Tesla Reality View pinta la calle como un GTA con IA generativa. La imagen sale del mismo cerebro que conduce el coche
El FSD v15 de Tesla estrena Reality View, una visualización fotorrealista de la carretera vista desde una cámara virtual sobre el coche. No hay motor gráfico detrás: es vídeo generado en tiempo real por un modelo de difusión de unos 1.000 millones de parámetros que se alimenta de lo mismo que usa la IA para conducir. Elon Musk ha detallado cómo funciona, y los números permiten entender qué estamos viendo realmente en la pantalla.

Durante años, la pantalla central de un Tesla con FSD ha mostrado un mundo de maqueta: carriles dibujados con líneas, coches grises de plástico, peatones como figuritas genéricas. Con la versión 15, que Tesla empezó a distribuir el 21 de noviembre de 2026 a un primer grupo de clientes en Estados Unidos, esa maqueta desaparece. En su lugar aparece una imagen que se parece mucho más a un videojuego en tercera persona, con edificios, árboles, asfalto con textura y flechas de navegación flotando en el aire. El propio Musk lo resumió con tres palabras en X: «It’s like GTA».
La comparación con el videojuego es buena para el marketing, pero engaña en lo técnico. En un GTA, cada edificio y cada coche es un modelo 3D que un motor gráfico dibuja con la GPU. En Reality View no hay modelos 3D ni motor gráfico. Hay una red neuronal que inventa, fotograma a fotograma, una imagen coherente con lo que el coche está percibiendo.
Lo que dicen las notas oficiales del FSD v15
Tesla describe Reality View en las notas de la versión 2026.38.6.11, que incluye el FSD (Supervised) v15.0.1, como una visualización generativa en tiempo real que emite de forma continua la vista de una cámara virtual situada por encima del vehículo, y que permite ver y controlar lo que el FSD planea hacer. Las mismas notas dicen que sustituye todas las señales explícitas del modelo por una única visualización de extremo a extremo que consume menos cómputo en total.
El conductor puede elegir entre visualización a pantalla completa, mapa, vista dividida o un modo silencioso que limpia la pantalla. Las indicaciones de giro del navegador aparecen integradas en la escena como chevrones en el cielo, y Musk ha explicado que se puede tocar un punto exacto de la imagen para indicar al coche dónde quieres que te deje o dónde aparcar. Esa es, según él, la parte útil de verdad; el resto, dice, es hipnótico de ver.
La función exige hardware HW4 (AI4). Los Tesla con HW3 se quedan fuera, igual que ya se quedaron fuera de las últimas ramas del FSD.
Cómo se dibujaba antes la pantalla de un Tesla
Para entender el salto hay que ver cómo funcionaba la visualización anterior. Desde el FSD v12, Tesla conduce con una red neuronal de extremo a extremo: entran imágenes de las cámaras y salen órdenes de volante, freno y acelerador, sin reglas programadas a mano entre medias. Pero la pantalla seguía mostrando objetos discretos: un coche aquí, un carril allí, un peatón allá. Para pintar eso, la red tenía que producir además unas salidas auxiliares, las «señales explícitas» de las que hablan las notas, que después un motor gráfico convertía en figuras 3D.
Esas salidas tenían dos problemas. Consumían cómputo solo para alimentar la pantalla y, sobre todo, no eran exactamente lo que la red usaba para decidir. Eran una traducción aproximada del pensamiento del coche a un lenguaje de cajas y líneas. Ashok Elluswamy, responsable de IA de Tesla, comparó la visualización nueva con la de 2020 y aseguró que la imagen fotorrealista consume menos cómputo que aquellos esquemas de alambre.

