馬斯克在兩次公開回復中透露，特斯拉FSD正在獲得“長期記憶”能力，從記住使用者的停車偏好開始，未來將學習使用者的駕駛干預行為，逐步匹配每個人的駕駛習慣。這意味著自動駕駛從“一個AI服務所有使用者”走向“每個人都有自己的AI”。

6月的一次回覆中，有使用者提出希望FSD能記住自己在固定地點的停車方式，比如回家停哪裡、去公司停哪裡。馬斯克回應稱FSD很快會記住使用者的停車偏好。最近的一次回覆更加關鍵：有使用者反饋FSD在車道選擇、變道時機等駕駛決策上不符合自己的習慣，馬斯克表示未來車輛會記住使用者具體的接管行為，並逐漸匹配每個人的駕駛偏好。

過去，自動駕駛面對的是一個抽象使用者，無論誰坐進車裡，背後的模型都是同一個。它知道道路、前方車輛和如何規劃路線，但不知道使用者喜歡提前變道還是多等幾秒、跟車距離偏好、回家習慣停在哪裡。這些屬於人的駕駛習慣，一直沒有進入自動駕駛系統。現在，特斯拉讓這些資訊成為AI決策的一部分。

“長期記憶”不是讓FSD重新學習“怎麼開車”，這件事已經由基礎模型完成。它學習的是在安全範圍內，使用者希望它如何開。這是特斯拉第一次公開走向個性化FSD：從“一個模型服務所有司機”走向“基礎模型+個人駕駛偏好”。

“千人千面”“越開越懂你”在智慧汽車行業已喊了很多年，但真正落地很難，因為使用者體驗完全依賴車企OTA的“自覺性”和能力高低。截至目前，絕大多數自動駕駛玩家的競爭還停留在模型、資料層面，本質上都是在解決如何讓AI成為一個更好的司機。而特斯拉在V14完成端到端重構之後，開始率先探索另一個問題：如何讓AI成為你的專屬司機。

這背後對應著近幾年自動駕駛領域興起的幾個研究方向：Driver Modeling（駕駛員建模）、Preference Learning（偏好學習）以及Human-in-the-loop Learning。Driver Modeling給每個駕駛員建立數字畫像，從歷史駕駛資料中提取方向盤操作、油門剎車變化、變道頻率等特徵，生成駕駛員特徵向量，作為規劃系統的輸入。但Driver Modeling更多是在判斷“你是什麼型別的人”，而不是理解“你具體喜歡什麼”。

Preference Learning則更進一步，它關注在具體場景下使用者更喜歡哪個選擇。例如遇到慢車，方案A是提前變道提高效率，方案B是保持車道更加舒適。AI通過長期觀察使用者選擇，逐漸學習特定使用者的傾向。這與大模型的Preference Learning邏輯非常類似——模型能力是基礎，使用者反饋決定個性。特斯拉這次提到的Intervention，更接近這一方向。

Human-in-the-loop解決的是如何讓人在自動駕駛學習過程中持續參與。傳統機器學習依賴大量標註資料，但自動駕駛裡真正有價值的資料往往是AI不知道該怎麼辦的時候。特斯拉過去大量收集車隊資料，本質上就是利用全球車輛作為資料採集網路。未來，如果把這些反饋進一步和個人賬號繫結，資料價值會發生變化：它不只是幫助特斯拉最佳化統一模型，還可以幫助車輛理解某一個使用者。

特斯拉目前沒有公開FSD個性化功能的具體架構，但結合FSD V12之後的端到端路線，可以合理推測：單獨訓練一個“每人一個模型”的可能性最低，因為會導致訓練成本巨大、更新困難，也會破壞特斯拉統一模型的優勢。更符合現有體系的方案可能是：基礎端到端模型 + 使用者偏好記憶層。底層模型負責視覺理解、道路判斷、安全駕駛、通用規劃；上層增加一個輕量化的User Preference Layer，記錄停車習慣、駕駛節奏、路線偏好、歷史接管行為。基礎模型負責“能不能這麼開”，偏好模型負責“你是不是喜歡這麼開”。這其實與今天大模型的發展路徑高度類似——GPT不會因為每個人重新訓練一次，而是通過Memory、User Profile等機制實現個性化。

真正的難點在於：個性化不能突破安全邊界。AI要明白不能學習使用者喜歡超速、危險變道等行為。這也是特斯拉此次探索最值得關注的地方——它不是讓AI變成另一個你，而是“在安全約束內，越來越像使用者”。

過去幾年，自動駕駛競爭的核心是誰的資料更多、誰的模型更強、誰的能力更接近人類駕駛員。但個性化FSD一齣，下一階段競爭可能會發生變化。今天大多數智慧汽車仍依靠統一策略服務所有人，但未來AI司機可能會越來越像真人司機，不是因為它擁有情緒，而是因為它瞭解你的習慣。這意味著User Model可能成為自動駕駛新的能力層。

馬斯克此舉一石二鳥。首先，為智慧汽車指出新賣點方向，避免高度同質化、低效內卷。在車位到車位自動駕駛逐漸普及後，量產車上的AI司機如何建立差異會成為新問題——所有車輛都能完成基礎導航和智慧駕駛，下一步比拼的就是誰更懂你、誰更符合你的駕駛習慣、誰更像一個長期陪伴你的司機。這對技術能力要求更高，尤其是對於“one for all”的自動駕駛供應商來說，可能很難騰出資源開發這樣的功能，而即使他們願意開放許可權給車企在基礎模型上自由開發，有程式碼級AI能力的OEM卻寥寥無幾。因此，這利好全棧自研玩家。

其次，個性化FSD也給馬斯克解了一個燃眉之急。Robotaxi落地如火如荼，但私家車以及把AI司機搭載在私家車上依然有價值、有必要——畢竟Robotaxi用一個AI服務所有使用者就是最優解，不可能給出千人千面的高階定製體驗。個性化FSD路徑與生成式AI的發展非常相似：ChatGPT通過Memory變得更加個性化，AI Agent通過長期記憶完成複雜任務。未來，汽車作為連線物理世界的重要入口，也可能擁有自己的長期記憶。當然，這並不意味著自動駕駛已經進入成熟階段，特斯拉的具體實現方式、安全約束機制以及個性化能力的邊界，都還有待進一步驗證。但至少，一個趨勢已經出現。