近期，特斯拉对其全自动驾驶（FSD）系统进行了一次重要的车载AI模型更新，重点优化了城市道路环境下的自动驾驶能力。这次更新并非简单的Bug修复，而是对感知、决策和控制链路的深度重构，旨在让车辆在复杂的城市交通中表现得更像一位老练的司机。
从技术层面看，新模型引入了更大的神经网络参数规模，同时优化了训练数据的优先级。以往FSD在处理无保护左转、行人突然横穿、或者施工区域变道时，往往会出现犹豫不决或急刹等生硬动作。此次更新通过对海量真实城市驾驶场景的重新学习，尤其是对“博弈”场景的强化训练，使车辆学会了更流畅的交互。例如，当需要并入拥堵车道时，车辆不再机械地等待绝对安全空档，而是能通过轻微移动车身、配合灯光信号来向人类驾驶员传递意图，从而更自然地切入。这种“社会性驾驶”的改进，大幅减少了人机交互中的摩擦感。
在城市道路的细节处理上，更新后的FSD对红绿灯倒计时、路口形状以及交通标志的识别更加精准。以前在视线被大车遮挡时，系统可能会因为看不到信号灯而突然减速，现在它能够利用前车动态或周围车辆的行为模式进行预判，保持更合理的车速。此外，对于非机动车和行人的轨迹预测模型也进行了迭代，系统能更早地察觉轨迹异常，比如突然加速横穿马路的电动车，并提前做出平滑的避让，而不是临近时急打方向。
用户体验方面，第一批推送的北美车主反馈显示，车辆在早晚高峰的繁忙街道上，接管次数显著下降。尤其是在多车道环岛和复杂路口的通行效率提升明显，车辆能更果断地选择最佳路线，不再像过去那样频繁地“思考人生”。许多车主表示，车辆现在更像是一位谨慎但果断的代驾司机，而非一台冰冷机器在机械执行指令。
行业观察者指出，这次更新标志着特斯拉从“能开”向“开得好”迈出了关键一步。虽然距离完全无人驾驶仍有距离，但城市道路场景的持续优化，证明纯视觉方案在复杂环境下的潜力正在被逐步兑现。随着未来训练数据的进一步积累和硬件算力的提升，FSD有望在更多真实路况下实现从辅助到信任的跨越。对于用户而言，这次更新的价值不仅在于技术参数的提升，更在于日常通勤中那份悄然降临的从容。