La explicación de Musk, pieza a pieza
El 22 de noviembre, Musk publicó en X la descripción más detallada hasta ahora de la arquitectura de Reality View. Esto es lo que dice, ordenado y explicado.
1. Todo empieza en un modelo del mundo mucho más grande. Musk afirma que Tesla tiene desde el año pasado un modelo del mundo «casi perfecto al píxel», que usa para generar datos sintéticos de entrenamiento. Encaja con el simulador neuronal que Elluswamy presentó en la conferencia ICCV en octubre de 2025: una red que, a partir del estado del coche y de una acción propuesta, genera vídeo realista de las ocho cámaras, para probar el FSD en situaciones que no han ocurrido. Lo que lleva el coche es, en palabras de Musk, una versión «mucho más pequeña» de esa idea.
2. La materia prima son las características del Universal Vision Encoder. El FSD v15 estrena un codificador de visión compartido con los Robotaxi y con el robot Optimus, entrenado también con millones de vídeos de internet. Este codificador, que Tesla llama UVE, no produce imágenes ni objetos: convierte lo que ven las cámaras en un conjunto de números (características) que describen la escena de forma comprimida. Según Musk, esas mismas características alimentan al modelo de 3.000 millones de parámetros que genera las acciones de conducción.
3. La visualización se bifurca de ahí. Reality View toma una copia de esas características del UVE y las pasa a un modelo separado, de unos 1.000 millones de parámetros, que es un modelo de difusión. Por eso Tesla puede decir que la imagen sale del mismo cerebro que conduce: el punto de partida es idéntico, aunque la red que dibuja y la que conduce son distintas.
4. Es un modelo «mean-flow» condicional. Los modelos de difusión clásicos, como los que generan imágenes en Midjourney o vídeo en Sora, parten de ruido y lo van limpiando en decenas de pasos. Es demasiado lento para un coche. Los modelos de flujo medio (mean flow) aprenden a dar ese camino de ruido a imagen en uno o muy pocos pasos, y por eso son candidatos naturales para generar vídeo en tiempo real en un chip modesto. «Condicional» significa que no inventa una calle cualquiera: la imagen está condicionada por la secuencia reciente de características del UVE, es decir, por lo que el coche ha visto en los últimos instantes.
5. Cada imagen nace de la anterior. El modelo toma el último fotograma que ha generado, le añade ruido y lo «limpia» hasta obtener la visualización actual. Es una forma de dar continuidad a la escena: si cada fotograma se generase desde cero, los edificios cambiarían de color y forma a cada instante. Partir de la imagen anterior mantiene la coherencia, y el ruido añadido permite corregirla con la información nueva de las cámaras sin arrastrar errores indefinidamente.
6. Genera vídeo en bloques de 8 imágenes. Cada pasada produce un pequeño fragmento de 8 fotogramas a 36 imágenes por segundo, a la resolución de la pantalla del coche.
Los números: medio acelerador y 222 milisegundos
La parte más reveladora del mensaje de Musk es la de cómputo. El trabajo lo hace medio motor TRIP, que es el nombre del acelerador de redes neuronales que Tesla diseña para sus chips, en cada fotograma del UVE, que funciona a 18 Hz, y se reparte a lo largo de 4 ciclos.
Con esos datos se pueden hacer las cuentas. A 18 Hz, el codificador produce un nuevo juego de características cada 55,6 milisegundos. Cuatro ciclos suman unos 222 milisegundos. Y un bloque de 8 imágenes a 36 por segundo dura exactamente 222 milisegundos. Las cifras cuadran: Tesla genera cada bloque de vídeo en el mismo tiempo que tarda en reproducirse, lo justo para que la imagen fluya sin cortes.
Esas mismas cuentas explican por qué Musk admite que la latencia es «un poco alta». Si cada bloque necesita unos 222 milisegundos de cálculo antes de mostrarse, lo que ves en pantalla va algo por detrás de lo que está pasando fuera, previsiblemente en el entorno de un cuarto de segundo, aunque Tesla no ha dado una cifra concreta. Musk dice que tienen formas de inyectar características más recientes del UVE en las capas intermedias del transformer de difusión para recortar alrededor de un 35% de esa latencia. Aplicado a nuestro cálculo, el retraso bajaría hacia los 145 milisegundos, una estimación nuestra y no un dato de Tesla.
En un mensaje posterior dentro del mismo hilo, Musk precisó que, tras mover un pequeño decodificador a la memoria SRAM del chip, solo les queda medio TRIP de los tres que tiene el SoC B (el ordenador AI4 lleva dos chips para tener redundancia) para este visualizador. Es decir, Reality View vive con una sexta parte de la capacidad de aceleración de uno de los dos chips. Añadió dos limitaciones del TRIP: básicamente solo trabaja con enteros de 8 bits, y la función softmax, imprescindible en los transformers, tiene que emularla en 28 pasos. Sobre el próximo hardware, AI5, dijo que tendrá aproximadamente 12 veces más cómputo.

