FSD V14 真的快能無人監督了嗎？美國自駕看見最後 0.1% 難題

上一篇我們聊到，這次透過 Turo 租了 2026 全新 Model Y，在美國實測 FSD V14 後，最強烈的感受是它真的已經很會開。從舊金山前往優勝美地、太浩湖，再一路回到灣區與南加州，FSD V14 在高速公路、城市道路與山路中的表現，都已經相當接近真正的「旅程代駕」。

但越是接近無人監督，最後那一小段差距就越值得仔細看。因為真正卡住 FSD 的，往往不是一般道路上的跟車、轉向或變換車道，而是施工管制、惡劣天氣、圖資錯誤、私人停車場、人類互動、機場接送與臨時停靠這些「現實世界不照規則來」的狀況。也就是說，FSD 距離無人監督真正難的地方，往往不是前面 99.9%，而是最後那 0.1%。

FSD 已經很會開，但無人監督難在例外情境

如果只看一般道路行駛，FSD V14 的進步已經非常明顯。它能穩定跟車、轉彎、變換車道、處理 STOP SIGN，也能在山路中維持相當高的穩定性與舒適度。對長途旅行來說，這已經足以大幅降低駕駛疲勞。

但無人監督自駕的標準不是「大部分時間都能開」，而是車上沒有駕駛可以接手時，系統要怎麼處理那些不完美、不標準、不在地圖上的狀況。

這趟美西自駕讓我們更清楚看到，FSD V14 的挑戰可以大致分成幾類：臨時施工與手勢管制、雨雪與能見度問題、鏡頭髒污與硬體維護、目的地停車與專用車格、私人停車場圖資、取票口與人工售票互動，以及未來 Cybercab 或無方向盤車型如何讓乘客手動微調。

這些都不是單純「會不會開車」的問題，而是「能不能理解現實世界正在發生什麼」。

臨時道路狀況：看得懂指令，不一定懂整段情境

FSD V14 對道路標線、號誌、STOP SIGN 與一般車流判斷已經相當成熟，但真實道路並不總是照著標準規則運作。施工路段、封閉道路、臨時交通錐、人員手勢與現場管制，往往才是最考驗自駕系統的地方。

施工路段：看得懂 STOP，也未必知道管制何時結束

這次前往優勝美地途中，我們遇到一段施工路段，現場採用「單線雙向機動管制」。這種場景在山區或郊區道路很常見，施工人員會在一端手持 STOP 牌，讓一個方向的車流停下，等對向車輛通過後，再用手勢放行。

FSD 在這個場景的前半段表現其實相當好。施工人員手拿 STOP 牌時，FSD 可以正確識別並停車；當施工人員開放通行時，FSD 也能識別手勢，並正確駛入施工中僅開放的對向車道。

這代表 FSD 並不是看不懂施工人員，也不是不能處理臨時指揮。它已經可以理解「有人叫我停」、「有人讓我走」這類明確訊號。

真正的難點出現在通過施工路段之後。當時順向車道仍擺放著相距較遠的交通錐，FSD 便判斷可以駛回順向車道，但問題是順向車道末端仍然有施工，單線雙向路段其實還沒有結束。

FSD 已經能處理單一指令，但要理解一整段臨時交通管制的開始、延續與結束，仍然是更高一層的判斷。不是每個規則都畫在車道線上，也不是每個現場狀況都有清楚的地圖資料。

圖資錯誤：導航知道路，但不一定知道門關了

圖資問題同樣是 FSD 無人監督化必須面對的挑戰。

例如 Motel 6 Monterey 旅館，FSD 可能因為圖資關係導航到後門出口。問題是，該後門出口在夜間已經關閉，但系統仍可能依照導航資料前往該出口。

這種情境對人類來說很好處理，看到門關起來，就改走別的出口。但對自駕系統來說，它需要先辨識「這條路不可通行」，接著理解「這不是暫時障礙，而是目前無法使用的出口」，再重新規劃路線。

同樣在 Spooner Lake Visitor Center，FSD 抵達時停在入口收費處，但收費處沒人。車輛等待一段時間後，自動倒車，改往下一個導航點，並沒有進入停車區。離開時遇到封閉道路，FSD 則能繞開並轉一圈後重新找到正確出口。

這些案例代表 FSD 已經有一定的重新規劃能力，但圖資與現場狀態不一致時，仍然會帶來很多不確定性。

天氣與視覺限制：不是軟體進步就能完全解決

很多人討論 FSD 時，會把重點放在軟體版本、模型能力與決策邏輯，但自駕車要真正進入無人監督階段，天氣與硬體狀態同樣重要。因為再好的 AI，也需要看得清楚、判斷得穩定，才有辦法持續自駕。

