“我們的原創(chuàng)性技術(shù)創(chuàng)新能力比較弱，一般都會跟隨國外頂尖廠商的先進(jìn)技術(shù)路線去探索，比如特斯拉。悲觀地看，我們比全球最Top的技術(shù)進(jìn)展晚了一年左右。”

智能駕駛算法方案商創(chuàng)始人宋文向新智駕直言。

“不過，端到端這條路線是清晰的，車企與Tier1一定會把現(xiàn)有的模型往端到端方向去做。”

2023年5月初，馬斯克在推特上表示，特斯拉將發(fā)布FSDV12版本，該版本將采用端到端的AI技術(shù)。

這是一種新型的AI模型，采用BEV+Transformer技術(shù)架構(gòu)等方式來實(shí)現(xiàn)感知決策一體化，以達(dá)到輸入原始數(shù)據(jù)后便能輸出最終執(zhí)行指令的效果。這項(xiàng)技術(shù)令該版本比以往減少了數(shù)十萬代碼，讓汽車在沒有數(shù)據(jù)連接的情況下仍可在不熟悉的路段地形上行駛。

如今，國內(nèi)眾多車企與Tier1，幾乎無人不談端到端，這也成為車企和Tier1爭相殺出重圍的一條新路徑。

“做端到端，是順應(yīng)趨勢”

自特斯拉公布FSD V12版本后，一股名為“端到端”熱潮席卷國內(nèi)智駕圈，與此同時(shí)，BEV、Transformer、Occupancy占用網(wǎng)絡(luò)也成為業(yè)內(nèi)熱詞。

如果把端到端比作高階智能駕駛要前往的終點(diǎn)，BEV+Transformer更像是旅途中的一座橋梁，也可將其視為一種工具，而Occupancy占用網(wǎng)絡(luò)則是一種可疊加使用的輔助“武器”。

2023年，特斯拉FSD V12展示了端到端模型上車的效果，這是建立在FSD V11所使用的BEV+Transforemer架構(gòu)與占用網(wǎng)絡(luò)的基礎(chǔ)上來實(shí)現(xiàn)的。

特斯拉快節(jié)奏地發(fā)布新成果，使得國內(nèi)主流車企與Tier1意識到這是一個(gè)未來趨勢，開始快馬加鞭地追趕。

在過去，智能駕駛從業(yè)者大多將整個(gè)自動駕駛?cè)蝿?wù)劃分為感知、預(yù)測、決策、控制等模塊，由于每個(gè)模塊的技術(shù)棧相差很大，且難度高，所以每個(gè)工程師都獨(dú)立負(fù)責(zé)其中一或兩個(gè)模塊。

因此目前已量產(chǎn)的智駕模型，也大多采用傳統(tǒng)模塊化的架構(gòu)，即按照感知、預(yù)測等功能來劃分成不同的多個(gè)小模型，每個(gè)模型都要單獨(dú)對其進(jìn)行訓(xùn)練和優(yōu)化，且下游規(guī)控環(huán)節(jié)仍以規(guī)則為主。

與傳統(tǒng)模塊化架構(gòu)不同的是，端到端模型是由多個(gè)小模型（即神經(jīng)網(wǎng)絡(luò)）級聯(lián)而成，并且只需通過訓(xùn)練這一個(gè)大模型，就能達(dá)到優(yōu)化和提升各個(gè)功能模塊的能力，從而減少傳統(tǒng)架構(gòu)下對逐一模塊訓(xùn)練所帶來的研發(fā)成本。

一位算法方案開發(fā)工程師說到，“將感知與決策融合到同一個(gè)模型中，使得端到端模型能有效避免聯(lián)級之間的誤差值，無需任何人工規(guī)則介入，更加接近人類駕駛行為的高階智駕。”

