Neue Fähigkeiten von Teslas FSD sind bekannt geworden: Das autonome Fahren verfügt nun über ein „Benutzermodell“, sodass der KI-Fahrer für jeden Nutzer ein völlig individuelles Verhalten zeigt.

ChatGPT kann sich an deinen Chat-Verlauf erinnern, kennt deine Ausdrucksgewohnheiten und kann sogar die Antwortweise an die vergangenen Unterhaltungen anpassen.

Jetzt tritt diese „Gedächtnisfähigkeit“ in die physische Welt ein.

Ein Tweet von Elon Musk enthüllt die neuen Veränderungen, die bei Tesla FSD stattfinden:

FSD beginnt, die Fähigkeit zu besitzen, für jede Person anders zu sein.

Von Parkpräferenzen über Fahreingriffe bis hin zu langfristigen Fahrgewohnheiten versucht FSD, die Unterschiede jeder Person zu merken.

Von „einem KI-Dienst für alle Nutzer“ zu „jedem Menschen sein eigener KI-Assistent“.

Elon Musk bestätigt: FSD beginnt, ein „langfristiges Gedächtnis“ zu besitzen

Die Sache geht auf zwei kürzliche öffentliche Antworten von Elon Musk zurück.

Die eine im Juni bezog sich auf Parkgewohnheiten.

Ein Nutzer wünschte sich, dass FSD seine Parkweise an festen Orten merken könnte, beispielsweise wo er zu Hause oder im Unternehmen parkt.

Elon Musk antwortete:

FSD wird bald die Parkpräferenzen der Nutzer merken.

Die jüngste Antwort ist noch wichtiger.

Ein Nutzer berichtete, dass einige Fahrentscheidungen von FSD nicht seinen Gewohnheiten entsprechen, beispielsweise bei der Fahrspurwahl oder dem Zeitpunkt des Spurwechsels.

Elon Musk erklärte, dass zukünftige Fahrzeuge die spezifischen Übernahmehandlungen der Nutzer merken und nach und nach die Fahrpräferenzen jeder Person abgleichen werden.

Im Wesentlichen handeln beide Antworten von derselben Sache:

FSD beginnt, sich von einmaligen Fahraufgaben zu einem langfristigen Verständnis des Fahrers zu entwickeln.

In der Vergangenheit stand das autonome Fahren einem abstrakten Nutzer gegenüber.

Egal wer ins Fahrzeug einsteigt, das zugrundeliegende Modell ist immer dasselbe.

Es weiß: Welche Straße hier liegt, welches Fahrzeug vorausfährt und wie die Route geplant werden soll.

Aber es weiß nicht: Ob du lieber früher die Spur wechselst oder lieber einige Sekunden länger wartest; ob du lieber näher am Vorderfahrzeug fährst oder mehr Wert auf Komfort legst; wo du nach der Heimkehr normalerweise parkst.

Diese menschlichen Fahrgewohnheiten sind bisher nicht in das System des autonomen Fahrens eingegangen.

Jetzt macht Tesla diese Informationen zu einem Teil der KI-Entscheidungen.

Anders als bei unseren früheren Gesprächen über FSD bedeutet das „langfristige Gedächtnis“ nicht, dass FSD neu lernen muss, „wie man fährt“ – diese Aufgabe wurde bereits vom Grundmodell erledigt.

Es lernt: Wie du es dir wünschst, dass es innerhalb der Sicherheitsgrenzen fährt.

Das ist auch das erste Mal, dass Tesla öffentlich auf Personalized FSD zusteuert:

Von „einem Modell für alle Fahrer“ zu „Grundmodell + persönliche Fahrpräferenzen“.

Warum gerade jetzt?

Die Phrasen „für jede Person anders gestaltet“ und „je mehr du fährst, desto besser versteht es dich“ werden in der intelligenten Automobilindustrie schon seit vielen Jahren genannt.

Aber die tatsächliche Umsetzung ist schwierig. Das Nutzererlebnis hängt vollständig von der „Eigeninitiative“ und Fähigkeit der Automobilhersteller bei OTA-Updates ab, und es ist nicht selten, dass das Erlebnis nach Systemaktualisierungen abnimmt.

Denn bis heute konzentriert sich der Wettbewerb der meisten Anbieter für autonomes Fahren noch auf Modelle und Daten, und im Wesentlichen geht es darum, wie man die KI zu einem besseren Fahrer macht.

Nachdem Tesla mit V14 die End-to-End-Neukonstruktion abgeschlossen hat, erkundet es als Erstes ein weiteres Problem:

Wie man die KI zu deinem persönlichen Fahrer macht.

