Tesla ha comenzado a implementar la conducción totalmente autónoma (supervisada) v14.3 en vehículos HW4, y el cambio principal está bajo el capó: Tesla reescribió el compilador de IA y el tiempo de ejecución desde cero en MLIR, que según el fabricante de automóviles ofrece un tiempo de reacción un 20% más rápido.
La aggiornamento, que se envía como lectura de software 2026.2.9.6, igualmente trae un nuevo grabador de empleo de estacionamiento en el plano, un mejor comportamiento rodeando de vehículos de emergencia y autobuses escolares, y el primer gratitud sabido de Tesla de que se apoya en MLIR, la infraestructura del compilador construida por Chris Lattner, quien dirigió brevemente Tesla Autopilot en 2017.
¿Qué hay de nuevo en FSD v14.3?
Aquí están las notas de la lectura oficial de Tesla para la conducción autónoma total (supervisada) v14.3, que se envía en la lectura 2026.2.9.6 para HW4 Model S, 3, X, Y y Cybertruck:
- Se actualizó la etapa de educación por refuerzo (RL) para entrenar la red neuronal FSD, lo que resultó en mejoras en una amplia variedad de escenarios de conducción.
- Se actualizó el codificador de visión de la red neuronal, mejorando la comprensión en escenarios raros y de herido visibilidad, fortaleciendo la comprensión de la geometría 3D y ampliando la comprensión de las señales de tráfico.
- Se reescribió el compilador de IA y el tiempo de ejecución desde cero con MLIR, lo que resultó en un tiempo de reacción un 20 % más rápido y mejoró la velocidad de iteración del maniquí.
- Se mitigó la desviación innecesaria de carril y los comportamientos menores de seguir demasiado cerca al transporte.
- Viejo audacia en la selección y maniobra de plazas de aparcamiento.
- Predicción mejorada de la ubicación del estacionamiento, ahora se muestra en un plano con un ícono P.
- Respuesta mejorada a vehículos de emergencia, autobuses escolares, infractores del derecho de paso y otros vehículos poco comunes.
- Se mejoró el manejo de animales pequeños al centrar la capacitación de RL en ejemplos más difíciles y sumar recompensas por una mejor seguridad proactiva.
- Se mejoró el manejo de los semáforos en intersecciones complejas con luces compuestas, caminos con curvas y paradas con semáforos en amarillo, impulsado por capacitación en ejemplos de RL duros provenientes de la flota de Tesla.
- Manejo mejorado de objetos raros e inusuales que se extienden, cuelgan o se inclinan en el camino del transporte al obtener eventos poco frecuentes de la flota.
- Manejo mejorado de degradaciones temporales del sistema al sustentar el control y recuperarse automáticamente sin intervención del conductor, lo que reduce las desconexiones innecesarias.
Tesla igualmente enumera tres nociones en “Próximas mejoras” que aún no están en esta lectura:
- Ampliar el razonamiento a todos los comportamientos más allá del manejo del destino.
- Agregue evitar baches.
- Mejore la sensibilidad del sistema de monitoreo del conductor con un mejor seguimiento de la inspección, manejo de lentes y maduro precisión en condiciones de iluminación variables.
El tiro se basamento en FSD v14 y v14.2, los primeros lanzamientos de redes neuronales de extremo a extremo que se envían en HW4 a escalera, y no incluye ningún soporte para HW3. AI4 (HW4) sigue siendo la única vía de hardware para las actualizaciones de FSD.
La reescritura de MLIR y un advertencia de Chris Lattner
La crencha más interesante en las notas de la lectura es la que alcahuetería del compilador: “Reescribí el compilador de IA y el tiempo de ejecución desde cero con MLIR, lo que resultó en un tiempo de reacción un 20% más rápido y mejoró la velocidad de iteración del maniquí”.
MLIR (Representación intermedia de niveles múltiples) es un tesina de infraestructura de compilador de la Fundación LLVM, originalmente iniciado en Google y ahora ampliamente utilizado en la industria del educación automotriz para inventariar redes neuronales en hardware específico. Fue creado por Chris Lattner, el mismo ingeniero que creó LLVM, Clang y el jerga de programación Swift de Apple, y que dirigió muy brevemente el equipo de software Autopilot de Tesla a principios de 2017 antaño de irse posteriormente de unos seis meses.