（新智駕整理制圖）

技術(shù)落地大戰(zhàn)爆發(fā)前夕，搶先一步的是學(xué)術(shù)預(yù)研。

2023年6月，上海人工智能實(shí)驗(yàn)室、武漢大學(xué)及商湯科技聯(lián)合提出的《Planning-oriented Autonomous Driving》（以路徑規(guī)劃為導(dǎo)向的自動駕駛）獲得CVPR 最佳論文獎(jiǎng)。

論文中， UniAD 框架被首次提出，成為業(yè)界首個(gè)感知決策一體化的自動駕駛通用模型。

基于此，研究人員將感知、預(yù)測和規(guī)劃等三大類主任務(wù)、六小類子任務(wù)（目標(biāo)檢測、目標(biāo)跟蹤、場景建圖、軌跡預(yù)測、柵格預(yù)測和路徑規(guī)劃）整合到統(tǒng)一的基于 Transformer 的端到端網(wǎng)絡(luò)框架下，實(shí)現(xiàn)全棧關(guān)鍵任務(wù)駕駛通用模型。

宋文認(rèn)為，端到端模型上車，是帶領(lǐng)智能駕駛邁向高階的康莊大道。不管是Tier1還是車企，只要手握海量的有效數(shù)據(jù)、具備算法研發(fā)和工程落地能力，就能率先一步，領(lǐng)先同行。

因此，車企和Tier1們也不甘示弱，都在端到端模型這條跑道上發(fā)力沖鋒。

2022年10月，極越汽車開始重寫智駕系統(tǒng)的算法架構(gòu)。在算法上，極越的BEV+Transformer架構(gòu)是基于此前百度阿波羅的純視覺方案。

2023年12月，理想汽車完成了OTA5.0更新，從發(fā)布的 AD Max 3.0 來看，在端到端架構(gòu)的支持下，理想汽車整合了BEV大模型、MPC模型預(yù)測控制以及時(shí)空聯(lián)合規(guī)劃等能力，還新增了Occupancy占用網(wǎng)絡(luò)算法。同時(shí)，理想還利用自研的神經(jīng)先驗(yàn)網(wǎng)絡(luò)NPN（NeuralPriorNet）為BEV打“補(bǔ)丁”。

此外，為了處理復(fù)雜的交通紅綠燈信息，理想汽車曾表示，其采用信號燈通行意圖網(wǎng)絡(luò)TIN（Traffic Intention Net）來解決，而TIN正是端到端模型。

2023年10月，毫末在AI Day上推出大模型應(yīng)用，依靠其曾發(fā)布的DriveGPT，毫末可通過將圖文和文圖的交叉特征做匹配，再將其放到大語言模型中，針對形成于特征空間的搜索（query）特征。大模型可在不需做太多準(zhǔn)備的情況下，根據(jù)場景需求將存量數(shù)據(jù)進(jìn)行重新標(biāo)注。

另據(jù)知情人士透露，早在2023年8月，元戎啟行就已將端到端模型上車。

正如宋文所透露，“實(shí)力強(qiáng)的企業(yè)將有望在1-2年內(nèi)推出端到端模型，慢慢地，供應(yīng)商與常規(guī)企業(yè)也會跟進(jìn)，這是一個(gè)可以確定的趨勢。”

在各家競相追逐端到端模型上車之際，業(yè)界被反復(fù)追問——端到端模型是否會成為高階智能駕駛的技術(shù)終局？

云驥智行高級感知算法工程師兼端到端技術(shù)負(fù)責(zé)人王庭琛向新智駕表示，智能駕駛技術(shù)最終的發(fā)展方向應(yīng)是更貼近人類開車的行為模式，至少與人類駕駛行為相似的模塊之間具有更強(qiáng)更緊密的關(guān)聯(lián)。

