馬斯克近期通過兩次公開回復，透露了特斯拉FSD（全自動駕駛）正在發生的重要變化：自動駕駛系統開始擁有“長期記憶”，能夠記住不同使用者的駕駛習慣和偏好，實現“千人千面”的個性化駕駛體驗。
第一次回覆發生在6月，針對使用者提出的希望FSD能記住固定地點停車方式的建議——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。最近一次回覆更為關鍵，有使用者反饋FSD在車道選擇、變道時機等決策上不符合個人習慣，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。
這兩次回覆本質指向同一件事：FSD正在從一次性的駕駛任務，走向長期理解駕駛員。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、車輛和路線規劃，但不知道你喜歡提前變道還是多等幾秒、喜歡跟車近一點還是更注重舒適、回家習慣停在哪裡。這些屬於個人的駕駛習慣，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”並非讓FSD重新學習“怎麼開車”——基礎駕駛能力已由端到端模型完成。它學習的是：在安全範圍內，你希望它如何開。這是特斯拉首次公開走向個性化FSD（Personalized FSD）：從“一個模型服務所有司機”，走向“基礎模型+個人駕駛偏好”。
這一變化背後，對應著自動駕駛領域幾個研究方向：Driver Modeling（駕駛員建模）、Preference Learning（偏好學習）以及Human-in-the-loop Learning（人在迴路學習）。Driver Modeling通過歷史駕駛資料為每個駕駛員建立數字畫像，判斷其屬於激進型還是保守型；Preference Learning則更進一步，關注使用者在具體場景下更傾向哪個選擇，比如遇到慢車時是提前變道還是保持車道；Human-in-the-loop則強調人在自動駕駛學習過程中的持續參與。
特斯拉目前未公開FSD個性化功能的具體架構，但結合FSD V12之後的端到端路線，可以推測：基礎端到端模型 + 使用者偏好記憶層是最可能的方案。底層模型負責視覺理解、道路判斷、安全駕駛和通用規劃；上層增加一個輕量化的User Preference Layer，記錄停車習慣、駕駛節奏、路線偏好和歷史接管行為。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”。這類似於大模型通過Memory、User Profile等機制實現個性化的路徑。
真正的難點在於：個性化不能突破安全邊界。AI不能學習使用者喜歡超速或危險變道等行為。特斯拉此次探索最值得關注的地方是：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”。
這一方向對行業競爭格局可能產生深遠影響。在車位到車位自動駕駛逐漸普及後，量產車上的AI司機如何建立差異將成為新問題。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。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，有程式碼級AI能力的車企也寥寥無幾。這利好全棧自研玩家。
此外，個性化FSD也為馬斯克解決了一個潛在矛盾：完全自動駕駛普及後，是否還有必要買私家車？Robotaxi用一個AI服務所有使用者是最優解，但不可能給出千人千面的高階定製體驗。而個性化FSD讓搭載在私家車上的AI司機依然有價值、有必要。
這一路徑與生成式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，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：自動駕駛正從“一個AI服務所有使用者”，走向“每個人都有自己的AI”。