Dahinter stehen mehrere Forschungsrichtungen, die in den letzten Jahren im Bereich des autonomen Fahrens aufkamen:

Driver Modeling, Preference Learning und Human-in-the-Loop Learning.

Als Erstes erschien Driver Modeling, also die „Fahrermodellierung“.

Einfach ausgedrückt erstellt sie für jeden Fahrer ein digitales Profil: Manche fahren aggressiver, bevorzugen kürzere Abstände zum Vorderfahrzeug und schließen Spurwechsel schneller ab; andere sind konservativer, neigen dazu, früher zu bremsen und überholen seltener freiwillig.

Herkömmliche Systeme des autonomen Fahrens vernachlässigen diese Unterschiede und gehen standardmäßig von einem „durchschnittlichen Fahrer“ aus.

Das Problem, das Driver Modeling lösen möchte, ist: Die KI soll wissen, welche Art von Fahrer auf dem Fahrersitz sitzt.

Technisch gesehen extrahieren solche Lösungen normalerweise Merkmale aus historischen Fahrdaten, beispielsweise Lenkradbedienung, Änderungen von Gas- und Bremspedal, Geschwindigkeitsänderungen, Spurwechselfrequenz und Abstand zum Vorderfahrzeug. Anschließend wird über ein zusätzliches Modell ein Fahrermerkmalsvektor (Driver Embedding) erzeugt.

Dieser Vektor ändert nicht die grundlegende Fahrfähigkeit, sondern dient als Eingabe für das Planungssystem und beeinflusst die nachfolgenden Entscheidungen.

Aber Driver Modeling hat immer noch ein Problem: Es beurteilt eher „welcher Typ von Mensch du bist“, statt zu verstehen „was du genau bevorzugst“.

Daher entstand in den letzten Jahren das Preference Learning, also das Präferenzlernen. Es geht nicht mehr darum, ob der Fahrer aggressiv oder konservativ ist, sondern darum, welche Wahl der Fahrer in einer konkreten Situation bevorzugt. Beispielsweise wenn man auf ein langsames Fahrzeug trifft: Lösung A ist, früher die Spur zu wechseln, um die Effizienz zu steigern; Lösung B ist, die Spur zu halten, um mehr Komfort zu gewährleisten.

Die KI lernt durch langfristige Beobachtung der Nutzerentscheidungen nach und nach, zu welcher Option dieser bestimmte Nutzer eher neigt.

Das ist dem Logik des Preference Learning bei großen Modellen sehr ähnlich: Die Modellfähigkeit ist die Grundlage, und das Nutzerfeedback bestimmt die Individualität.

Das von Tesla diesmal erwähnte Intervention kommt dieser Richtung sehr nahe.

Natürlich gibt es noch eine dritte Richtung: Human-in-the-Loop, das das Problem löst, wie man Menschen in den Lernprozess des autonomen Fahrens dauerhaft einbezieht.

Herkömmliches maschinelles Lernen hängt normalerweise von einer großen Menge an annotierten Daten ab. Aber beim autonomen Fahren sind die wirklich wertvollen Daten oft nicht das normale Fahren, sondern die Situationen, in denen die KI nicht weiß, was sie tun soll.

Tesla hat in der Vergangenheit eine große Menge an Flottendaten gesammelt, was im Wesentlichen die weltweiten Fahrzeuge als Datenerfassungsnetz nutzt. In Zukunft werden diese Rückmeldungen zusätzlich mit persönlichen Konten verknüpft, sodass sich der Datenwert verändert:

Es hilft nicht nur Tesla, ein einheitliches Modell zu optimieren, sondern auch dem Fahrzeug, einen bestimmten Nutzer zu verstehen.

Tesla hat derzeit keine konkrete Architektur der personalisierten FSD-Funktion veröffentlicht, aber in Anbetracht der End-to-End-Route nach FSD V12 lässt sich eine vernünftige Vermutung anstellen: Die Wahrscheinlichkeit, ein separates „Modell pro Person“ zu trainieren, ist am geringsten.

Der Grund ist einfach: Wenn jeder Nutzer ein eigenes Modell hat, entstehen enorme Trainingskosten, die Aktualisierung wird schwierig und der Vorteil des einheitlichen Modells von Tesla wird zerstört.

Eine Lösung, die besser zum bestehenden System von FSD passt, könnte sein: Grundlegendes End-to-End-Modell + Speicherschicht für Nutzerpräferenzen. Das untere Modell ist für visuelle Wahrnehmung, Straßenbeurteilung, sicheres Fahren und allgemeine Planung zuständig.