昇啟科技創(chuàng)始人兼CEO孫琪傳達(dá)出與王庭琛相似的觀點(diǎn)。

孫琪向新智駕指出，高階智能駕駛最終的技術(shù)架構(gòu)應(yīng)是完全端到端的方案，以毫米波雷達(dá)、激光雷達(dá)等多傳感器、多模態(tài)的輸入，作為端到端的輸入端，車輛的控制命令成為輸出端，跳過了中間的定位、預(yù)測、規(guī)劃、決策等模塊，只有輸入和輸出這兩端，這是將來的技術(shù)框架。

商湯絕影智能駕駛高級總監(jiān)武偉認(rèn)為，如果多模態(tài)的AI Agent能發(fā)展得特別充分，達(dá)到接近AGI程度的AI agent會是一個(gè)終極方案。然而，在到達(dá)終局狀態(tài)之前，使用專用的多模態(tài)大模型驅(qū)動的高階智能駕駛軟件系統(tǒng)，將會是比較理想的狀態(tài)。

武偉補(bǔ)充表示，在這種狀態(tài)里，科研人員可能需要使用海量的多模態(tài)數(shù)據(jù)，以從自監(jiān)督和半監(jiān)督中出來一個(gè)人類駕駛行為的模型。（端到端模型上車能否到達(dá)高階智駕技術(shù)終局，業(yè)界仍存各種觀點(diǎn)爭議，歡迎添加編輯微信lujiepinga交流）

端到端入局者：主機(jī)廠VS Tier1

端到端模型賽道上，正在“狂飆”的陣營可分為主機(jī)廠與Tier1兩大派別，他們分別手握算法與數(shù)據(jù)兩大“武器”。

車企最大的優(yōu)勢在于積累了海量的C端用戶數(shù)據(jù)以及建立超算中心。

以特斯拉為例，特斯拉的“影子模式”隨時(shí)都在準(zhǔn)備數(shù)據(jù)采集，該模式在采集車內(nèi)車外動/靜態(tài)數(shù)據(jù)時(shí)，效率相對更高。而國內(nèi)華為、小鵬、理想汽等車企均具備數(shù)采能力，并聯(lián)手設(shè)立超算中心。

小鵬與阿里云共建了扶搖智算中心，其訓(xùn)練算力為600PFLOPS，理想汽車和火山引擎合作共建了訓(xùn)練中心，算力為1200PFLOPS，蔚來汽車的”智算中心“算力則高達(dá)1400PFLOPS。

另外，小鵬汽車的XNGP搭載BEV視覺感知系統(tǒng)XNet和華為的ADS2.0，基本都訓(xùn)練出了可實(shí)裝上車的車載大模型產(chǎn)品。

武偉表示，“車企的優(yōu)勢在于數(shù)據(jù)，有些車企配置高階傳感器的車已經(jīng)在路上行駛，基于這種方式，車企能利用好更多車輛的數(shù)據(jù)。此外，為了落地一些量產(chǎn)項(xiàng)目，車企采購了大量高精度地圖，這對研發(fā)端到端算法真值系統(tǒng)起到較大的促進(jìn)作用。”

除了數(shù)據(jù)，算力也是車企比Tier1更具優(yōu)勢的方面。

算法方案商工程師葉帆說道，在數(shù)據(jù)、算力與算法三大要素里，因?yàn)樗懔εc資金實(shí)力有著緊密聯(lián)系，算力的實(shí)現(xiàn)門檻也許最低。“只要有足夠的渠道去購買足夠多的算力，用錢就能解決。與資金實(shí)力雄厚的車企相比，Tier1的資金實(shí)力較弱，所以在算力方面不占優(yōu)勢。”

Tier1的優(yōu)勢點(diǎn)，則或許在算法層面。

昇啟科技創(chuàng)始人孫琪表示：“通常來說，主機(jī)廠專注于集成類工作，且手握足夠大的數(shù)據(jù)量，Tier1則算法能力更強(qiáng)，因此，未來兩個(gè)陣營聯(lián)手起來，Tier1深度綁定主機(jī)廠，才能把各自的優(yōu)勢發(fā)揮出來。”

