Le Streak FSD di Tesla Stanno Gamificando FSD e Incoraggiando Comporta

Il Full Self-Driving (FSD) di Tesla migliora attraverso un ciclo di feedback che combina supervisione umana e machine learning. Il sistema utilizza reti neurali end-to-end addestrate su grandi volumi di telemetria reale e dati simulati, e oggi i conducenti umani svolgono due ruoli.

Innanzitutto, agiscono come supervisori della sicurezza e restano legalmente responsabili delle azioni del veicolo. In secondo luogo, quando intervengono manualmente, quelle azioni fungono da annotazioni che segnalano situazioni da sottoporre a ulteriore addestramento.

Con FSD v14.2, e successivamente con FSD v14.3.3 introdotto insieme al 2026 Spring Update, Tesla ha modificato il modo in cui i conducenti interagiscono con questo ciclo. Introducendo incentivi a evitare le disattivazioni tramite Distance Streak e Daily Streak nella Self-Driving App, il design incoraggia comportamenti specifici da parte del conducente.

Questo cambiamento modifica la percezione di FSD e può influire sia sulla sicurezza su strada sia sui processi dati che hanno contribuito a rendere il sistema più sicuro.

Illusione dell'High Score

La transizione è iniziata in sordina con FSD v14.2, che ha aggiunto una metrica passiva che mostra la percentuale esatta del totale dei miglia percorsi sotto controllo autonomo. Anche se nascosta in un menu, ha spinto alcuni proprietari a puntare a un valore del 100% di miglia percorse in autonomia.

Il 2026 Spring Update ha amplificato tutto ciò mostrando la massima distanza del proprietario tra un intervento e l'altro direttamente sotto l'indicatore di velocità attivo, trasformando di fatto una misura legata alla sicurezza in un punteggio crescente in tempo reale.

Qualsiasi override manuale — premere il freno, tirare il volante o premere un pulsante — azzera quel contatore di distanza, creando una penalità percepita per l'intervento.

Nel frattempo, l'uso del pedale dell'acceleratore o degli indicatori di direzione per guidare FSD non azzera il contatore, tracciando un confine ristretto attorno a ciò che conta come input “accettabile”. Non ci sono avvisi o disclaimer espliciti per questa funzione, né un'opzione per disattivarla.

Scommettere sul “Aspetta e vedi”

Sebbene FSD abbia raggiunto livelli di sicurezza statistici superiori alla media dei conducenti umani, può ancora incontrare casi limite. Anche i Robotaxi senza supervisione ad Austin si affidano ad assistenti remoti per affrontare i problemi quando si presentano.

I problemi ricorrenti segnalati da alcuni proprietari includono pianificazione del percorso erratica, cambi di corsia mal valutati, uscite autostradali errate e eccessiva esitazione o frenate brusche agli stop e in prossimità delle ombre.

Verifica della realtà sulla sicurezza

Un errore di navigazione può comunque degenerare in un evento pericoloso. Per esempio, è stato segnalato che l'ingresso in una rampa di emergenza per camion a velocità autostradale con FSD è avvenuto su un Cybertruck con FSD v14.3.3, l'ultima build di FSD.

Nella tipica supervisione SAE Level 2, un conducente che nota un errore dovrebbe prendere il controllo tempestivamente, il che aiuta a mantenere il flusso del traffico e a ridurre il rischio per chiunque si trovi nelle vicinanze. Il meccanismo Distance Streak altera questi incentivi.

Quando è in gioco una serie di diverse centinaia di miglia, alcuni conducenti potrebbero ritardare l'intervento nella speranza che l'FSD si riprenda da solo. In un video, la Model Y che ha intrapreso un viaggio coast-to-coast con FSD ha rischiato di essere quasi distrutta.

Dare a FSD dati sbagliati

Oltre alle preoccupazioni immediate per la sicurezza, la gamification può ridurre la qualità dei dati di addestramento. Il data flywheel di Tesla elabora milioni di ore di guida, inclusi gli interventi, i casi limite, gli appunti vocali e altre statistiche, per perfezionare le proprie reti neurali.

Le disattivazioni manuali comunicano che FSD ha fatto qualcosa di illegale, scomodo, errato o pericoloso, e quei momenti aiutano a mappare i confini del sistema ed evidenziano ciò che deve essere migliorato per arrivare a Unsupervised FSD. Se i conducenti evitano di disattivare il sistema in situazioni scomode o subottimali, vengono raccolti meno di questi segnali preziosi.

Resettando pubblicamente la streak di un conducente dopo ogni disattivazione manuale, il sistema scoraggia proprio il comportamento da cui dipendono i suoi team di AI. Quando i conducenti sopprimono gli interventi di sicurezza naturali per proteggere una streak numerica, forniscono meno dati ad alto valore alla pipeline di training.