特斯拉（Tesla）作为纯视觉方案（Vision-only）的代表，其自动驾驶（FSD/Autopilot）的数据采集并不是像传统图商或自动驾驶公司那样，派出专门的测绘车满大街跑，而是依赖其全球数百万辆量产车组成的庞大车队来进行分布式、常态化的数据采集。
特斯拉实现高效、低成本且极具针对性的数据采集，核心依赖于其著名的"影子模式"（Shadow Mode）和数据闭环（Data Loop）体系。以下是具体的采集和筛选机制：
1. 触发机制：影子模式（Shadow Mode）
这是特斯拉数据采集的杀手锏。当车主在驾驶特斯拉时，即使没有开启自动驾驶辅助，车辆内置的 FSD 电脑依然在后台默默运行算法，并进行"模拟驾驶"。
系统会对比人类驾驶员的实际操作 与算法的预测操作，一旦两者出现不一致，就会触发数据采集。
- 人工接管（Disengagement）： 比如自动驾驶开启时，人类突然踩了刹车或猛打方向盘接管了车辆。系统会立刻将接管前后的传感器数据（如视频、速度、转向角）打包。
- 预测不一致（Trigger）： 影子模式预测这里应该减速，但人类却加速通过了；或者人类踩了急刹车（AEB触发触发）。这类"人类打脸算法"的数据对模型优化极具价值。
2. 定向采集：数据主动请求（Active Query / Fleet Learning）
特斯拉的云端（包含 Dojo 超算中心）不会盲目接收所有车辆的所有视频（那意味着无法承受的带宽和存储成本）。它采用"缺什么，向车队要什么"的定向采集模式：
- 长尾场景（Corner Cases）定向搜寻： 比如算法团队最近在训练"车辆如何识别路上的异物（如掉落的纸箱、倒下的交通锥）"或"复杂的施工区域"。
- 下发"通缉令"： 云端会向全球车队下发一个轻量级的触发器（Trigger Vector）。
- 本地匹配与上传： 当全球任意一辆特斯拉在行驶中，摄像头捕捉到的画面符合这个"通缉令"的特征（例如检测到路边有奇怪造型的雕塑或罕见的极端天气），车辆就会在连接 Wi-Fi 或停放时，将这一小段（通常是十几秒）的匿名数据包上传到云端。
3. 硬件基础：无感知的分布式采集
每辆特斯拉量产车都是一个移动的"数据采集站"，其硬件配置保证了数据的原生性：
- 传感器： 全车周身的 8 个摄像头提供 360 度的全景视野（处理速率极高），捕捉图像的语义信息。
- 全真数据： 由于特斯拉摒弃了激光雷达和高精地图，它采集的就是纯粹的视觉数据和车辆惯导数据（IMU、车速、轮速等）。这确保了训练集的数据源与实际车辆部署时的感知边界完全一致。
4. 负样本精细化采集（以最新版本为例）
随着端到端（End-to-End）大模型（如 FSD V12+）的落地，特斯拉对高质量"负样本"的需求更加迫切。在最新的策略中：
- 当用户发生强制接管（Forced Takeover）后，系统甚至会引入更细致的反馈机制（如提示车主选择接管原因：是因为路线选错、突然加塞还是舒适度不佳）。
- 这些被精确标记的接管数据，会直接作为"负样本"送进神经网络，告诉模型"这种操作在人类看来是错误的"。
5. 云端自动标注（Auto-Labeling）
采集上来的海量 2D 视频数据，会进入特斯拉的自动标注系统。
- 系统利用强大的云端算力，将不同车辆、不同时间经过同一路口的数据进行空间和时间上的对齐。
- 利用大模型和三维重建技术，将 2D 图像自动还原并标注为 3D 向量空间（Vector Space）下的真值（Ground Truth），直接喂给感知与规划网络进行迭代。
总结来说： 特斯拉的数据采集不是全量、盲目的上传，而是利用全球车队作为分布式算力节点 ，通过影子模式和特定触发器 进行"去粗取精"的定向采集。这种"车端发现异常 →\rightarrow→ 过滤打包 →\rightarrow→ 云端自动标注 →\rightarrow→ 模型训练 →\rightarrow→ OTA重回车端"的闭环，是其数据规模能够超越竞争对手的核心原因。