事實(shí)上，從本質(zhì)上看，使得兩者能互補(bǔ)的原因在于工作模式的不同，而不在于能力的差異。

車企的智能駕駛團(tuán)隊(duì)通常服務(wù)于自身的量產(chǎn)項(xiàng)目，追求算法的可維護(hù)性與穩(wěn)定性，這種開發(fā)模式注重產(chǎn)品的周期性管理和工程化落地，從而使得車企對于算法層面的更新并不敏感，大部分主機(jī)廠更傾向于謹(jǐn)慎跟隨行業(yè)內(nèi)其他公司的進(jìn)展。

而Tier1智駕廠商往往采取敏捷開發(fā)的原則，更擅長對新體系新架構(gòu)進(jìn)行嘗試和捕捉，因此在端到端模型上，供應(yīng)商擁有先發(fā)優(yōu)勢和試錯(cuò)經(jīng)驗(yàn)。

但至于數(shù)據(jù)方面，王庭琛并不認(rèn)為現(xiàn)在數(shù)據(jù)量是拉開車企與Tier1廠商差距的因素，他指出，“當(dāng)端到端模型進(jìn)入一個(gè)穩(wěn)定使用的平臺期時(shí)，才會遇到數(shù)據(jù)量的瓶頸，但當(dāng)?shù)侥莻€(gè)時(shí)期，Tier1的數(shù)據(jù)閉環(huán)和自動標(biāo)注的鏈條也將變得更成熟。”

由于目前端到端模式還處于冷啟動階段，因此當(dāng)下數(shù)據(jù)的質(zhì)量比數(shù)量更為重要。在一定程度上，算法迭代速度也會成為制約企業(yè)競爭力的關(guān)鍵。

武偉以UniAD算法舉例表示，他透露道，“在整體冷啟動過程中，把數(shù)據(jù)質(zhì)量以及模型訓(xùn)練做好，并且能擁有較好的訓(xùn)練方式，這些是關(guān)鍵。區(qū)別于BEV+Transformer體系相對較為收斂，端到端模型還處于快速的進(jìn)化過程中，所以，算法迭代速度可能也會決定其競爭力的高低。”

黎明時(shí)刻尚遠(yuǎn)，終局前夜該如何探索

如AI創(chuàng)業(yè)一樣，端到端模型走向技術(shù)落地，途中注定要經(jīng)歷寒冬與黑夜。多位業(yè)內(nèi)人士均表示，“ 這還需要很長一段時(shí)間，短短五到十年內(nèi)很難實(shí)現(xiàn) ”。

從已公布的案例來看，目前國內(nèi)針對高階智駕的端到端模型尚未到達(dá)理想狀態(tài)，這體現(xiàn)在其各個(gè)模塊還包含著大量的人工先驗(yàn)。

商湯絕影的交通研發(fā)總監(jiān)武偉對新智駕表示，“現(xiàn)在的端到端模型中，還包含了用于做檢測任務(wù)、地圖任務(wù)、做預(yù)測等不同任務(wù)Transformer，并用Query方式進(jìn)行連接。但人類開車時(shí)，并不會先檢測再跟蹤，繼而做地圖規(guī)劃，最后預(yù)測這些步驟。”

這些算法模塊是人為設(shè)計(jì)的，然后被開發(fā)者采用串聯(lián)的方式來實(shí)現(xiàn)端到端。因此，武偉認(rèn)為，也許去除掉人工先驗(yàn)的端到端模型，才是最優(yōu)的方案。

不可否認(rèn)的是，當(dāng)下在感知端，小鵬、理想汽車、蔚來等車企都采用BEV+Transformer架構(gòu)，而在下游規(guī)控環(huán)節(jié)仍使用規(guī)則，這使得國內(nèi)新勢力們與特斯拉的端到端方案仍相差不少距離。

