[首发于智驾最前沿微信公众号]2026年6月至7月间，特斯拉CEO马斯克两次公开回复，透露了FSD将加入用户模型，该模型可以记录并学习每位车主的驾驶偏好。虽然这不是正式发布会上提及的内容，但这个信息指向了一个重要方向，那就是FSD将从一套对所有用户统一的驾驶逻辑，转向能够适配个人习惯的系统。
01
FSD的用户模型能做什么？
根据马斯克的描述，FSD的用户模型主要覆盖停车偏好、驾驶干预以及长期驾驶习惯三类场景。
停车偏好是最早被提及的，今年6月，马斯克在回复用户建议时表示，未来版本的FSD将能够记住用户在家、公司以及学校等地点的停车方式，其中包括倒车入库、车头朝前、与障碍物间距等细节。因为停车是FSD日常使用中被接管的最常见原因之一，解决这个问题将直接改善用户体验。
图片源自：网络
驾驶干预是更关键的一类学习数据，今年7月，一位特斯拉网红在X平台上抱怨，FSD经常在不该离开的位置驶出高载客车道或快速车道。马斯克在回复中明确表示：“车辆将开始记住你具体的人工干预行为，并根据每个人的个人偏好进行调整。”如果用户在类似场景下多次干预，系统就会从中学习驾驶员的驾驶习惯。
图片源自：网络
长期驾驶习惯则涉及更宏观的维度，其中包括跟车距离、变道时机、速度控制风格等。特斯拉近期还推出了接管反馈菜单，每次驾驶员接管时菜单都会出现，让用户反馈接管原因，这些反馈成为收集个性化训练数据的重要入口。
由此可见，FSD正尝试从一个模型服务所有司机走向基础模型加个人驾驶偏好的模式。基础模型解决通用的驾驶能力问题，个人偏好层则可以解决希望它怎么开的问题。
02
这项技术是如何实现的？
在聊接下来的内容之前，需要先申明，截至目前，特斯拉并没有公开用户模型的具体技术方案，但从FSD V12之后的端到端架构出发，可以对其实现路径做一些猜测，也欢迎大家聊聊自己的看法。
FSD自V12版本（2024年）起已完全转向端到端神经网络架构，从摄像头像素输入到车辆控制输出的全过程由单一网络完成，取代了超过30万行的C++控制代码。与传统模块化系统不同，端到端架构不再保留感知、决策、规划、控制等模块之间人为设计的接口，多个模块被合并为一个统一的神经网络，使模型梯度能够从输出端反向传播到输入端，实现了感知与决策的全局联合优化。
用户模型的技术也是建立在端到端架构之上，最可能的方式是在基础模型之上叠加一个轻量级的用户偏好层。这个偏好层可以记录停车习惯、驾驶节奏、路线偏好以及历史干预数据，它不会改变基础驾驶模型的通用能力，而是作为规划系统的输入，影响后续决策。
特斯拉在FSD v14.3.2版本（作为2026.2.9.9软件更新的一部分于2026年4月下旬推送）中就引入了强制接管反馈菜单。当驾驶员手动接管车辆后，中控屏会弹出一个无法关闭或自动消失的反馈界面，驾驶员必须从个人偏好（Preference）、体验不适（Discomfort）、导航问题（Navigation）或严重问题（Critical）这四个选项中选择一个，或通过方向盘麦克风录制语音备注。
这个机制会将每一次人工接管都转化为一个带有明确分类标签的训练样本，为构建用户偏好层提供数据基础。
图片源自：网络
端到端基础模型解决的是怎么开车的问题，但想做到按照谁的习惯开车却是另一回事。一个能够适配个人驾驶偏好的系统，至少需要解决如何描述一个驾驶员的风格，如何理解他在具体场景下的选择，以及如何让人类持续参与模型的迭代这三个问题。
