汽车行业智能驾驶系列报告二：特斯拉FSD，智驾全栈自研，开启宏图新篇.docx

目录

引言 3

概览：软硬件全链路闭环全栈自研构筑强大技术基石 5

发展历程：软硬件持续迭代由外部合作到全栈自研 5

系统架构：软硬件全链路闭环实现高度集成 6

算法端：创新算法优化实现高效神经网络推理 8

感知：先进感知技术，确保精准环境理解和物体识别 8

规划：采用交互搜索框架快速选择最优方案 18

算力端：Dojo超级算力支撑保持能效比优势 21

Dojo系统：特斯拉自研超算平台研发进展迅猛 21

D1芯片：基于存算一体架构实现高效数据传输 24

瓦片集群：由基本单元出发构成大规模算力集群 26

软件系统：采用高效同步机制性能较GPU大幅提升 27

芯片端：自研FSD芯片集成高效计算能力 30

硬件架构：由合作迈向自研运算性能强大 30

编译推理：高效优化最大化计算资源利用 34

数据端：自动化数据闭环优化数据驱动训练 36

自动标注：自动化4D标签生成提升标注效率 36

仿真模拟：构建虚拟场景优化算法表现 39

数据引擎：集成多源数据加速模型训练 42

端到端架构：FSDV12引领实现感知决策一体化 46

特斯拉的AI关键时刻：FSDV12首次实现端到端V13即将推出 46

大模型成就端到端自动驾驶推动感知决策一体化 48

端到端架构演进：感知端到端到OneModel端到端 49

投资建议 51

风险提示 52

插图目录 53

表格目录 54

引言

本报告为特斯拉FSD专题报告，从算法端、算力端、芯片端、数据端四个层面出发，对FSD系统底层技术原理进行全面深度拆解，并结合端到端架构演进趋势，对FSD系统的最新发展变化进行梳理，对板块后续核心催化进行展望。

FSD是一套包含感知、规控、执行在内的全链路自动驾驶软硬件架构，在算法、算力、数据、芯片等层面实现了高度集成：

1）算法端：感知规划算法全栈自研，实现从纯视觉信息输入到规划方案输出。

感知。特斯拉采用BEV+Transformer架构，将2D图像转化为对周围环境的准确3D感知。而后，特斯拉将该架构升级为OccupancyNetwork，能够直接在向量空间产生体积占用，精准识别物体运动状态差异；2）规划。特斯拉采用交互搜索框架，以任务分解的方式对一系列可能的行驶轨迹进行研究，实现对规划方案的实时评估。通过算法端全栈自研，特斯拉以低成本感知硬件进行高阶智驾能力输出，快速实现自动驾驶算法优化迭代。

算力端：从0到1构建超级计算机系统，为远期算力提供强大支撑。特斯拉从算力芯片开始，完整构建Dojo超级计算机系统，以处理自动驾驶所需海量数据。2021年8月，Dojo在特斯拉首届AIDay上正式亮相，定位为超高速训练计算机，采用分布式计算架构设计，算力分为内核级、芯片级、格点级、集群级等四个层级，实现从训练节点到训练集群的完整构建。特斯拉从0到1构建超级计算机系统，旨在摆脱对英伟达GPU的依赖，为远期算力瓶颈进行前瞻布局。

芯片端：由合作迈向自研，实现高性能算力集成。特斯拉自动驾驶硬件平台初期与Mobileye、英伟达等合作，2019年正式发布基于自研FSD芯片的HW

3.0系统，开始转向硬件平台全面自研，下一代全自动驾驶（FSD）硬件——AI5，预计将于2025年下半年投产。FSD硬件计算平台采用两颗SoC芯片，以双系统设计提升自动驾驶功能安全冗余。特斯拉构建了神经网络编译器与链接器，以最大化计算资源利用率、吞吐量，并最小化延迟。通过芯片自研，特斯拉能够实现硬件方案的持续快速迭代，与软件算法进行更好的整合，从而实现更优的系统性能。

数据端：高效自动标注+构建仿真场景，实现数据驱动训练。2020年，特斯拉开始研发并使用数据自动标注系统，能够在12小时内自动标注一万个驾驶旅

程，可抵充500万个小时的人工标注工作，极大提高了标注效率。仿真模拟则可以提供现实世界中难以获得或是难以标记的数据，从而加速FSD能力的训练，赋能模型迭代。结合真实数据和标签，以及仿真和手动校准的数据，特斯拉形成综合训练数据集，用于训练车端的在线模型，涉及网络占用、车道线和障碍物检测以及规划算法，形成闭环的数据流，实现自动驾驶系统的持续优化。

FSD技术端快速进化，V12为首个端到端自动驾驶系统，能够模拟人类驾驶行为，实现感知决策一体化。特斯拉FSDv12于2023年底推出，采用端到端大

模型，消除了自动驾驶系统的感知和定位、决策和规划、控制和执行之间的断面，将三大模块合在一起，形成了一个大的神经