這是國內(nèi)新勢力車企們要追趕的方向，更是智駕Tier1廠商的機(jī)會。

有業(yè)者對新智駕指出，要想更快地突出重圍拿到和車廠合作的機(jī)會，Tier1必須具備數(shù)據(jù)閉環(huán)能力。

這意味著Tier1必須擁有從數(shù)據(jù)采集、挖掘、處理、標(biāo)注、模型訓(xùn)練與優(yōu)化，最終到模型部署這整個(gè)過程的能力。

這就需要Tier1讓量產(chǎn)車、采集車在路側(cè)實(shí)地采集交通場景，再通過技術(shù)手段還原成仿真場景，進(jìn)入測試環(huán)節(jié)用于算法測試，進(jìn)而更新和升級量產(chǎn)車。

數(shù)據(jù)閉環(huán)能力對Tier1來說，最直觀的體現(xiàn)是成本端。具體來看，就是可通過利用條件觸發(fā)的場景采集、云端自動標(biāo)注以及自動化仿真測試等環(huán)節(jié)減少大量人工成本。

云驥智行王庭琛告訴新智駕，端到端模型訓(xùn)練需要的樣本量以及對于場景豐富度的要求遠(yuǎn)遠(yuǎn)大于模塊化算法系統(tǒng)，使用傳統(tǒng)的人工采集標(biāo)注數(shù)據(jù)方式不利于控制成本。

因此，Tier1自研數(shù)據(jù)閉環(huán)系統(tǒng)和云端測試平臺能有效降低模型訓(xùn)練支出，更有利于加快對端到端模型的開發(fā)與迭代。

數(shù)據(jù)閉環(huán)，只是實(shí)現(xiàn)端到端模型落地的技術(shù)環(huán)節(jié)之一。端到端模型要從demo走向量產(chǎn)落地，那還需要經(jīng)歷不斷的技術(shù)迭代階段。

以UniAD方案為例，端到端走向量產(chǎn)，需要在任務(wù)適配和數(shù)據(jù)采集方面下“功夫”。

首先，在任務(wù)適配上，端到端模型需要適配到現(xiàn)有智能駕駛落地的狀態(tài)，比如與現(xiàn)在智能駕駛基于行泊一體、城市無圖、城區(qū)領(lǐng)航輔助等技術(shù)方案適配。

如果端到端模型上車，則整個(gè)setting（設(shè)置）都需要做出改變，如車道保持、定速巡航等功能的實(shí)現(xiàn)都需要以某個(gè)固定速度或者某個(gè)導(dǎo)航目標(biāo)任務(wù)設(shè)為前提，作為條件輸入。

比如原始的UniAD框架就是一個(gè)局部的高階智能駕駛方案，每一步都會給出一個(gè)行駛路線的信息，如加減速、轉(zhuǎn)向等數(shù)值指令，但由于這是局部的智能駕駛方案，如果人類司機(jī)不給它輸入信號并規(guī)劃路線，它就會一直進(jìn)行車道保持的智能駕駛。

“而當(dāng)UniAD方案真正與量產(chǎn)產(chǎn)品適配時(shí)，則需增加算法處理模塊，以接收和融合更多人類或車機(jī)系統(tǒng)的條件信息輸入。例如指令變道時(shí)的撥桿指令、導(dǎo)航地圖的路徑規(guī)劃指向等，定速巡航時(shí)的定速目標(biāo)等。”武偉補(bǔ)充說道。

從這個(gè)角度看，當(dāng)下的UniAD和量產(chǎn)落地的方案相比，兩者在問題的設(shè)定上存在一定差異，因此，武偉認(rèn)為，在算法方案上，研發(fā)人員需要重新訓(xùn)練該模型。

其次，數(shù)據(jù)采集方面，端到端模型這一環(huán)節(jié)非常復(fù)雜。

以UniAD為例，武偉透露，從感知、規(guī)控再到地圖，這三個(gè)環(huán)節(jié)數(shù)據(jù)采集的結(jié)果，整體都要實(shí)現(xiàn)匹配，這就對各玩家數(shù)據(jù)采集真值處理的精度、靜態(tài)和動態(tài)物體的匹配、時(shí)間戳與位置的對齊等都提出了很高的要求。

