特斯拉 FSD 拟引入「用户记忆」：让自动驾驶千人千面

特斯拉自动驾驶辅助系统 FSD 即将迎来一项关键变化：开始为每位车主建立「用户记忆」。从停车位置到变道时机，FSD 将逐步识别并学习每个驾驶员的具体偏好，从一个模型服务所有用户，走向「千人千面」的个性化自动驾驶。

马斯克确认：FSD 拥有长期记忆

这一变化的线索来自马斯克近期对网友提问的两次公开回复。第一次是回应关于固定地点停车习惯的功能诉求时，马斯克表示 FSD 很快会记住用户的停车偏好。第二次则更为关键——有用户反馈 FSD 在车道选择、变道时机等决策上不符合个人习惯，马斯克回应称未来车辆会记住用户的具体接管行为，并逐渐匹配每个人的驾驶偏好。

两次回复指向的是同一件事：FSD 正在从一次性的驾驶任务执行，走向对驾驶员的长期理解。过去，自动驾驶面对的是一个抽象用户，无论谁坐进车里，背后都是同一套模型；它知道前方道路、车辆和路线规划，却不知道你喜欢提前变道还是多等几秒，跟车更近还是更注重舒适。而如今，特斯拉希望让这些个性化信息成为 AI 决策的一部分。

这意味着 FSD 的关注点从「如何把车开好」，扩展到「在安全范围内，如何按你喜欢的方式开」。这也是特斯拉首次明确走向 Personalized FSD 的方向。

背后关联的三类研究方向

「千人千面」在智能汽车行业并不新鲜，但真正落地困难。技术层面，这一变化对应自动驾驶领域正在兴起的几个研究方向：

• Driver Modeling（驾驶员建模）：为每位驾驶员建立数字画像，从方向盘操作、油门刹车变化、车速与变道频率等数据中提取特征，生成 Driver Embedding，作为规划系统的输入影响决策。
• Preference Learning（偏好学习）：不再区分激进或保守，而是关注同一场景下的选择倾向。例如遇到慢车时，用户更倾向提前变道还是保持车道，AI 通过长期观察逐渐学习。
• Human-in-the-loop Learning：把驾驶员反馈纳入持续学习过程，让人在自动驾驶训练中持续参与，而非仅依赖一次性标注数据。

特斯拉此次提到的「记住用户接管行为」更接近 Preference Learning 的思路。

可能的实现架构

特斯拉并未公开 FSD 个性化功能的具体架构。结合 FSD V12 之后的端到端路线，业界普遍推测不会是「每用户独立模型」——这会导致训练成本巨大且难以更新。更可能延续大模型的成熟路径：基础端到端模型 + 用户偏好记忆层。

• 底层基础模型：负责视觉感知、道路判断、安全驾驶与通用规划，对所有用户共享。
• 上层轻量化 User Preference Layer：记录停车习惯、驾驶节奏、路线偏好、历史接管行为，按用户账号绑定并持续更新。

基础模型决定「能不能这么开」，偏好模型决定「你是不是喜欢这么开」。这与 ChatGPT 通过 Memory 和 User Profile 实现个性化的路径高度类似。

行业意义与待验证之处

Personalized FSD 的出现，可能改变下一阶段自动驾驶的竞争维度。当车位到车位自动驾驶逐渐普及、所有车辆都能完成基础导航与智能驾驶时，差异化将转向：谁更懂你，谁更贴合你的驾驶习惯，谁更像一个长期陪伴的 AI 司机。这一趋势对全栈自研玩家更为有利，依赖「one for all」方案的供应商则更难腾出资源做个性化。

与此同时，Personalized FSD 也回应了 Robotaxi 时代的一个疑问：当 Robotaxi 用一套 AI 服务所有用户时，私家车搭载 AI 司机的独特价值在哪里——千人千面的高级定制体验，正是私家车难以被替代的理由之一。

不过，特斯拉的具体实现方式、安全约束机制，以及个性化能力的边界，目前都尚未公布。个性化不能突破安全边界是核心难点：AI 需要识别并拒绝学习超速、危险变道等行为。FSD 个性化究竟能走多远，仍有待进一步验证。