Im Rennen um das vollautonome Fahren sind Daten die wertvollste Währung. Tesla, der Elektroauto-Riese, hat gerade eine monumentale Zahl verkündet: 10 Milliarden Meilen Trainingsdaten, die über die Full-Self-Driving-Software (FSD) zusammengekommen sind. Dieser Meilenstein markiert einen bedeutenden Sprung in dem Versuch des Unternehmens, das schwierigste Problem der Robotik zu lösen: sich in der chaotischen, unberechenbaren Realität menschlicher Umgebungen zurechtzufinden.
Doch eine bestimmte Meilenzahl zu erreichen, bedeutet nicht automatisch einen „magischen“ Moment der Perfektion. Wie Tesla-CEO Elon Musk kürzlich anmerkte, liegt die Herausforderung im „sehr langen Long Tail der Komplexität“, der den realen Straßenverkehr prägt. Für die Branche stellt sich nicht mehr nur die Frage, wie viele Daten gesammelt werden, sondern wie diese Daten genutzt werden, um die seltensten und gefährlichsten Grenzfälle zu lösen.
Das Long-Tail-Problem: Warum Meilen nicht alles sind
Um zu verstehen, warum 10 Milliarden Meilen nicht die „Ziellinie“ sein müssen, muss man das Konzept des „Long Tail“ kennen. Beim maschinellen Lernen bezeichnet der Long Tail die große Zahl seltener, unvorhersehbarer Ereignisse, die nur selten auftreten, für die Sicherheit aber entscheidend sind. Dazu gehören ein Kind, das einem Ball auf die Straße hinterherläuft, ein umgestürzter Baum, der bei einem Sturm eine Spur blockiert, oder ein Polizist, der den Verkehr mit ungewöhnlichen Handzeichen regelt.
Ein selbstfahrendes System mag 99,9 % der Fahrten auf der Autobahn mühelos bewältigen, doch das letzte 0,1 % enthält die komplexesten Szenarien. Diese „Edge Cases“ verhindern, dass heutige Systeme als unbeaufsichtigt eingestuft werden. Musk hat angegeben, dass rund 10 Milliarden Meilen Trainingsdaten nötig sind, um diese Komplexität sicher zu bewältigen. Das ist deutlich mehr als seine frühere Schätzung in Master Plan Part Deux, wo er 6 Milliarden Meilen für die behördliche Zulassung als ausreichend bezeichnete.
Daten vs. Simulation: Die große Autonomie-Debatte
Der Meilenstein macht einen grundlegenden Unterschied in der Entwicklung autonomer Technologie deutlich. Viele Wettbewerber, darunter Waymo oder Unternehmen mit stark simulationsbasierten Ansätzen, setzen auf virtuelle Umgebungen, um ihre KI zu trainieren. Die Theorie dahinter: Man kann Millionen „virtueller Meilen“ in einem Bruchteil der Zeit abspulen, die reale Meilen erfordern.
Branchenexperten wie Paul Beisel halten es jedoch für „reichlich naiv“, sich vor allem auf Simulation zu verlassen. Das Argument: Eine Simulation erfasse, so fortgeschritten sie auch sein mag, oft nicht die Nuancen und die „Textur“ der Realität. Teslas Strategie setzt auf seine riesige Flotte von Serienfahrzeugen als verteiltes Sensornetzwerk, das reale, unordentliche und ungeskriptete Daten an die neuronalen Netze zurückspielt. Diese Schleife aus Skalierung, Daten und Iteration soll Tesla nach eigener Überzeugung letztlich erlauben, Wettbewerber zu überholen, denen eine solche reale Präsenz fehlt.
Die regulatorische Hürde: In Europa ein anderes Bild
Während Tesla in den USA große Fortschritte macht, sieht der Weg zur unbeaufsichtigten Autonomie für europäische Fahrerinnen und Fahrer ganz anders aus. In der Europäischen Union gelten deutlich strengere Regelwerke für automatisierte Fahrsysteme (ADS). Während die USA einen eher iterativen Ansatz des „Testens in der Öffentlichkeit“ erlauben, verlangen die europäischen Behörden, geleitet von den UNECE-Regelungen, ein deutlich höheres Maß an Vorhersehbarkeit und Sicherheitsnachweisen, bevor irgendeine Stufe der Autonomie auf öffentlichen Straßen erlaubt wird.
Um unbeaufsichtigtes FSD in Europa einzusetzen, dürfte Tesla genau geprüft werden – vor allem, wie sein rein kamerabasiertes System unterschiedliche Wetterbedingungen und die sehr unterschiedlichen Stadtgrundrisse europäischer Städte bewältigt. Hinzu kommt: Der europäische Markt legt großen Wert auf Datenschutz (DSGVO), was den Umgang mit den riesigen Mengen an Videodaten aus der Flotte zusätzlich erschwert.
Was das für den E-Auto-Markt bedeutet
Der Vorstoß in Richtung Autonomie ist untrennbar mit dem breiteren E-Auto-Markt verbunden. Da Software zum wichtigsten Unterscheidungsmerkmal wird, hängt der Wert eines Elektroautos zunehmend von seiner Rechenleistung und seiner Fähigkeit ab, sich per Over-the-Air-Update (OTA) weiterzuentwickeln. Für Kundinnen und Kunden bedeutet das: Das heute gekaufte Auto könnte in zwei Jahren theoretisch deutlich leistungsfähiger sein.
Allerdings sind die Kosten dieser Entwicklung immens. Die Infrastruktur, die nötig ist, um 10 Milliarden Meilen Videodaten zu verarbeiten – darunter riesige Supercomputer-Cluster wie Teslas Dojo –, stellt eine erhebliche Investition dar. Im weiteren Verlauf des Jahres 2026 wird die Branche genau beobachten, ob dieser enorme Datenvorsprung tatsächlich zu einem Produkt führt, das legal ohne menschliche Aufsicht betrieben werden darf.
Was ist der Unterschied zwischen FSD und unbeaufsichtigtem FSD?
FSD (Full Self-Driving) verlangt derzeit, dass ein menschlicher Fahrer aufmerksam bleibt und jederzeit die Kontrolle übernehmen kann. Unbeaufsichtigtes FSD bezeichnet eine Stufe der Autonomie, in der das Fahrzeug völlig eigenständig ohne menschliches Eingreifen fährt und praktisch als „Robotaxi“ agiert.
Warum kann Tesla die KI nicht einfach per Simulation trainieren?
Simulation ist nützlich, um bekannte Szenarien zu testen, doch sie kann die unendliche Vielfalt und das „Rauschen“ der realen Welt kaum abbilden. Reale Daten erfassen die feinen Unterschiede von Licht, Textur und unerwartetem menschlichen Verhalten, die Simulationen oft übersehen – und genau das ist entscheidend, um den „Long Tail“ der Grenzfälle zu lösen.