Tesla data labelers express distrust in FSD technology

•Tesla 對於 FSD 比人類駕駛安全十倍的說法，其統計方法被指存在嚴重缺陷，透過比較安全氣囊部署的碰撞數據與包含所有需要拖車的聯邦碰撞數據，誇大了安全結果達三倍之多。
•前數據標註員報告稱，FSD 經常在基本任務上表現不佳，例如未能避讓緊急車輛、未在校車前停車、難以導航施工區域、未能識別斑馬線上的行人，以及在「瘋狂麥斯」（Mad Max）駕駛模式下經常超速 20-30 英里/小時。
•美國國家公路交通安全管理局 (NHTSA) 目前對 Tesla 的 FSD 和 Autopilot 系統進行多項主動調查，涉及數百萬輛車，並曾因 FSD Beta 缺陷發布召回，包括車輛闖紅燈或駛入逆向車流的案例。
•據報導，Tesla 在公開 FSD 演示（例如奧斯汀的無人計程車試點）中採用了「勞動密集型安全措施」和廣泛的預先地圖繪製，這與 Elon Musk 聲稱該技術不需要高精度地圖的說法相矛盾。
•除了美國聯邦法院已批准針對 Tesla FSD 誤導性行銷的集體訴訟外，Tesla 在中國也面臨類似的消費者訴訟，指控其 FSD 系統未能達到公司宣傳的功能，且在中國尚未獲得監管批准。

純視覺方案： Tesla 採取了具爭議性的純視覺策略，僅依賴攝影機進行感知，與 Waymo 等使用光達和雷達等多感測器融合的競爭對手不同。
神經網路架構： FSD 是一個由相互連接的神經網路組成的管道，已從基於規則的邏輯轉向端到端神經網路。
HydraNet： Tesla 採用 HydraNet 架構進行多任務學習，將不同的神經網路匯集起來處理感知和預測任務，同時共享一個核心。
佔用網路 (Occupancy Networks)： 一項重大突破，用於 3D 環境理解，即使物體部分隱藏，也能預測佔用空間與自由空間。
端到端學習 (FSD v12/v13)： FSD v12/v13 代表了重大轉變，用神經網路決策取代了數十萬行 C++ 程式碼，直接從原始攝影機輸入輸出車輛控制指令。
Dojo 超級電腦： 由 Tesla 設計和建造，專用於電腦視覺影片處理和 FSD 模型訓練，處理來自數百萬輛汽車的數 PB 真實駕駛數據，並使用客製化的 D1 晶片。
硬體演進： Tesla 的硬體從 Mobileye 晶片演進到 NVIDIA 平台，再到自行設計的 FSD 晶片（HW3、HW4）。

Tesla 將面臨更嚴格的監管審查和法律挑戰。

內部員工的擔憂、誤導性安全數據的指控以及多項正在進行的 NHTSA 調查和訴訟，將迫使監管機構採取更強硬的立場。

Tesla 實現完全自動駕駛（Level 4/5）的時間表將會顯著延遲。

數據標註員報告 FSD 在基本任務上的持續困難，以及為公開演示進行勞動密集型安全措施，表明該技術距離大規模可靠部署仍有很大距離。

Tesla 的「視覺優先」自動駕駛策略將面臨更大的壓力，可能需要重新評估。

儘管 Tesla 堅持純視覺方案，但 FSD 在惡劣天氣或複雜場景下的感知失敗，以及與 Waymo 等使用多傳感器融合方案的競爭對手在安全報告透明度上的差異，可能會促使其重新考慮。

2014-10

Elon Musk 宣布推出「Autopilot」套件，並將自動駕駛視為 Tesla 的最終目標。

2019-04

推出 Autopilot HW3.0 平台，搭載 Tesla 自行設計的 FSD 晶片。

2020-10

Tesla 首次向美國一小部分用戶發布 FSD Beta 版本。

2023-02

美國國家公路交通安全管理局 (NHTSA) 因 FSD Beta 缺陷發布召回，涉及約 36.2 萬輛車。

2023-07

Tesla Dojo 超級電腦投入生產，用於訓練 FSD 的機器學習模型。

2024-04

FSD 版本 12.3.3 正式將「beta」替換為「supervised」（受監督），並宣布用戶已使用 FSD Beta 行駛超過 10 億英里。

Tesla 數據標註員對 FSD 技術表達不信任