惡劣天氣：FSD 會降級，也可能要求駕駛接管

這次行程中，優勝美地剛好遇到一場強大的春季風暴，當時甚至發布了冬季風暴警報。雨雪天氣下，FSD 的表現就會變得更保守。

在雨雪、濃霧或能見度不佳的環境中，FSD 的速度上限會降低，車機也會顯示「FSD 全自動輔助駕駛（受駕駛監督）可能已降級，偵測到惡劣天氣」。這時候 FSD 仍然可能繼續行駛，但速度會明顯比一般天氣更保守，有時甚至略低於一些比較勇敢的人類駕駛。

如果能見度低於一定程度，系統也會跳出紅色方向盤，要求駕駛接管。這是目前 FSD 仍然存在的明確邊界：當系統判斷自己無法穩定掌握環境，就會交出主控權，退出自駕功能。

比較特別的是，FSD 和傳統 Autopilot 的接管邏輯不完全一樣。在一些一般路況中，即使系統短暫跳出紅色方向盤、要求駕駛接管，FSD 仍可能在 1 秒內重新掌握狀況，接著繼續執行自駕。這和一般 Autopilot 一旦跳出接管警示、自駕功能就完全停止的體驗不太一樣。

這代表 FSD 的異常處理更動態，也更像是在嘗試自我恢復。但對無人監督來說，只要仍然存在「需要人類接手」的情況，這就是必須被解決的核心問題。

視覺受影響：車會自己揉眼睛，但鏡頭髒污仍是硬傷

這次租到的 Model Y，前鏡頭區域內部疑似有髒污。平常開起來不一定有明顯影響，但遇到逆光時，就會出現更頻繁的注意力監控提示，車機也曾顯示「自動輔助駕駛期間偵測到鏡頭能見度不佳。請透過 Tesla 應用程式安排清潔服務。」

有趣的是，目前 FSD 在前方視覺受影響時，會自動噴灑雨刷水，並快速刷動攝影機區域。從車內看起來，真的很像車子在自己「揉眼睛」。這趟旅程中，這個動作出現得相當頻繁，推測也和前方玻璃內部髒污有關。

但問題是，這類髒污不是駕駛在路邊擦外側玻璃就能解決，而是需要清潔前鏡頭區域車內玻璃。對一般租車使用者來說，這幾乎無法自行處理；對未來 Robotaxi、Cybercab 或大規模無人車隊來說，這也代表自駕可靠度不只取決於 AI 模型與軟體版本，車輛硬體維護品質同樣會變成關鍵。

一台車能不能自駕，不只是看它有沒有最新 FSD，也要看鏡頭、玻璃、感測器與整車維護是否保持在良好狀態。當車隊規模變大，這件事可能會比一般人想像中更重要。

停車場才是真實世界最難的一關

如果說道路行駛是 FSD V14 已經明顯進步的地方，那停車場就是它仍然最容易遇到現實世界細節的地方。

停車場看起來速度低、風險低，但其實充滿不規則動線、模糊標線、臨時標誌、行人、推車、專用車格、不同入口與出口。對人類來說，這些很多時候只是「看現場感覺」；但對自駕系統來說，每一個都可能是判斷題。

停車場離場：能啟動，不代表路線最佳

FSD 現在幾乎在所有地點都能直接啟動，包含賣場停車格內。這代表它已經不只是道路上的輔助駕駛，而是能從停車場開始接手，嘗試自己找路離開。

但能啟動，不代表離場路線一定最佳。實際使用下來，FSD 離開停車場時有時會繞一大圈。這可能和圖資有關，也可能代表特斯拉仍需要長時間累積各地場域資料，替不同停車場建立更完整的路線檔案。

換句話說，在特斯拉數量多、資料累積多的大城市，體驗可能會比較好；但在特斯拉數量少的地區，停車場內的表現可能就不一定穩定。

專用車格：會避開身障車位，但可能停進 Curbside Pickup

停車位判斷也是另一個細節。FSD 目前已經知道不該占用身障車位，這點很重要。不過北美許多速食餐廳都設有 Curbside Pickup 或 Mobile Order 專用車格，讓使用者透過 App 點餐後，把車停在指定車位，再由服務員將餐點送到車上。

這類車格不是身障車位，但也不是一般停車格。而目前 FSD 仍有一定機率會停進這些專用車位。

無人監督要處理的，不只是「有沒有格子」，而是「這個格子是不是適合現在這台車停」。

自動停車：停得進去，不代表乘客好下車

這次也觀察到另一個很細的停車問題：車子停得進去，不代表乘客一定好下車。

例如部分 V4 超級充電站的停車布局，可能會讓 FSD 自動停車後，後座乘客沒有足夠空間下車。從車輛角度看，它可能停得正確，甚至也能順利插槍充電；但從乘客角度看，旁邊空間太窄，實際上下車並不方便。