对于一个系统来说，描述驾驶员风格是基础，有一个方法是可以从驾驶员历史驾驶数据中提取特征，其中包括方向盘操作、油门刹车变化、车速变化、变道频率、跟车距离等，然后通过一个额外模型生成驾驶员特征向量。这个向量本身不具备驾驶能力，它仅作为规划系统的输入，让决策结果在一定程度上偏向该驾驶员的风格。
但这个思路只能对驾驶员做类型划分，无法回答他在某个具体弯道会选择什么速度这类更细粒度的问题。两个同属激进型的司机，在某个弯道的速度选择上可能完全不同，因此需要用第二种方法来解决这个问题。
这种方法不再关心驾驶员属于什么类型，而是关注他在具体场景下更喜欢哪个选择。如同样遇到前方慢车，驾驶员A是提前变道以保持通行效率，驾驶员B则是保持当前车道以获得更平稳的乘坐体验，系统通过长期观察用户在不同场景下的选择，逐渐学习这个特定用户的倾向。
这与大语言模型领域的偏好学习逻辑类似，模型的基础能力是通用的，用户的具体反馈决定了模型的个性化输出方向，马斯克提到的干预学习就接近这个思路。这种方法虽然更精细，但它依赖大量的、带明确场景标注的用户反馈数据。
图片源自：网络
前面两种方法要发挥作用，都需要一个共同的前提，那就是系统需要持续获得高质量的人类反馈。有时候最有价值的数据并不是来自车辆的正常行驶，而是来自系统遇到无法处理的情况，也就是用户接管的瞬间。
特斯拉的全球车队本身就是一个数据采集网络，将这些反馈与个人用户账号绑定之后，数据的价值会发生质变。它不只帮助基础模型迭代，也可以让每辆车理解自己的特定用户。接管反馈菜单的设计应该是基于同样的逻辑，用最少的操作成本提供最高密度的有效反馈。
可以说，第二种方法是对第一种方法的细化，第三种方法是前两种方法得以实现的数据基础，三者共同构成了一个完整的个性化驾驶系统框架。至于给每个用户单独训练一个模型的可能性，考虑到成本和算力需求，这不太现实。
更合理的方式应该是在共享的基础模型之上，通过轻量级的偏好层实现个性化需求。这或许也是FSD V15计划将模型参数规模提升约10倍的原因之一，更大的模型容量可以为偏好层的个性化学习提供了更强的支撑。
03
用户模型的出现能带来什么改变？
智驾最前沿以为，特斯拉做用户模型，短期看是提升用户体验，长期看则是在为自动驾驶的竞争格局做准备。
当自动驾驶的基本能力趋同时，行业竞争的重点就会发生转移，届时用户不再关心自动驾驶系统能不能开，而是关心开得合不合我意。这跟智能手机的演变路径类似，最初各家比拼的是硬件参数和基础功能，后来比拼的是系统对个人习惯的适配能力。用户模型的出现，意味着自动驾驶的竞争维度正在从模型能力延伸到对用户的理解深度。
其实，用户模型还在强化私家车的价值，如果Robotaxi能够满足所有出行需求，购买私家车的理由会被削弱。但如果你的车能记住你的驾驶偏好、停车习惯、路线选择，那么拥有属于自己的车就多了一层新的意义。
图片源自：网络
当然，用户模型也会面临一些问题，个性化学习如何不突破安全边界，系统如何判断一个偏好是否在安全允许的范围内，学习数据是在车端还是云端完成，以及该功能是否支持多位驾驶员分别建立偏好，这些问题的答案还有待观察。
但无论如何，让每个用户都有自己的AI，这个转向本身已经足够说明问题，当基础能力逐步趋同时，差异化的体验就成了新的壁垒。特斯拉做这件事，表面上是优化用户体验，实际上是在回答一个问题，在L4级自动驾驶普及之后，私家车还有什么不可替代的价值？如果Robotaxi能解决所有的出行需求，用户为什么还要买一辆车？或许用户模型就是一个答案。这个思路能否跑通还需要时间验证，但它做的这件事已经很值得关注。
热门跟贴