特斯拉近日公布了其在迈阿密的Robotaxi服务区地图,划定的地理围栏仅覆盖都市区的一小部分——主要集中在西迈阿密,以及向多拉尔和斯威特沃特延伸的一条狭长地带。
这是特斯拉又一次为新城市"画框",但回顾过去一年在得克萨斯州的实际表现,这则公告显得底气不足。
特斯拉Robotaxi官方账号发布的迈阿密地图显示,服务区大致以SR-826(帕尔梅托高速)为北界,US-41为南界,边缘以数条州道为限。迈阿密戴德县的绝大部分区域均不在覆盖范围之内,包括迈阿密市中心、迈阿密海滩、机场,以及科勒尔盖布尔斯的大部分地区。
迈阿密早已出现在特斯拉的扩张计划中。该公司曾宣布,将在2026年上半年将其列为五座目标新城市之一,另外四座分别是凤凰城、奥兰多、坦帕和拉斯维加斯。然而,这一时间表已悄然从明确的"2026年上半年"变成了模糊的"准备工作正在推进中"。
在地图上划定服务区不过是第一步,特斯拉已经反复这样做过——先是奥斯汀,随后是达拉斯和休斯顿,每次上线时地理围栏都极为有限,且车内配有监督员在场。
特斯拉于2025年6月在奥斯汀正式推出Robotaxi服务,但一年过去,该服务的规模依然微小。据市政官员估计,特斯拉在奥斯汀的运营车队约有50辆,而真正实现无监督运营——即车内无特斯拉员工的车辆——数量更少。最新数据显示,无监督车队规模非但没有增长,反而在收缩,从峰值约25辆下滑至约14辆活跃车辆。
特斯拉后来将服务范围扩展至整个奥斯汀都市区,但在仅有约20辆车运营的情况下,更大的覆盖范围对乘客而言意义有限。等待时间经常超过15分钟,超过四分之一的查询显示根本没有可用车辆。
特斯拉规模化推进受阻的原因并不神秘,也与地图划定无关,症结在于安全性——就连埃隆·马斯克本人也承认了这一点。
在2026年第一季度财报电话会议上,马斯克向投资者表示,安全验证是制约Robotaxi扩张的核心因素,公司正在等待重写版FSD v15带来的性能提升后,才会考虑大规模推进。目前,特斯拉已就奥斯汀发生的一系列碰撞事故向美国国家公路交通安全管理局(NHTSA)进行了报告,独立分析也指出其事故率约为普通人类驾驶员平均水平的四倍。
特斯拉持续发布这类地图的动机不难理解——每座新城市都能制造话题,而每一个话题都在为其自动驾驶叙事背书,这一叙事支撑着特斯拉相当大一部分市值。但服务区不过是地图上的一个多边形,它丝毫无法说明特斯拉能否在这片区域内安全且规模化地运营无人驾驶汽车。
得克萨斯州的实际情况给出了答案:暂时还不能。奥斯汀上线整整一年后,特斯拉仍只运营着寥寥数辆车,无监督车队的规模不升反降,马斯克本人也坦承公司正在等待FSD v15才敢推进扩张。类似的说法我们已经听过不止一次,因此这种承诺目前难以令人信服。
迈阿密就这样加入了这份城市名单。在特斯拉解决安全问题、切实扩大在已运营整整一年的城市中的车队规模之前,在西迈阿密划定一个服务区意义甚微。扩大地图范围,并不等同于扩大服务能力——而特斯拉始终在做前者,却在后者上举步维艰。当特斯拉真正能在单一城市部署数十辆完全无人驾驶的车辆时,那才是值得关注的新闻,而不是又一个新的地理围栏。
Q&A
Q1:特斯拉Robotaxi在奥斯汀运营一年后,实际表现如何?
A:特斯拉于2025年6月在奥斯汀推出Robotaxi服务,但一年后规模依然很小。市政官员估计运营车队约50辆,但真正实现无监督运营的车辆数量更少,且呈下降趋势,从峰值约25辆降至约14辆。乘客等待时间经常超过15分钟,超过四分之一的查询显示没有可用车辆。
Q2:特斯拉Robotaxi迟迟无法大规模扩张的原因是什么?
A:核心原因是安全性问题。马斯克在2026年第一季度财报会上承认,安全验证是制约扩张的主要因素,公司正在等待重写版FSD v15的性能提升。此外,特斯拉已就奥斯汀发生的多起碰撞事故向NHTSA报告,独立分析显示其事故率约为普通人类驾驶员的四倍。
Q3:特斯拉迈阿密Robotaxi服务区具体覆盖哪些范围?
A:特斯拉公布的迈阿密服务区地理围栏范围较小,大致以SR-826(帕尔梅托高速)为北界,US-41为南界,主要覆盖西迈阿密及向多拉尔、斯威特沃特延伸的区域。迈阿密市中心、迈阿密海滩、机场及科勒尔盖布尔斯大部分地区均不在覆盖范围内。
好文章,需要你的鼓励
亚马逊旗下运营近20年的众包平台Mechanical Turk已停止接受新用户注册,并将于2026年7月30日正式关闭。该平台于2005年上线,早于AWS公有云业务,曾是全球知名的众包任务市场,涵盖验证码识别、情感标注等人工任务,后转型为AI训练数据标注工具。随着亚马逊推出SageMaker Ground Truth等替代方案,Mechanical Turk的历史使命已宣告终结。
腾讯混元联合多所高校提出PolyFlow,用流匹配模型并行生成艺术家风格3D网格,速度比自回归方法快百倍,几何精度达到新高。
微软研究院发布Memora记忆系统,旨在解决AI智能体在长期部署中记忆碎片化、检索效率低的问题。Memora通过将存储内容与检索方式解耦,引入"主抽象"与"线索锚点"双组件架构,在LoCoMo和LongMemEval两项基准测试中表现优异,上下文token用量最高可降低98%。但专家提醒,实际企业成本还需考虑索引、存储及合规审计,且该项目目前仍处于研究阶段,尚未达到生产就绪水平。
这项马里兰大学与思科研究院的联合研究发现,VLA机器人模型的语言模块存在严重冗余——砍掉一半语言层后成功率不降反升,而视觉和动作模块则高度敏感。