芝能智芯出品

特斯拉正在對AI芯片和硬件的開發(fā)做了重新的安排，這家以硬件自研聞名的公司，關閉原有的Dojo超算研發(fā)部門，將核心算力資源集中到兩款新一代自研芯片——AI5和AI6。

不同于Dojo時代的“訓練為王”，特斯拉的新策略是圍繞這兩款芯片，構建推理與訓練一體化的分布式計算平臺，并將推理集群置于FSD（完全自動駕駛）研發(fā)的中心位置。

這背后是特斯拉對自動駕駛訓練體系的根本調整——從依賴真實道路數(shù)據(jù)，轉向由世界模型生成的合成數(shù)據(jù)驅動。

通過在云端高并發(fā)運行世界模型，特斯拉可以批量生產覆蓋極端與長尾場景的合成駕駛數(shù)據(jù)，并與真實數(shù)據(jù)結合，快速訓練、迭代可部署在車端的FSD模型，壓縮了數(shù)據(jù)采集和標注的成本與周期，還讓特斯拉在安全性和可控性上掌握了主動權。

Part 1 AI 芯片戰(zhàn)略調整背景與硬件架構演變

特斯拉的Dojo項目自啟動以來，一直被視為公司在自動駕駛與AI算力自主化道路上的重要里程碑。

其早期定位是打造一個可在內部完成大規(guī)模神經(jīng)網(wǎng)絡訓練的專有超算平臺，減少對外部GPU廠商的依賴，并為FSD（全自動駕駛）模型提供持續(xù)、快速迭代的訓練環(huán)境，隨著FSD研發(fā)思路的演變和合成數(shù)據(jù)生成的重要性上升，特斯拉發(fā)現(xiàn)原有的Dojo路線存在冗余性與資源分散問題。

關閉Dojo超算研發(fā)部門并非完全放棄自研AI硬件，而是將核心資源集中于AI5與AI6兩款芯片。這兩款芯片均由特斯拉自主設計，臺積電代工生產，具備推理與訓練的雙重能力。

馬斯克在最新表態(tài)中指出，與其同時研發(fā)多條產品線，不如通過在架構、帶寬和封裝上的優(yōu)化，將AI5與AI6的算力模塊化組合，以滿足從車端到云端不同場景的計算需求。

在硬件架構上，特斯拉提出了靈活的擴展模式：單顆AI5或AI6可在車輛或機器人端完成推理任務，而多顆芯片并聯(lián)（最多可達512顆）則可構建高帶寬推理集群，承擔世界模型運行及大規(guī)模合成數(shù)據(jù)生成任務。

該方案被稱為“Dojo 3”，但其本質已不再是單一的訓練超算，而是一個推理驅動、可兼顧訓練的分布式計算平臺。

AI5與AI6在設計理念上強調晶體管密度與數(shù)據(jù)通道帶寬的平衡。單顆芯片擁有數(shù)百億級晶體管，面積達645平方毫米，采用模塊化封裝，以降低熱管理與電源分配的復雜度。

在生產環(huán)節(jié)，三星有可能承接AI6的部分制造任務，而英特爾則被傳將參與芯片封裝，形成臺積電—三星—英特爾三方協(xié)作模式。這一多元化供應鏈不僅有助于降低單一代工風險，也為特斯拉在產能和成本控制上提供更多主動權。

與此同時，特斯拉并未放棄外部算力資源，而是繼續(xù)使用英偉達GPU集群進行世界模型訓練，并與內部AI5/AI6推理集群形成互補。

英偉達在超大規(guī)模訓練場景下依舊具備成熟的軟件生態(tài)和性能優(yōu)勢，而特斯拉自研芯片則在特定推理任務中具備更高的能效比。

這種混合架構為特斯拉的計算平臺帶來了兼容性與靈活性，既保持了技術的自主性，又利用了外部成熟資源的穩(wěn)定性。

Part 2 合成數(shù)據(jù)驅動的FSD訓練體系重構

特斯拉戰(zhàn)略調整的核心動因，并非單純出于硬件設計的優(yōu)化，而是與其FSD模型訓練方法的根本變化密切相關。

過去，F(xiàn)SD訓練高度依賴從特斯拉車隊收集的真實道路數(shù)據(jù)，這種方式雖然保證了數(shù)據(jù)的真實性與多樣性，但在覆蓋極端場景、長尾分布以及高危駕駛情境方面存在明顯不足。此外，真實數(shù)據(jù)的采集與標注成本高昂，且迭代周期受制于現(xiàn)實條件。

