黑色皮革手册

大涨158%！“元素周期表”，为何持续火爆？_我的网站

A |     贾浩楠 发自 副驾寺     智能车参考 | 公众号 AI4Auto          ChatGPT能记住你的聊天历史，知道你的表达习惯，甚至可以根据过去的交流调整回答方式。          　　今年以来，全球人工智能(AI)算力基础设施建设提速，带动铜、铝、锡、钽、铟、钼等有色金属需求集中释放，相关品种价格大幅上行，市场迎来了“算力金属”行情。         现在，这种“记忆能力”开始进入物理世界。     　　中国有色金属工业协会统计显示，今年上半年，锡、钽、铟价格分别上涨40%、158%、60%;铜、铝价格同比分别上涨31.4%、18.8%。         马斯克一条推文，透露了Tesla FSD正在发生的新变化：          FSD开始拥有“千人千面”的能力。         从停车偏好，到驾驶干预，再到长期驾驶习惯，FSD正在尝试记住每一个人的不同。         从“一个AI服务所有用户”，走向“每个人都有自己的AI”。         马斯克确认：FSD开始拥有“长期记忆”          事情起源于马斯克最近两次公开回复。         6月的一次，是关于停车习惯。

B |      　　业内将“算力金属”划分为两大类别：      　　一类是支撑AI算力基础设施的核心大宗金属铜、铝，二者作为数据中心供电、散热的基础材料，构筑起算力网络的主干;      　　另一类是钼、锡、铟、锗、镓等小金属，这类金属广泛应用于先进封装、光通信、存储芯片环节，是算力产业链不可或缺的“工业维生素”。      　　铜合金      　　“本轮上涨，是供给刚性约束与新兴产业需求扩张共同作用的结果。         有用户提出，希望FSD能够记住自己在固定地点的停车方式，比如回家停哪里、去公司停哪里。”中国有色金属工业协会副秘书长兼重金属部(矿产资源办公室)主任段绍甫分析，在需求端，AI服务器、高速光模块、先进封装等环节，对“算力金属”形成了不可替代的实物消耗。         马斯克回应：          FSD很快会记住用户的停车偏好。         最近的这一次，更加关键。         有用户反馈，FSD在一些驾驶决策上不符合自己的习惯，比如车道选择、变道时机等。     　　卓创资讯与富宝资讯铁合金高级分析师张秀华认为，供给端约束持续收紧：多国将相关品种纳入关键矿产管理，矿山投资、出口管控趋严;叠加矿山原矿品位持续下降，老矿逐步减产，新建矿山投产节奏难以匹配需求增长。         马斯克表示，未来车辆会记住用户具体的接管行为，并逐渐匹配每个人的驾驶偏好。

C |          两次回复本质上是同一件事：          FSD开始从一次性的驾驶任务，走向长期理解驾驶员。         过去，自动驾驶面对的是一个抽象用户。

D |      　　与此同时，今年6月份施行的《中华人民共和国矿产资源法实施条例》(以下简称《条例》)，将相关金属划入战略性资源目录，进一步强化了供给约束预期。      　　铝基材料      　　保障“算力金属”稳定供给，事关AI产业长远发展。工业和信息化部等八部门印发的《有色金属行业稳增长工作方案(2025—2026年)》提出，促进资源高效利用、提高资源保障水平。“十五五”规划纲要明确，加强战略性矿产资源勘探开发和储备，深入实施新一轮找矿突破战略行动。     　　依托政策引导，多家矿业上市公司加快并购布局，持续夯实算力相关矿产资源储备，稳固AI产业链上游供给底座。     　　业内人士认为，企业并购整合优质矿产、适度扩产，有助于提升我国在全球资源市场的话语权，归集战略资源，打造自主可控供应链，支撑全球科技竞争。

E |          无论谁坐进车里，背后的模型都是同一个。     　　“《条例》提出构建产品、产能和产地储备相结合的战略性矿产资源储备体系，建立矿产资源供应安全预测预警工作体系，增强了有色金属资源安全保障能力。

F | ”段绍甫表示，与算力相关的有色金属，其上游矿产资源对外依存度较高，企业应增强供应链韧性。         它知道：这里是什么道路，前方有什么车辆，应该如何规划路线。         但它不知道：你喜欢提前变道，还是宁愿多等几秒；你喜欢跟车近一点，还是更关注舒适；你回家时习惯停在哪里。         这些属于人的驾驶习惯，一直没有进入自动驾驶系统。         而现在，Tesla让这些信息成为AI决策的一部分。         和之前我们谈论FSD不同的是，“长期记忆”不是让FSD重新学习“怎么开车”，这件事已经由基础模型完成。         它学习的是：在安全范围内，你希望它如何开。         这也是Tesla第一次公开走向Personalized FSD：          从“一个模型服务所有司机”，走向“基础模型+个人驾驶偏好”。

G |          为什么是现在？          “千人千面”“越开越懂你”，智能汽车行业其实喊了很多年。

H |          但真正落地很难，用户体验完全依赖车企OTA的“自觉性”和能力高低，系统更新后体验下降的事也不罕见。         因为截至目前，绝大多数自动驾驶玩家竞争，还停留在模型、数据层面，本质上都是在解决：如何让AI成为一个更好的司机。         而特斯拉在V14完成端到端重构之后，开始率先探索另一个问题：          如何让AI成为你的专属司机。         这背后，对应的是近几年自动驾驶领域兴起的几个研究方向：          Driver Modeling、Preference Learning以及Human-in-the-loop Learning。         最早出现的是Driver Modeling，也就是“驾驶员建模”。