“這整個(gè)過程中也存在很多‘坑’，研發(fā)人員需要持續(xù)去解決，并建立一個(gè)數(shù)據(jù)壁壘。基于海量的數(shù)據(jù)積累，中間的網(wǎng)絡(luò)才能適用得更好。”武偉解釋道。

因此，從任務(wù)設(shè)定到數(shù)據(jù)采集，都是端到端模型在研發(fā)過程中需要不斷提升的。

這是一個(gè)循序漸進(jìn)的過程。

毫末智行技術(shù)總監(jiān)潘興提出了一個(gè)解決思路，“首先，某些場景條件下，若當(dāng)前使用的方法在算法或應(yīng)用層面已取得較好的效果，我們可繼續(xù)擴(kuò)大場景范圍，或準(zhǔn)備更多數(shù)據(jù)。

盡管在做完這兩步工作后依然會遇到新的問題，但可進(jìn)而再解決問題，直到在新的場景范圍內(nèi)取得更理想的效果，這是長期持續(xù)且相互迭代的過程。”（端到端模型部署上車還有哪些新的“解題思路”，歡迎添加作者微信lujiepinga交流）

完全端到端上車，尚需時(shí)日

顯然，抵達(dá)完全的端到端上車，需要漫長的試錯(cuò)時(shí)間。

在這期間，端到端模型的發(fā)展會經(jīng)歷一些過渡階段。正如王庭琛向新智駕說道，“由于龐大的網(wǎng)絡(luò)架構(gòu)對于低算力芯片及小規(guī)模數(shù)據(jù)集并不友好，采用部分端到端的方案或許是當(dāng)下折中的架構(gòu)策略。”

折中的方案，同時(shí)還帶來了性價(jià)比優(yōu)勢，這體現(xiàn)在算力消耗與部署可實(shí)現(xiàn)程度上。

王庭琛表示，使用同一個(gè)模型來完成目標(biāo)檢測跟蹤與軌跡預(yù)測，這種綁定了感知和預(yù)測模塊的方案，反而不會增加更多的算力消耗，且能提升目標(biāo)軌跡預(yù)測精度。

如今不少廠商都在端到端模型做創(chuàng)新的嘗試。在2024年CES上，Mobileye創(chuàng)始人Amnon Shashua就傳達(dá)了Mobileye對端到端模型新的理解及相關(guān)方法論。

Amnon Shashua表示，端到端系統(tǒng)可分為兩類版本。

第一種是輸入圖像，輸出的是對車輛的控制結(jié)果，它僅僅是一個(gè)單體引擎或者一個(gè)深度網(wǎng)絡(luò)，它接收圖像并輸出轉(zhuǎn)向和制動控制指令——這屬于完全端到端系統(tǒng)。

而第二種端到端系統(tǒng)則只負(fù)責(zé)感知。

這兩種版本都存在不同的優(yōu)缺點(diǎn)。

完全端到端系統(tǒng)的問題在于缺乏透明度，我們不知道系統(tǒng)在做決策時(shí)到底在做什么。其次，我們沒有控制能力。第三點(diǎn)是平均故障間隔時(shí)間難以把握。

來看另一個(gè)端到端系統(tǒng)版本，它只和感知有關(guān)。由于駕駛策略和控制車輛這兩部分是人為可干預(yù)的，因此人類就把握了透明度和控制能力，但依然會存在一個(gè)問題——如何讓感知算法堆棧能達(dá)到很高的 MTBF（平均故障間隔時(shí)間）要求。

針對這個(gè)問題，Mobileye提出達(dá)到高M(jìn)TBF的方法是，將端到端系統(tǒng)作為一個(gè)包含許多組件的系統(tǒng)當(dāng)中的一個(gè)組件，各個(gè)組件互為冗余。

