特斯拉行业报告：盈利模式探讨（90页）

自动驾驶壁垒深厚：海量数据收集，用户数据驱动 • “影子模式”驱动机器学习，特斯拉通过车队获得大量驾驶数据，即便是在未开启的状态下， Autopilot也可以记录并回传感知数据以及驾驶员的操作，搭载HW2/3级别的车辆均为特斯拉的自动驾驶 车队，目前约80万辆+，远远领先行业第二名Waymo的1000辆。 海量数据领先全行业：截止到今年 4 月，基于 Autopilot 的里程数已经达到 30 亿英里，占全行业总路测 数据的99%以上。特斯拉可以获得每天2000万英里的真实、多元的行驶场景，几乎等于Waymo车队的 全部累计行驶里程。自动驾驶壁垒深厚： 坚定视觉解决方案，FSD beta版采取四维数据采集 。坚定使用视觉方案解决L4级别自动驾驶。目前来看普遍使用的L4级别及以上的自动驾驶方案为激光雷达方案， 是目前探测距离最长、分辨率最高的传感器方案，但特斯拉坚定依靠视觉方案代替激光雷达，通过重写FSD算 法，转向4D方案，解决了视觉方案中置信度低、受极端天气影响等问题，将系统能力从 L2 进化至 L4。 Autopilot走向4D，满足L4级别要求。特斯拉从HW2.0开始一直使用硬件为8个摄像头、12个超声波雷达和1个前 置毫米波雷达的数据采集方案，特斯拉将Autopilot 从 2.5D（带有2D标注的图像）升维到 4D（空间+时间）， 可以使用从视频中重建的3D立体场景以及时间戳，从而提升 Autopilot 对于周遭环境的理解能力。 

FSD 重写版达到自动驾驶新高度。10月起特斯拉开始推送FSD beta版，对底层架构进行了重写，通过视觉图像 处理的4D逻辑模拟激光雷达的工作原理，在没有高精度地图覆盖的地区也能完成自动驾驶，AP 新版本的深度 神经网络会将包括感知、路径规划、目标识别等所有子神经网络综合于一体，离L4级别自动驾驶更近一步。自动驾驶壁垒深厚：自监督学习技术大幅优化算法提升效率 。自研神经网络训练计算机 Dojo，是实现4D数据处理的基础：FSD重写后采集的4D数据需要极强的数据分析能 力和算力，特斯拉开发神经网络训练计算机 Dojo处理视频视觉，Dojo能够从车端接收大量视频数据，发回到 云端，云端完成无监督的大规模算法训练（Dojo 支持以 FP32 的速度以 1 Exaflop 的速度进行计算，满足处理 视频数据的计算能力需求），再推送到车端，完成整个流程的闭环。  Dojo 可自动处理视频数据，自动训练自动驾驶模型。自监督学习是指用于机器学习的标注（ground truth）源 于数据本身，而非来自人工标注。此前，特斯拉AP团队拥有超过 500 名熟练的数据标注员，用来标注搜集来 的高价值数据。而Dojo可以自动处理视频类的数据，通过自动化的工具主动选取最有指导意义的训练样本，筛 选、清洗、标注这些视频片段，然后完成高效的算法提升。