I |          简单来说，就是给每个驾驶员建立一个数字画像，比如：有人开车更激进，喜欢更短跟车距离，喜欢更快完成变道；有人更保守，倾向提前减速，更少主动超车。         传统自动驾驶系统会把这些差异忽略，默认存在一个“平均驾驶员”。         而Driver Modeling希望解决的问题是：AI应该知道，坐在驾驶位上的到底是哪一种司机。         技术上，这类方案通常会从历史驾驶数据中提取特征，比如方向盘操作、油门刹车变化、车速变化、变道频率、跟车距离。然后通过一个额外的模型，生成驾驶员特征向量（Driver Embedding）。         这个向量不会改变基础驾驶能力，而是作为规划系统的输入，影响后续决策。         但Driver Modeling仍然存在一个问题：它更多是在判断“你是什么类型的人”，而不是理解：“你具体喜欢什么”。         于是近几年出现了Preference Learning，也就是偏好学习，它关注的不再是这个司机属于激进型还是保守型，而是这个司机在具体场景下更喜欢哪个选择。例如同样遇到慢车，方案A是提前变道，提高效率；方案B是保持车道，更加舒适。         AI通过长期观察用户选择，逐渐学习这个特定用户更倾向哪一种。         这与大模型的Preference Learning逻辑非常类似，模型能力是基础，用户反馈决定个性。         而Tesla这次提到的Intervention，其实更接近这一方向。         当然还有第三个方向，是Human-in-the-loop，它解决的问题是如何让人在自动驾驶学习过程中持续参与。         传统机器学习通常依赖大量标注数据。但自动驾驶里，真正有价值的数据，往往不是正常驾驶，而是：AI不知道该怎么办的时候。

J |          特斯拉过去大量收集车队数据，本质上就是利用全球车辆作为数据采集网络。而未来，如果把这些反馈进一步和个人账号绑定，那么数据价值会发生变化：          它不只是帮助Tesla优化一个统一模型，还可以帮助车辆理解某一个用户。

K |          Tesla目前没有公开FSD个性化功能的具体架构，但结合FSD V12之后的端到端路线，可以做一个合理推测：单独训练一个“每人一个模型”的可能性最低。

L |          原因很简单，如果每个用户都有独立模型，那么会导致训练成本巨大，更新困难，也会破坏Tesla统一模型的优势。         更符合FSD现有体系的方案，可能是：基础端到端模型 + 用户偏好记忆层。也就是底层模型负责视觉理解、道路判断、安全驾驶、通用规划。         上层增加一个轻量化的User Preference Layer，记录停车习惯、驾驶节奏、路线偏好、历史接管行为。         基础模型负责“能不能这么开”，偏好模型负责“你是不是喜欢这么开”。         这其实和今天大模型的发展路径高度类似：GPT不会因为每个人重新训练一次。而是通过Memory、User Profile等机制实现个性化。         不过，真正的难点也在这里：个性化不能突破安全边界。AI要明白不能学习你喜欢超速、喜欢危险变道等等行为。         这也是特斯拉此次探索最值得关注的地方：它不是让AI变成另一个你，而是“在安全约束内，越来越像用户”。         AI汽车进入“千人千面”时代          说过去几年，自动驾驶竞争的核心是：谁的数据更多，谁的模型更强，谁的能力更接近人类驾驶员。

M |          但特斯拉的Personalized FSD一出，下一阶段，竞争可能会发生变化。         今天，大多数智能汽车仍然依靠统一策略服务所有人。但未来，AI司机可能会越来越像真人司机，不是因为它拥有情绪，而是因为它了解你的习惯。         这意味着，User Model可能成为自动驾驶新的能力层。         马斯克一石二鸟，解决了两个问题，首先是再次给智能汽车新卖点指出方向，而且是避免高度同质化、低效内卷的路径。         在车位到车位自动驾驶逐渐普及之后，量产车上的AI司机如何建立差异，会成为新的问题。         所有车辆都能完成基础导航和智能驾驶，那么下一步比拼的就是：谁更懂你、谁更符合你的驾驶习惯、谁更像一个长期陪伴你的司机。

N |          当然，对技术能力的要求更高了。

o |          尤其是对于“one for all”的自动驾驶供应商来说，可能很难腾出资源去开发这样的功能，而即使他们愿意开放权限给车企在基础模型上自由开发，有代码级AI能力的OEM却寥寥无几。         所以，利好全栈自研玩家！          其次，之前有一句话把老马问道语塞：特斯拉造车卖车的模式，跟自动驾驶追求的目标，是不是本质上矛盾？          完全自动驾驶普及后，好像的确没有再买私家车的必要。         所以，Personalized FSD也给马斯克解了一个燃眉之急——Robotaxi落地如火如荼，但私家车，以及把AI司机搭载在私家车上依然有价值、有必要。         毕竟Robotaxi用一个AI服务所有用户就是最优解，不可能给出千人千面的高级定制体验。         Personalized FSD路径，其实与生成式AI的发展非常相似。         ChatGPT通过Memory变得更加个性化，AI Agent通过长期记忆完成复杂任务。         未来，汽车作为连接物理世界的重要入口，也可能拥有自己的长期记忆，当然，这并不意味着自动驾驶已经进入成熟阶段。         Tesla的具体实现方式、安全约束机制，以及个性化能力的边界，都还有待进一步验证。         但至少，一个趋势已经出现。

Current article:http://jyt7cvq.dinggaxilianmaiyuejienianguai.shop/list_5stajz/mmi.html

Published on:00:24:51