特斯拉正將訓練數(shù)據(jù)集的重心轉向由世界模型生成的合成數(shù)據(jù)。

所謂世界模型，是在云端訓練出的超大規(guī)模AI模型，它能夠在虛擬環(huán)境中模擬道路、交通參與者及各種天氣與光照條件。通過在該模型上進行推理，特斯拉可以快速生成數(shù)量龐大、分布多樣且可控性極高的合成駕駛數(shù)據(jù)。這些合成數(shù)據(jù)再與一定比例的真實道路數(shù)據(jù)結合，用于訓練新的FSD模型。

這一策略帶來的直接結果是，F(xiàn)SD模型訓練中推理的比重顯著提升。

◎ 傳統(tǒng)流程中，推理主要發(fā)生在車輛端，即模型已經(jīng)訓練完畢后用于實際駕駛決策；

◎ 而現(xiàn)在，大量推理任務被前置到云端世界模型運行階段，用于合成數(shù)據(jù)生成。

這要求云端推理系統(tǒng)具備極高的帶寬與低延遲能力，以支持成千上萬場景的并行生成。在此背景下，由AI5/AI6芯片組成的推理集群（即Dojo 3）正好契合這一需求。

在新的訓練體系下，特斯拉的AI工作流大致分為三個層次：

◎ 首先，使用英偉達GPU集群訓練超大參數(shù)量的世界模型。該模型并不直接部署到車輛上，而是作為合成數(shù)據(jù)生成引擎。

◎ 其次，通過AI5/AI6推理集群運行世界模型，在大規(guī)模并行運算中生成覆蓋廣泛場景的合成數(shù)據(jù)。這些數(shù)據(jù)可靈活調整參數(shù)，例如增加雨雪天氣、夜間駕駛、特殊交通事件等長尾情景。

◎ 最后，將合成數(shù)據(jù)與部分真實道路數(shù)據(jù)混合，訓練出小參數(shù)量、可在車端部署的FSD模型，并在車隊中進行快速迭代與反饋更新。

采用合成數(shù)據(jù)的優(yōu)勢不僅在于效率與可控性，還在于安全性。許多現(xiàn)實中危險或難以重現(xiàn)的情景，可以在虛擬世界中無限次模擬，從而在不增加現(xiàn)實風險的前提下提升模型的應對能力。

這種方法也逐漸成為AI領域的共識趨勢，不僅特斯拉，近期一些大型模型如Grok 4、GPT-5也采用了類似的策略，將合成數(shù)據(jù)作為訓練集的重要組成部分。

小結

特斯拉在硬件與數(shù)據(jù)策略上的同步轉向，使其FSD研發(fā)模式形成了新的閉環(huán)：世界模型在GPU集群上訓練，AI5/AI6推理集群批量生成合成數(shù)據(jù)，最終產出的輕量模型部署到數(shù)百萬輛車上進行驗證和優(yōu)化。這樣的架構既保留了英偉達GPU的成熟生態(tài)，又通過自研芯片掌握了關鍵環(huán)節(jié)的算力自主權。

在整個行業(yè)都在探索自動駕駛與通用人工智能融合的今天，特斯拉的做法提供了一種參考路徑——推理與訓練不再涇渭分明，真實與合成數(shù)據(jù)不再對立，而是在硬件、算法與生產流程上高度耦合。這可能是下一階段AI競爭的主流方向。

       原文標題 : 特斯拉關停Dojo研發(fā)，AI5/AI6芯片成為新核心