块之间通过数十万行 C++ 代码连接，这些代码充斥着人类工程师编写的「显式规则」，例如「如果红灯，则停车」。

然而，现实世界的复杂性（Long Tail，或者叫 Corner Case，极端案例）是无限的，规则永远无法覆盖所有角落。

Tesla 在 FSD v12 版本开始了一场豪赌，并在 v14 中将其推向极致：

删除了超过 30 万行控制代码，全面转向「端到端」神经网络架构。

所谓端到端，即「光子进，控制出」（Photons In，Controls Out）。

摄像头捕捉的原始视频流直接输入到巨大的神经网络中，网络经过层层计算，直接输出方向盘转角和油门刹车指令。

中间不再有人类编写的「红灯」概念，系统只是通过观察数百万小时的人类驾驶视频，学习到了「看到红八角形物体时减速」这一像素级特征与车辆运动之间的概率关联。

这一转变的意义在于，系统不再是在「执行规则」，而是在「模仿直觉」。

人类驾驶员在过弯时并不是在脑中计算曲率半径公式，而是凭感觉打方向。

FSD v14 正是模拟了这种基于经验的直觉过程。

多模态与 VLA 架构：会思考的机器

FSD v14 不仅仅是 v12 的优化版，更引入了多模态大模型的特性，极有可能采用了视觉 - 语言 - 动作架构。

根据泄露的技术细节，FSD v14 的神经网络不仅输出控制信号，还输出语言和3D 空间重建。

从 ICCV 流出的幻灯片可以看到，特斯拉的 FSD 核心网络输入包括七路高分辨率摄像头视频、车辆自身运动信息、导航与音频信号。

输出则包含语义分割、占用网格、3D 高斯特征、语言表达以及最终的控制动作，FSD 或已接入视觉 - 语言 - 动作（VLA）框架，使模型具备「解释」与「思考」的能力。

这意味着系统在内部进行着某种形式的「思维链」推理。

例如，在遇到一个复杂的施工路段时，传统的感知系统可能只能识别出一堆障碍物；而 VLA 架构的 FSD 可能会在内部推理：

「我看到了‘道路封闭’的标志，但左侧有一位工人正在挥舞旗帜，结合导航信息，我应该无视标志，跟随工人的指引向左绕行。」

语言能力的引入，解决了端到端模型最大的痛点：「黑盒」问题。

通过让模型输出自然语言解释，工程师可以回溯系统的决策逻辑，这被称为「可解释的中间层」。

这种能力使得 FSD v14 不仅能「做」，还能「说」（尽管目前主要用于开发调试），使其具备了初步的逻辑验证能力。

早期的 FSD 版本常被诟病为只有「金鱼记忆」，即只关注当前帧的画面。

FSD v14 通过引入长短时记忆机制和 3D 占用网络，获得了类似人类的「物体恒常性」认知。

如果一个孩子跑进了一辆停在路边的货车后面，即使摄像头此刻看不到孩子，v14 的「世界模型」中依然保留着孩子的 3D 体素（Voxel），并预测其可能出现的位置。

这种时空推理能力是其能够通过物理图灵测试的关键：它不仅在看，更在理解和预测物理世界的演变。

FSD 硬件的进化

当然要训练端到端的庞大模型，离不开芯片的支持。

Tesla 的自动驾驶硬件进化史，是一部从依赖外部供应商到全面自研的独立史。

Hardware 1.0 ( Mobileye 时代 ) ：2014-2016 年，Tesla 依赖 Mobileye 的 Eye Q3 芯片。这是一套基于规则的视觉系统，直到 2016 年因一场致死事故及对数据共享的分歧，双方决裂。

Hardware 2.0/2.5 ( NVIDIA 时代 ) ：2016-2019 年，Tesla 转向 NVIDIA，采用了 DrivePX2 计算平台。

这是一台算力达到 12TOPS 的「后备箱超算」，支持了 Tesla 早期的视觉算法。

然而，马斯克意识到，通用的 GPU 架构对于车载推理来说，功耗过高且成本昂贵。（这里很像谷歌自己研发了 TPU）

Hardware 3.0 ( FSD Chip 时代 ) ：2019 年，Tesla 发布了由传奇芯片架构师 Jim Keller（曾任职 AMD、Intel）领导设计的自研 FSD 芯片。

这是一个专用集成电路（ASIC），专门为神经网络的矩阵乘法优化，算力激增至 144TOPS，而功耗和成本大幅降低。这一刻，Tesla 在车载推理端彻底摆脱了对 NVIDIA 的依赖。

