不是，tesla并不靠设置规则去完善驾驶策略。

tesla的自动驾驶说穿了就分这几块。一块是hydranet（老马表示会改名，这个名字是一个sex toy...），这块负责视觉，识别道路上标志，路道，车辆，行人，速度等等任务。最近在这个.69版本增加了occupynet，用来形成障碍物禁区，达到激光雷达类似的效果确保不会进入禁区。

然后才是寻路算法，这块才体现驾驶策略。这块的实现方法是mcts+ai，跟alphago有点类似。可以在足够多的案例中自己进化出最合适的驾驶策略。评价维度包括通行效率，安全性和舒适性。基本思路就是mcts做策略搜索，ai去学会mcts的结果，并成为mcts的评价函数反过来提升mcts的效果。这块才是体现fsd老司机的一面，面对千变万化的道路情况有很多博弈和合作的问题需要解决，这块fsd目前我认为还没做到足够好，但也只是一个给足够时间和样本就能进化的过程。

当然外围系统还有一堆，包括数据样本的增扩，仿真环境，自动标注等等。人为设置的部分，主要体现在仿真环境。会有人去建造一条虚拟的公路，在里面去引入各种corner case，或者增加现实中遇到的corner case的样本数量，然后喂给AI去学习。

基本上，AI时代，如果你想认真做事，就不太可能用人为设置规则的方法做事了，只可能有人为设置样本和目标，让ai自己去逼近。反倒是想快速出demo可以用人为设置规则的方式快速作秀。这也是为啥tesla从一开始公测就不吝啬于暴露fsd的缺陷，而众多友商到现在都不敢给用户大规模推送在demo中各种“吊打”fsd的版本。

说难听点，各友商“吊打fsd”的demo是不是真实的我都要打个问号。ai背后是个真人这种事情又不稀奇的咯，发生过太多次了。

【 在 ia 的大作中提到: 】
: 现在的自动驾驶，并不是“用户越多，训练的模型越高级”。
: 目前的自动驾驶实现，都是靠训练的模型去识别路上的各种物体和标志，靠人为设置的规则去选择驾驶策略。
: 用户多，对模型的帮助不大，但是能遇到更多的边角案例，用以设置更细致的规则去实现更完善的驾驶策略。
: ...................
--
修改:lvsoft FROM 49.93.112.*
FROM 49.93.112.*