路邊停車也可能出現類似情況。車輛停得合法、位置看似正確，但如果沒有考量後座乘客、行李、路邊障礙物或上下車動線，體驗仍然不理想。

這是 FSD 從「把車停好」走向「把人送好」之間的差距。真正的無人監督自駕，不只要知道哪裡可以停，也要知道人要怎麼上下車、乘客有沒有空間開門、行李能不能拿出來。

Apple Visitor Center：最後停對了，但過程浪費時間

Apple Visitor Center 停車場也是一個很有代表性的案例。

當時 FSD 沒有從正門入口進入停車場，而是繞了半圈到後側入口。停車場內其實有很多車位，但 FSD 仍然持續往內探索，最後停在靠近正門入口的車位。

嚴格來說，最後停的位置是合理的，甚至還算方便。但整個過程浪費了時間。對人類駕駛來說，可能一進停車場看到前方有空位就停了；但 FSD 似乎仍在尋找它認為更適合的車位或路徑。

這種案例很適合用來理解目前 FSD 的停車邏輯：它不是不能停，而是有時不一定用最有效率、最符合人類直覺的方式完成停車。

私人停車場：到得了地址，不一定找得到入口

在洛杉磯 Airbnb 的場景也很典型。該地址雖然有停車場，但 FSD 導航到地址後，並不知道停車場入口在哪裡，因此只會在路邊停靠。

這可能是因為私人停車場的入口沒有被記錄在 FSD 圖資中。對人類來說，到了地址附近可以觀察招牌、閘門、車道出入口，再自己判斷要從哪裡進去；但對 FSD 來說，如果圖資沒有足夠資訊，它可能只知道「目的地到了」，卻不知道「車應該從哪裡進去」。

更有趣的是，如果在該停車場地下開啟 FSD，系統判斷環境後似乎會先往右前方行駛，但前方其實是死路，出口位於左側。

這也讓我們想到，未來 FSD 個人化可能會變得很重要。它是否能記住使用者常去的停車場入口？是否能記錄進出動線？甚至能不能指定固定車格？對一般住家、公司、飯店、Airbnb 或私人停車場來說，這些都會影響無人監督自駕的實用性。

人類互動場景：FSD 還不懂流程何時結束

除了停車場，另一個很關鍵的難題，是 FSD 對人類互動流程的理解還不夠完整。

車子知道要停，知道柵欄升起後要走，知道前方車流開始移動後要跟上，但它不一定知道「票拿到了沒」、「護照還回來了沒」、「找錢結束了沒」、「乘客是不是真的準備好下車」。

這些對人類來說很自然，對自駕系統卻是很難的社會判斷。

取票口、售票口與得來速

FSD 對「車輛應該停下來」的理解已經不差，但對「人與人之間的互動是否完成」仍然不夠完整。

例如多數停車場即使有車牌辨識，仍需要在入口取票。FSD 目前會知道要在取票口停車，也會在柵欄升起後自動再開。但問題是，停車距離取票機可能太遠，駕駛手可能搆不到，這時候就需要手動接管，讓車更靠近取票機。

國家公園人工售票口也有類似情況。FSD 可以正確停車，但付款完成後，如果對方還沒有遞回證件或護照，車輛可能就準備自動開走。

這是目前 FSD 很重要的邊界：它能理解道路與車輛動作，但還不完全理解人類互動的流程。

臨停與手動微調：Cybercab 未來要怎麼聽懂乘客需求

在自駕旅行過程中，很多時候我們需要臨時停靠路邊，甚至有些情況會稍微偏離道路。例如國家公園路側暫停、風景點臨停、拍照點下車，或只是想讓乘客先下車再找停車位。

這些情境目前勢必需要駕駛接手，手動停靠。

但如果未來 Cybercab 或更多無人監督自駕車型真的販售給一般消費者，問題就會變得很有趣：乘客要怎麼告訴車子「靠右一點」、「往前 10 公尺」、「停在那個空位」、「不要停這裡」、「我想在這裡下車」？

這些需求可能透過 App、語音、車內螢幕、地圖拖曳，甚至遠端人工協助來完成。但不管是哪種方式，無人監督自駕都不能只會照導航開，它還需要理解乘客臨時改變心意、現場狀況不如預期，以及目的地不是一個點，而是一段可被調整的空間。