Lattner intervino en las notas de la v14.3 sobre X poco posteriormente de que comenzara el tiro:
“Es magnífico ver que Tesla Full Self Driving ha adoptivo la pila MLIR de @LLVMFoundation y, como resultado, está obteniendo un tiempo de reacción un 20% más rápido. ¡Es muy probable que un compilador reciente y un tiempo de ejecución implementen el avance que robotaxi y FSD han estado esperando!”
Viniendo de Lattner, ese no es un respaldo descartable. Conoce la pila de Autopilot desde adentro, construyó el situación del compilador que Tesla ahora ejecuta y podría decirse que es la persona más verosímil del planeta para decretar si es plausible una rendimiento del 20% en el tiempo de reacción a partir de un intercambio de compilador. Él claramente piensa que lo es.
Una reducción de latencia del 20% es un gran problema para una pila de conducción. El tiempo de reacción es la brecha entre las cámaras que ven poco y el automóvil que actúa sobre ello, y reducirlo significa que la misma red neuronal puede frenar antaño, desviarse antaño y manejar casos extremos que anteriormente llegaban al planificador unos cuantos fotogramas demasiado tarde.
Aparcamiento, vehículos de emergencia y menos desconexiones
Más allá del compilador, los cambios visibles para el adjudicatario en v14.3 apuntan principalmente a las dos áreas donde FSD todavía frustra más a los propietarios: estacionamiento y casos extremos extraños.
El nuevo grabador de plaza de aparcamiento en el plano, combinado con una “maduro audacia en la selección y maniobra de plazas de aparcamiento”, es el intento de Tesla de corregir el comportamiento por el que el coche se mete en un aparcamiento y duda entre espacios. El ícono “P” ahora le indica dónde cree que se estacionará el automóvil antaño de salir allí.
La respuesta mejorada a “vehículos de emergencia, autobuses escolares, infractores del derecho de paso y otros vehículos raros” y el mejor manejo de animales pequeños son el tipo de soluciones de posaderas larga que solo provienen de la extirpación de datos de la flota para eventos raros, que es exactamente lo que Tesla dice que hizo para esta lectura. La nota sobre las “degradaciones temporales del sistema” que se recuperan sin la intervención del conductor igualmente es extraordinario, porque esos son el tipo de fallas fugaces en la cámara o en la computación que históricamente han desencadenado desconexiones innecesarias.
Tesla igualmente cambió discretamente el nombre de “Piloto automotriz” a “Conducción autónoma” en la maduro parte de la interfaz de adjudicatario en esta aggiornamento: la pestaña Piloto automotriz en Controles ahora es “Conducción autónoma” y las “Funciones del piloto automotriz” ahora son “Funciones de conducción autónoma”, con TACC, Dirección cibernética y FSD debajo.
La opinión de Electrek
La reescritura de MLIR es lo más importante de esta lectura y igualmente lo más honesto. Tesla casi nunca deje públicamente sobre su infraestructura de software y, cuando lo hace, suele utilizar un jerga de marketing etéreo sobre “redes neuronales” y “de extremo a extremo”. Mandar una nota de tiro que nombre un tesina de compilador de código despejado específico y le adjunte un número concreto del 20% es inusualmente específico para Tesla, y es el tipo de afirmación que la comunidad de compiladores, incluidas personas como Chris Lattner, efectivamente puede evaluar.
Debemos tener cuidado con lo que significa y lo que no significa “tiempo de reacción un 20% más rápido”. Es una perfeccionamiento de la latencia de inferencia en el mismo hardware, no un brinco de capacidad. No hace que FSD sea supervisado o no supervisado. No cierra la brecha con Waymo, que ofrece un servicio comercial genuinamente sin conductor en varias ciudades, mientras que Tesla todavía ofrece un sistema de Nivel 2 que requiere un conductor atento. Los compiladores no resuelven la parte difícil de la autonomía; la parte difícil es el comportamiento que produce la red neuronal, no la velocidad con la que lo produce.
Pero la latencia es el tipo de problema de ingeniería cansado que se agrava. Si Tesla efectivamente obtuvo un 20% de reembolso por una reescritura del compilador, ese es un ganancia que puede desembolsar en otras cosas, y Lattner, quien lo sabría, claramente piensa que es importante. La pregunta interesante es si Tesla puede seguir obteniendo ganancias como esta o si la lectura 14.3 es la triunfo viable antaño de que la curva se aplane nuevamente.
Todo el proceso ha sido de dos pasos en dirección a delante, un paso en dirección a a espaldas, y parece que todavía faltan miles de pasos hasta que Tesla entregue lo que vendió a los clientes: autonomía sin supervisión.