Que un modelo de difusión de 1.000 millones de parámetros genere vídeo en tiempo real en enteros de 8 bits, con medio acelerador de un chip diseñado en 2022 y 2023, tiene mérito técnico real. Lo habitual en la industria es que la pantalla de conducción asistida la pinte la GPU con un motor gráfico, como hacen casi todos los fabricantes chinos con sus visualizaciones en 3D.
Qué estás viendo realmente en la pantalla
Para el conductor, la consecuencia práctica es esta: la imagen de Reality View no es la grabación de las cámaras ni una reconstrucción geométrica exacta. Es una imagen plausible que una IA generativa construye a partir de la representación interna que el coche tiene del mundo.
Eso tiene una lectura positiva clara: si la red no ha detectado algo, es muy probable que no aparezca, así que la pantalla refleja la percepción del coche con más fidelidad que los antiguos dibujos, que pasaban por una traducción intermedia. Y la intención del coche, las flechas de giro, los pines de aparcamiento y la trayectoria azul, aparece integrada en la escena.
La lectura menos cómoda es que un modelo generativo rellena huecos. La fachada de un edificio, el color exacto de un coche o la textura de una acera pueden ser inventados por la red para que la escena resulte creíble, con el mismo tipo de fallo que conocemos de los generadores de imágenes. Para un sistema que sigue exigiendo supervisión humana, el conductor debe tener claro que mira una interpretación y no una ventana. Los primeros probadores en Estados Unidos ya comentan lo convincente que resulta: uno de ellos contó que se sorprendió al levantar la vista y comprobar que las flechas no flotaban de verdad en el aire.
El resto del FSD v15
Reality View es lo más vistoso, pero no el único cambio, y ya repasamos el resto en detalle cuando contamos que el FSD v15 ya frena solo ante los radares. Las notas atribuyen al nuevo codificador de visión una mejora de 25 veces en la tasa de intervenciones críticas, aunque Tesla no ha publicado la base de comparación ni los kilómetros de la medición, así que la cifra hay que tomarla como afirmación de la marca. Además, la navegación al inicio y al final del viaje pasa a un modelo aprendido con datos de preferencia de rutas de la flota, el aparcamiento tiene en cuenta tu historial personal y propone varias plazas en destino, y el sistema detecta mejor señales, animales pequeños, escombros, cadenas y baches. También aprende a frenar ante radares de velocidad, evita el agua estancada profunda, funciona con portabicicletas y relaja la vigilancia del conductor en los perfiles de conducción más rápidos.

Sobre el tamaño del modelo de conducción hay cifras que no terminan de casar. Musk habla en su explicación de un modelo de 3.000 millones de parámetros, mientras que algunas publicaciones atribuyen a Elluswamy un salto de 1.000 a 10.000 millones sin cita textual. Tesla no ha publicado el dato oficial.
Musk ha dicho que el despliegue amplio del v15 llegará en diciembre con la actualización de Navidad.
¿Y en España?
Por ahora, Reality View solo se puede ver en Estados Unidos. En Europa, el FSD (Supervisado) se aprobó primero en Países Bajos en abril, como contamos en TestCoches, y desde entonces se han sumado otros países hasta llegar a once con Finlandia, según Movilidad Eléctrica. España no está entre ellos y espera a la votación del comité técnico de la Comisión Europea, prevista para este invierno. Mientras tanto, la DGT mantiene el programa de pruebas de Tesla, en el que pude probar el FSD por Madrid y comprobar lo humana que resulta ya su conducción.
Tampoco hay que dar por hecho que la versión europea vaya a llegar con la v15 completa. Las aprobaciones en Europa se han hecho sobre versiones concretas, adaptadas a la normativa, y el calendario de software en este lado del Atlántico va por detrás del estadounidense. Cuando llegue, lo hará solo a los Tesla con AI4, y el salto de verdad en esta visualización llegará con AI5 y sus 12 veces más cómputo: con medio TRIP ya dibuja una calle que parece un videojuego, y con ese margen la latencia dejará de ser el problema.



Aún no hay comentarios. ¿Quieres ser el primero?