Neuer KI-Durchbruch könnte Tesla-Fahrzeugen mit HW3 den vollständigen FSD V14 ermöglichen

Für Besitzer von Tesla-Fahrzeugen mit HW3 hat sich das Warten auf die neuesten FSD-Builds in eine lange Pause verwandelt. FSD v12.6.4 war das letzte Update, das vor etwa 13 Monaten für Teslas ältere Hardware veröffentlicht wurde, und es handelte sich dabei um ein inkrementelles Update innerhalb derselben Hauptversion.

Da Teslas End-to-End-Neuronale Netze immer größer und komplexer geworden sind, hatte das KI-Team Schwierigkeiten, die modernsten FSD-Iterationen, wie etwa v14, auf die älteren Computer zu übertragen. Das Unternehmen hat angekündigt, im Sommer 2026 einen FSD-v14-Lite-Build für HW3-Fahrzeuge bereitzustellen, doch die FSD-Entwicklung hat sich in den letzten Monaten aufgrund des Fokus auf Robotaxi und unüberwachtes FSD drastisch verlangsamt.

Das lässt nur wenig Zeit, um einen modernen Build für ältere Fahrzeuge zu optimieren. Ein aktueller Fortschritt von NVIDIA bei Large Language Models (LLMs) könnte einen konzeptionellen Weg bieten, HW3 leistungsfähig zu halten, ohne das FSD abspecken zu müssen.

Der HW3-Flaschenhals: Es dreht sich alles um den Speicher

Obwohl HW3 über weniger rohe Rechenleistung verfügt als die neuere AI4-Hardware, ist der primäre Engpass für moderne KI der Arbeitsspeicher.

Das Ausführen eines großen neuronalen Netzes erfordert erheblichen Arbeitsspeicher, um in Echtzeit zu funktionieren. Bei LLMs wie ChatGPT ist dieser Arbeitsspeicher der KV-Cache (Key-Value), der den Kontext der Konversation speichert, damit das Modell nicht bei jedem Schritt die gesamte Historie neu verarbeiten muss.

Teslas FSD arbeitet ähnlich und nutzt einen räumlich-zeitlichen Speicher, um den Kontext über die Zeit hinweg beizubehalten. Wenn beispielsweise ein Fußgänger hinter einem geparkten Lieferwagen läuft, verfolgt das zeitliche Gedächtnis des Autos, dass der Fußgänger weiterhin vorhanden ist, auch wenn die Kameras die Sichtlinie verlieren. Mit der Verbesserung von FSD wächst dieser temporale Speicher-Cache, was den begrenzten RAM auf dem HW3-Computer schnell erschöpft.

NVIDIAs 20-facher Komprimierungs-Durchbruch

Wie von VentureBeat berichtet, haben NVIDIA-Forscher eine Technik eingeführt, die den Speicherbedarf des Arbeitscaches eines LLMs um das 20-fache reduziert.

Entscheidend ist, dass dies erreicht wird, ohne die Gewichte des Modells zu verändern.

Die Methode, KV Cache Transform Coding (KVTC), lehnt sich an klassische Medienkomprimierung wie JPEG an. Anstatt Informationen dauerhaft zu verwerfen, identifiziert sie die kritischsten Komponenten des Arbeitsspeichers und komprimiert den Rest "on the fly".

Historisch gesehen erforderte das Anpassen massiver Modelle an begrenzte Hardware oft eine dauerhafte Veränderung des Modells durch „Quantisierung“ oder „Pruning“ (buchstäbliches Ausschneiden neuronaler Pfade). Während dies Platz spart, kann es die Intelligenz der KI beeinträchtigen.

NVIDIAs Ansatz umgeht diesen Kompromiss. Durch die aggressive Komprimierung des Arbeitsspeichers während der Inferenz bewahrt das LLM seine ursprüngliche Intelligenz mit einem Genauigkeitsverlust von weniger als 1 %, während es nur einen Bruchteil des Hardware-Speichers verbraucht.

Anwendung der JPEG-Methode auf neuronale Netze

Obwohl sich die Arbeit von NVIDIA auf textbasierte LLMs konzentriert, können die zugrunde liegende Mathematik und Architektur auf die sichtzentrierte KI angepasst werden, die einen Tesla antreibt.

Wenn Teslas Autopilot-Engineering-Team eine ähnliche dynamische Speicher-Spärlichkeit oder Transformationskodierung für den räumlich-zeitlichen Speicher von FSD einsetzt, könnten die Auswirkungen auf HW3 erheblich sein. Durch die starke Komprimierung des „Videospeichers“ der unmittelbaren Umgebung des Fahrzeugs in Echtzeit könnte Tesla den gesamten VRAM-Bedarf für den Betrieb der Software drastisch senken.

Der Vorteil ist, dass das Freigeben von Cache die Notwendigkeit beseitigen würde, das neuronale Kernnetz zu verkleinern, damit es passt.

Anstatt ein stark beschnittenes v14-Lite auszuliefern, das Millionen von Parametern entfernt und die Fahrfähigkeit verringert, könnte Tesla eine deutlich leistungsfähigere Version des v14-Modells für HW3 ausliefern. Das Auto würde weiterhin eine fortschrittliche End-to-End-Fahrlogik ausführen und einen hochkomprimierten, JPEG-artigen temporalen Speicher verwenden, um innerhalb der Hardware-Grenzen zu bleiben.

Das Silicon ausreizen

HW3 ist alterndes Silizium, und irgendwann wird es an eine Grenze stoßen, an der es Daten nicht mehr schnell genug verarbeiten kann, um die Anforderungen für unüberwachtes autonomes Fahren zu erfüllen.

Dennoch zeigt NVIDIAs KVTC, dass die Branche Wege findet, die Inferenz zu optimieren, ohne auf größere, teurere Chips angewiesen zu sein. Während Tesla dazu übergeht, seine Flotte auf der v14-Architektur zu vereinheitlichen, bieten fortschrittliche Speicherkomprimierungstechniken wie diese einen Weg, die maximale Leistungsfähigkeit aus der Legacy-Hardware herauszuholen, bis das HW3-Upgrade erfolgt.