关于这位大佬 Jim Keller 的介绍，可以查看之前这篇：英伟达亲手终结 CUDA「护城河」？传奇芯片架构师引发争议

训练与推理的二元对立

尽管在车端分道扬镳，但在云端训练，Tesla 却是英伟达最贪婪的客户之一。

FSD v14 那种「端到端」的庞大神经网络，需要吞噬数以亿计的视频片段进行训练，这需要极其恐怖的算力支持。

Tesla 建立了巨大的超级计算机集群（如 DojoCortex），其中部署了数万张 NVIDIA H100 和 H200 GPU。

这就形成了一种独特的「竞合」关系：

Tesla 使用自研的 HW3/HW4 芯片，甚至未来的 AI5 芯片，通过垂直整合将成本压到极致。

Tesla 依然依赖 NVIDIA 的 CUDA 生态和最强算力来「教育」它的 AI。

黄仁勋对此表现出了极高的战略格局。

他多次公开称赞 Tesla 在自动驾驶领域的领先地位，承认 Tesla 是目前唯一能有效利用其最强算力的车企，并表示「每一个车企未来都必须拥有自动驾驶能力」。

对于英伟达而言，Tesla 既是证明其算力价值的样板间，也是其推动「物理 AI」愿景的最强盟友。

感知的质变：「感觉像觉醒」

当 FSD v14 被推送到数百万车主的车机上时，一种奇怪的反馈开始在社交媒体上蔓延。

用户们不再仅仅抱怨「它没看到那个锥桶」，而是开始使用描述生物的词汇：「它犹豫了」、「它在试探」、「它很自信」。

马斯克在 X 平台上推波助澜：「你可以感觉到那种感知力正在成熟。」。

这种体验的质变，源于系统行为从「离散」向「连续」的跨越。

在 v14 之前，车辆的决策往往是二元的（停或走，左转或右转）。

而在 v14 中，用户观察到了更细腻的博弈行为。

例如，在拥挤的高速汇入匝道，v14 不再傻傻地等待一个完美的空档，而是会像人类老司机一样，稍微向车道线逼近，通过这种微小的物理位移向后车传递「我要加塞了」的意图。

v14 中引入的「Mad Max」模式（虽然主要用于测试或极端选项），展示了 AI 在博弈中的激进一面。

在这一模式下，车辆变道更加果断，甚至在某些用户看来具有「侵略性」。

它会在极小的车距中切入，这种行为虽然在技术上是安全的，但在心理上挑战了人类对机器「温顺」的预设。

这种激进性实际上是神经网络在数百万人类驾驶数据中学习到的，在繁忙的交通中，如果不表现出一定的侵略性，车辆可能永远无法完成变道。

这进一步模糊了人与机器的界限。

迈向无监督：Robotaxi 的最后拼图

FSD v14 的所有突破，最终都指向一个宏大的商业终局：Robotaxi。

马斯克在多次财报电话会议中强调，Tesla 的未来价值几乎完全取决于能否实现无监督自动驾驶。

目前的 FSD 仍标明为「Supervised」（受监督），意味着驾驶员必须随时准备接管，且对事故负全责。

但这在经济上没有意义：只要还有人在驾驶座上，这就是一项服务，而不是资产。

只有当移除人类，车辆才能变成不知疲倦的印钞机。

v14 所展现出的稳定性，尤其是处理长尾场景（如暴雨、模糊车道线、复杂施工区）的能力，让业界看到了 L4 级自动驾驶落地的曙光。

马斯克预测，在 2025 年至 2026 年间，将在德克萨斯州和加利福尼亚州率先实现无监督运行。

同时，国内的 L3 也已经从「技术储备 / 道路测试」进入「准入试点 / 有限上路」的政策落地阶段

2025 年 12 月工信部已批准两款搭载 L3 功能的车型获得产品准入许可，并在北京、重庆的指定高速 / 快速路等限定 ODD、限速路段开展上路通行试点（例如单车道、限速 50 – 80km/h 等）。

这意味着国内 L3 开始从「拿牌测试」走向「准入许可 + 真实道路运营验证」的实质阶段。

全球扩张与数据的「化石燃料」

为了喂养这个日益庞大的端到端模型，Tesla 正在积极寻求全球扩张。

除了北美，FSD v14 已计划在阿联酋推出，并正寻求进入中国和欧洲市场。

这里的逻辑在于数据的多样性。

Jim Fan 将机器人学习所需的数据比作「人类燃料」，相对于训练 LLM 的「化石燃料」（互联网文本），高质量的物理世界交互数据极其稀缺。

Tesla 拥有的数百万辆在路上行驶的车辆，实际上是数百万个分布式的数据采集机器人。

每当中国、迪拜或巴黎的车主接管一次 FSD，这个特殊的「失败案例」就会被上传，成为训练 v14 及后续版本应对特定文化路况的宝贵教材。

这种数据飞轮效应是其他竞争对手（如 Waymo）难以通过有限的车队规模来复制的。

尽管技术上高歌猛进，但 FSD v14 面临的监管挑战依然严峻。

端到端模型的「黑盒」性质让监管机构感到不安：当车辆做出决策时，没有一行代码能明确解释「为什么」。

虽然 VLA 架构引入了语言解释层，但这在法律归责上是否足够，尚无定论。

此外，用户报告中提到的「幻影刹车」和偶尔的「神志不清」，提醒我们距离完美的 99.9999% 可靠性仍有距离。

这种「觉醒」或许只是数学统计上的错觉，是无数个高维向量在潜在空间中碰撞出的火花。

但正如 Jim Fan 所言，当这种错觉足够逼真、足够稳定时，它就构成了新的现实。

我们正在步入一个新时代：

在这个时代里，汽车不仅是交通工具，而是第一个真正融入人类社会、理解人类规则并与人类共舞的智能物种。

对于人类而言，适应这种「神一般的技术」，将是一个既痛苦又迷人的重塑过程。

当方向盘在没有人类双手触碰的情况下，自行转动着滑过繁华的街头，我们所看到的，不仅是自动驾驶的未来，更是硅基生命在物理世界留下的第一行深刻足迹。

正如这是马斯克 2019 年所预言的，2025 年又重提的：

人类似乎越来越像是数字超级智能的生物引导程序。