每經記者 孫磊    每經編輯 裴健如

“忽如一夜春風來，千樹萬樹端到端。”這是一位業內人士對近期智能駕駛領域的感慨。

日前，小鵬汽車方面宣布，其已經實現了端到端大模型的上車。在智能駕駛方面，由此前規則+AI組成的XNGP，切換到了以神經網絡為主的端到端模型架構。

在此之前，特斯拉已經向部分用戶推送FSD V12版本的純視覺端到端自動駕駛方案；蔚來則在4月公開了端云算力規模，并透露端到端方案會在今年年內發布；理想汽車推送的AD Max3.0，其整體框架已經具備端到端的理念；小米集團董事長雷軍也對外宣稱，小米汽車在智駕領域實現了端到端大模型技術。一時間，“端到端”一詞成了智駕領域的熱點。

“采用了端到端的智駕大模型，能兩天迭代一次，在未來18個月內智駕能力提升30倍。”小鵬汽車董事長、CEO何小鵬告訴《每日經濟新聞》記者，“端到端的大模型，意味著自動輔助駕駛將轉向完全自動駕駛。”

端到端大模型上車，智駕更“類人”

據悉，業內討論實現完全自動駕駛主要有兩種方法——分治法和端到端的方案。而當前主流的智能駕駛系統普遍應用了分治法，即將自動駕駛任務分解為感知、預測和規劃三個獨立的模塊，隨后通過系統集成來實現自動駕駛功能。

該策略的優勢在于能夠將復雜的自動駕駛任務簡化為多個相對容易處理的子任務，有效降低了系統開發的復雜性。由此構建的系統具備較高的可解釋性，允許對每個模塊的輸入和輸出進行詳細的分析，一旦發生故障，可以快速定位到問題所在。

然而，這種方法也存在一些不足，主要體現在需要編寫大量的代碼，并且在系統設計過程中過度依賴人為的先驗知識。這限制了自動駕駛系統的潛力，導致其泛化能力不足，面對未知場景時往往難以有效應對。

“每個模型的技術棧差異較大，處于下游的規劃模型需要依賴工程師編寫大量代碼去制定行駛規則。在模塊化的技術架構下，信息的傳遞會出現減損，系統的維護難度大，無法從容應對復雜路況。”元戎啟行CEO周光在中國電動汽車百人會論壇（2024）稱。

何小鵬則告訴記者：“此前的智駕方案從技術上說，汽車在感知、定位、規劃、控制方面都是分開處理的，每一個環節并沒有關聯。因此車輛在遇到一些場景的時候會因為人類寫入的規則互相博弈而產生猶豫。端到端大模型上車后，車輛可以直接通過傳感器輸入的內容來輸出對車輛的控制，智駕會更加‘類人’。”

圖片來源：每經記者 孫磊 攝

據悉，端到端模型將感知、預測、規劃三個模型融為一體，無需程序員編寫冗長的代碼去制定規則，而是用海量數據去訓練系統，賦予機器自主學習、思考和分析的能力。端到端模型不會出現信息傳遞減損，能夠更好地處理復雜的駕駛任務，解決了模塊化模型存在的所有“痛點”。

值得一提的是，由于任務更少、避免了大量重復處理，端到端自動駕駛可以提高計算效率，并且可以通過不斷擴展數據來提升系統的能力上限。

“以前所有L3、L4級別的自動駕駛都是基于規則，但即使是10萬行代碼能發揮的規則能力也只有55%~60%。”何小鵬告訴記者，“采用神經網絡雖然一開始效果并不顯著，但是準確性和安全性會實現躍升式發展。”

更為關鍵的是，端到端帶來的自動駕駛能力的提升，依靠現有的智駕硬件就可以實現。“在當下硬件性能不變的條件下，只通過軟件升級，大概12~18個月能夠取得非常大的顛覆。顛覆是指我希望在包含小區在內的所有城市道路，能夠做到極低的接管率和極高的安全率，而且你不會感覺到它比較慢或比較蠢，老是在那里僵住、博弈的感覺。”何小鵬說。

考驗企業的數據規模與算力能力

值得注意的是，在特斯拉宣布FSD V12將采用端到端大模型之后，國內亦掀起了端到端大模型應用的熱潮，小鵬汽車、理想汽車等車企，以及元戎啟行、毫末智行等供應商也開始了端到端的研發和量產適配。

圖片來源：每經記者 張建 攝（資料圖）

不過，在業內人士看來，端到端自動駕駛系統的優勢日益明顯，其借助大模型技術的深入應用，為自動駕駛技術的進一步發展提供了一條高效率的途徑。但對于不少企業，尤其是國內廠商而言，還有不少難題要解決。

首先，擺在國內廠商面前亟待解決的就是端到端訓練的數據難題。理想汽車總裁、總工程師馬東輝在理想汽車今年第一季度財報電話會上表示，特斯拉“端到端大模型”需要大量的數據和訓練算力，“這不是所有車企都有能力和資源做到的”。

值得一提的是，特斯拉CEO馬斯克在去年的財報會上曾提到數據在自動駕駛方面的重要性：“用100萬個視頻case訓練，勉強夠用；200萬個，稍好一些；300萬個，就會感到Wow（驚嘆）；到了1000萬個，就變得難以置信了。”

截至去年，特斯拉已經分析了從特斯拉客戶的汽車中收集的1000萬個視頻片段（clips），他們判斷完成一個端到端自動駕駛的訓練至少需要100萬個、分布多樣、高質量的clips才能正常工作。

除了數據量的差距，從這些難以計算的數據中，找出可以用于訓練的有效數據，是另一個重要的挑戰。對此，極越CEO夏一平表示，大模型訓練比較核心的東西不是數據比誰多，而是比誰有更多的高質量數據。“數據質量很重要。數據質量不好，訓練出的模型可能就是有缺陷的。”夏一平說。

“從特斯拉的開發經驗來看，端到端自動駕駛真不是一般的企業能玩的，其所需的數據規模、算力規模遠遠超出國內企業的承受能力。除了成本高昂，端到端自動駕駛的技術難度也非常高，想要實現從學術到產品落地，相當于跨越從二踢腳到登月的難度。”毫末智行數據智能科學家賀翔認為，端到端自動駕駛方面所需的算力規模也考驗著企業。

“要把端到端做好需要巨大的車隊、巨大的算力、非常長時間在安全領域的浸潤，這都是基礎條件，如果沒有這些條件是做不好的。”何小鵬告訴記者，“端到端的發展中，數據需要循環起來，算力需求很大，小鵬今年在算力上投入1億美元，未來每年還會進一步增加。”