召喚功能：不是車不會動，而是距離限制讓它斷線

召喚功能也是這趟旅程中很有趣的一個案例。美國現行車主必須位於車輛方圓約 65 公尺，也就是 213 英尺範圍內，才能啟動並維持召喚功能。

這次在 Walmart 停車場，我們的位置剛好在 65 公尺範圍邊緣。從手機畫面來看，車輛仍在藍色圓圈內，理論上還在最大可操作距離內。

但問題是，當 FSD 遵守停車場地面標線，選擇順向移動再繞回來時，車輛反而越開越遠，直接超出 65 公尺範圍，導致召喚中斷。

召喚中斷後使用者就無法繼續控制車輛，只能走近車子。最尷尬的是，當我們走近車輛重新開始召喚後，車輛又再次依照停車場順向動線往外繞，結果再一次把自己開出 65 公尺範圍。它不是不會開過來，而是太遵守停車場動線，反而把自己帶離召喚範圍。

即使命名為「Actual Smart Summon」，也就是「真正的智慧召喚」，實際使用上仍然很依賴手機 GPS、圖資、停車場動線判斷與網路連線。使用者也必須全程按住 Tesla App 操作、監控車輛與周遭環境，並承擔操作責任。換句話說，它不是車子真的能自己來找你，而是車輛在使用者持續監督下，嘗試從停車位移動到指定位置。

這也讓 Actual Smart Summon 距離真正的無人監督還有一段距離。它可以在停車場中移動，也能在某些情境下繞過障礙物，但只要遇到 GPS 邊界、停車場動線、圖資判斷或網路連線不穩，就很容易被現實世界卡住。更不用說 Elon Musk 先前提過的「Banish」功能，也就是乘客下車後讓車輛自行去找車位停好，至今仍沒有真正成為一般車主可用的成熟功能。

機場接送：Robotaxi 與 Waymo 都還在避開最混亂場景

如果要討論無人監督自駕，機場接送一定是重要場景。因為機場不是單純開到目的地，而是要處理上下客、行李、臨停、路邊車潮、旅客穿越與大量併排停車。

目前 Robotaxi 仍未開放機場接送，而 Waymo 在機場場景也相對保守。近期美西太太上傳的影片也提到，Waymo 在機場附近會設定專屬上下車地點，可能避開一般航廈接送區。

這樣做的好處是場域更可控、停靠空間更寬敞，但可以預期，步行距離也會比一般車輛直接接送更遠。

其實在 SFO，我們也觀察到機場已經設有 Ride App Pickup 區域，也就是 Uber、Lyft 等共乘叫車服務的專屬上下車區。實際叫車時，App 會提供路線引導，帶乘客走到指定上車點；現場也有類似月台編號的分區概念，讓車輛與乘客更容易對應。

這或許也提供了未來自駕車接送的一種可能方向。當自駕車普及後，機場未必會讓每輛車都直接擠進現有航廈接送區，而是可能像現在 rideshare 一樣，劃出有編號、有動線、有管理規則的專屬自駕車上下客區域。這樣乘客可能要多走一段路，但對無人駕駛來說，會是更可控、也更現實的落地方式。

如果以桃園機場為例，錯過接送區後重新繞一圈，可能就要多花 10–15 分鐘。這類場景真正困難的地方，不是車子知不知道怎麼開到機場，而是到了機場之後，該怎麼停、停多久、能不能臨停、乘客在哪裡、行李在哪裡，這些才是無人監督必須解決的問題。

最後 0.1%，其實是現實世界的複雜度

這趟美西自駕後，我們對 FSD V14 的看法其實更正面，但也更清楚看到它距離無人監督還差在哪裡。

FSD V14 已經很會開車。它能處理絕大多數長途道路、山路、城市道路與充電站場景，也能在很多情況下比人類更早偵測行人、自行車、減速丘與緊急車輛。對一般駕駛來說，它已經能大幅降低長途旅行疲勞。

但無人監督的門檻不只是在 99.9% 的正常路況中表現良好，而是要在最後 0.1% 的例外場景中，也能做出足夠安全、足夠合理、足夠像人類理解現場的判斷。

施工臨時管制、惡劣天氣、鏡頭髒污、私人停車場、取票機距離、人工售票互動、專用車格、機場接送、路邊臨停與乘客微調，這些看似瑣碎的小事，才是真正決定無人監督能不能自然融入日常生活的關鍵。

FSD V14 已經讓我們看到無人監督自駕的輪廓，但最後那 0.1%，不是單純再多訓練一點路線就能解決，而是要讓車更懂真實世界裡那些不完美、不標準、甚至有點混亂的人類規則。

延伸閱讀

美西實測 FSD V14：Turo 租 Model Y 挑戰優勝美地、太浩湖山路全自駕

舊金山 Robotaxi 初體驗：美國旅遊不自駕，價格比 Uber 便宜一半？

台灣首例！開源專案成功破解啟用 FSD：市區自動轉向變道實測全紀錄