特斯拉 FSD 背后有一个容易被忽略的技术路线：

先训练一个最强的大模型，再把它“压缩”到普通车上运行。

据 Notateslaapp 的消息，目前特斯拉 HW4（AI4）硬件上的 FSD，并不是特斯拉最完整的 AI 模型，而是面向下一代更强计算平台开发的模型，经过优化后的版本。

这背后涉及一个 AI 领域常用技术：模型蒸馏（Knowledge Distillation）。

简单理解：

先在数据中心训练一个能力更强、规模更大的“教师模型”。

这个模型可以拥有更多参数、更复杂的网络结构，学习大量真实驾驶数据，解决复杂场景。

但车载芯片的算力、内存、功耗都有限制，不可能直接把这个“大模型”塞进每一辆车。

于是，工程师再把教师模型里的能力提炼出来，训练一个更小、更高效的“学生模型”，部署到量产车上。

类似于：老师先把所有知识总结出来，再培养一个更适合实际应用的学生。

这也是为什么特斯拉可能会优先围绕 Cybercab 这类更强硬件平台开发完整 FSD，再向 HW4、HW3 等不同硬件版本适配。

自动驾驶未来的竞争，不只是比谁的算法更强，还要比：

- 谁有更强的数据闭环； - 谁能训练更大的模型； - 谁能把模型高效部署到千万级车辆。

当然，不同硬件之间存在客观限制。

HW3 因为计算能力和内存带宽限制，已经被特斯拉认为难以达到真正无人监督驾驶目标。

HW4 拥有更强的计算资源，仍然具备持续升级空间。

所以从技术路线看，特斯拉正在走一条类似手机芯片和 AI 模型发展的路径：

先用最强平台探索能力边界，再通过模型压缩和优化，把能力下放到更大规模的用户车队。

未来的自动驾驶，可能不是每辆车都装一颗超级芯片，而是让越来越强的 AI 模型，在不同硬件上高效运行。