Oben wird eine leichtgewichtige User Preference Layer hinzugefügt, die Parkgewohnheiten, Fahrrhythmus, Routenpräferenzen und historische Übernahmehandlungen aufzeichnet.

Das Grundmodell ist zuständig für die Frage „Kann man so fahren?“, das Präferenzmodell für die Frage „Gefällt es dir, wenn man so fährt?“.

Das ähnelt stark dem heutigen Entwicklungspfad großer Modelle: GPT wird nicht für jede Person neu trainiert, sondern realisiert die Personalisierung durch Mechanismen wie Memory und User Profile.

Aber die eigentliche Schwierigkeit liegt hier: Die Personalisierung darf die Sicherheitsgrenzen nicht durchbrechen. Die KI muss verstehen, dass sie nicht Verhaltensweisen wie zu schnelles Fahren oder gefährliche Spurwechsel lernen darf.

Das ist auch der bemerkenswerteste Punkt der aktuellen Erkundung von Tesla: Es lässt die KI nicht zu einem zweiten dir werden, sondern „wird im Rahmen der Sicherheitsbeschränkungen immer ähnlicher dem Nutzer“.

Intelligente Fahrzeuge treten in das Zeitalter „für jede Person anders gestaltet“ ein

In den letzten Jahren lag der Kern des Wettbewerbs im autonomen Fahren darin: Wer hat mehr Daten, wer hat ein stärkeres Modell, wer hat Fähigkeiten, die menschlichen Fahrern näherkommen.

Aber mit dem Erscheinen von Teslas Personalized FSD kann sich der Wettbewerb in der nächsten Phase verändern.

Heute verlassen sich die meisten intelligenten Fahrzeuge noch auf einheitliche Strategien, um alle Nutzer zu bedienen. Aber in Zukunft werden KI-Fahrer immer mehr wie menschliche Fahrer wirken – nicht weil sie Emotionen haben, sondern weil sie deine Gewohnheiten kennen.

Das bedeutet, dass das User Model zu einer neuen Fähigkeitsebene des autonomen Fahrens werden könnte.

Elon Musk löst zwei Probleme mit einem Schlag: Zuerst weist er auf eine neue Verkaufsargument-Richtung für intelligente Fahrzeuge hin, einen Weg, der starke Homogenisierung und ineffiziente Konkurrenz vermeidet.

Nachdem das fahrzeugweite autonome Fahren von Parkplatz zu Parkplatz allmählich verbreitet ist, wird es zu einem neuen Problem, wie der KI-Fahrer in Serienfahrzeugen Unterscheidungen schafft.

Wenn alle Fahrzeuge grundlegende Navigation und intelligentes Fahren beherrschen, wird im nächsten Schritt verglichen: Wer dich besser versteht, wer besser zu deinen Fahrgewohnheiten passt, wer mehr wie ein Fahrer ist, der dich langfristig begleitet.

Natürlich steigen die Anforderungen an die technischen Fähigkeiten.

Insbesondere für Anbieter von „one for all“-autonomem Fahren ist es schwierig, Ressourcen für die Entwicklung solcher Funktionen freizusetzen. Und selbst wenn sie bereit sind, den Automobilherstellern die Berechtigungen zur freien Entwicklung auf dem Grundmodell zu geben, gibt es nur sehr wenige OEMs mit KI-Fähigkeiten auf Codeebene.

Daher ist dies vorteilhaft für Hersteller mit vollständiger eigenständiger Forschung und Entwicklung!

Zuvor gab es eine Frage, die Elon Musk in Verlegenheit brachte: Steht das Modell, mit dem Tesla Fahrzeuge baut und verkauft, nicht im grundlegenden Widerspruch zu den Zielen des autonomen Fahrens?

Nach der Verbreitung des vollständigen autonomen Fahrens scheint es tatsächlich nicht mehr notwendig zu sein, private Fahrzeuge zu kaufen.

Daher löst Personalized FSD für Elon Musk auch ein dringendes Problem: Während die Einführung von Robotaxi in vollem Gange ist, haben private Fahrzeuge und die Ausstattung von KI-Fahrern auf privaten Fahrzeugen immer noch Wert und Notwendigkeit.

Schließlich ist es für Robotaxi die optimale Lösung, einen KI-Dienst für alle Nutzer zu nutzen – es kann keine hochgradig individualisierten Erlebnisse für jede Person bieten.

Der Pfad von Personalized FSD