Amnon Shashua還表示，端到端解決方案包括可分解的方案，以及端到端系統(tǒng)方案。

其中可分解方案的優(yōu)勢在于其特別擅長處理邊緣場景，而端到端系統(tǒng)方案則有利于提高舒適度，因?yàn)樗鼮閳鼍皟?nèi)所有物體創(chuàng)造了一致性，盡管它不擅長邊緣場景的處理。

因此，從國內(nèi)車企與Tier1的現(xiàn)狀出發(fā)，在缺乏如特斯拉或Waymo那個(gè)級別的數(shù)據(jù)驅(qū)動的情況下，在主流架構(gòu)下逐漸合并內(nèi)部單元，進(jìn)行部分端到端模型的部署，或許是更具有性價(jià)比的一種嘗試。

與此相似的路線，是使用各種各樣小的、級聯(lián)的端到端模型去替換已有的功能模塊。通過這種途徑，Tier1和車企推動級聯(lián)的端到端方案逐步進(jìn)化到完整端到端模型，并實(shí)現(xiàn)上車，這成為一種必然趨勢。

孫琪向新智駕舉了一個(gè)例子，“感知、定位、預(yù)測、規(guī)劃、決策、控制等模塊都會被拆分為很多小的模塊，并把這些小模塊變得神經(jīng)網(wǎng)絡(luò)化。盡管早期是級聯(lián)的端到端的神經(jīng)網(wǎng)絡(luò)，但能慢慢過渡到最終一體化的端到端網(wǎng)絡(luò)，以逐步實(shí)現(xiàn)端到端模型落地。”

獲得解題思路之后，那么，“我們應(yīng)該如何去評估一套好的端到端模型？”這是目前整個(gè)智能駕駛行業(yè)內(nèi)，不管是車企還是Tier1都在試圖探索的問題。

王庭琛向新智駕表示，他認(rèn)為，端到端模型上車最終的評估指標(biāo)，還是要以閉環(huán)仿真為主。

閉環(huán)仿真，簡單而言，就是在planning規(guī)劃環(huán)節(jié)中，端到端模型能規(guī)劃出一條車行駛軌跡，而這條軌跡會對同個(gè)場景里其他車輛的行駛造成影響，該規(guī)劃結(jié)果的好壞，最終會直接影響整個(gè)場景里的行駛體驗(yàn)。

結(jié)語

縱觀智能駕駛行業(yè)，降低成本與提升用戶體驗(yàn)，成為車企與Tier1追求的長期目標(biāo)。

端到端模型上車能否降低智駕成本以及上車后的潛力有多大，其核心是未來客戶對智駕體驗(yàn)的預(yù)期。

不妨從不同場景出發(fā)來討論。

若客戶只追求在高速公路上一路向前駕駛，端到端模型上車與如今的智駕方案并不會產(chǎn)生本質(zhì)的區(qū)別。如果客戶的預(yù)期是在城市復(fù)雜路況下駕駛，端到端模型上車能帶來安全、更接近人類駕駛的智駕體驗(yàn)，那面向更高階的智駕功能，未來端到端模型上車所發(fā)揮的潛力會更大。

目前，端到端模型訓(xùn)練需要高價(jià)的研發(fā)成本，包括大量的GPU設(shè)備、大規(guī)模多層次的數(shù)據(jù)標(biāo)注、大算力端側(cè)計(jì)算平臺等，都給企業(yè)帶來巨額成本。

端到端模型的優(yōu)勢，則在于其能夠?yàn)橹邱{方案帶來系統(tǒng)架構(gòu)層面的提升。

因此，當(dāng)未來端到端模型在業(yè)內(nèi)實(shí)現(xiàn)量產(chǎn)并被廣泛使用時(shí)，其配套訓(xùn)練和部署的成本也將有望被控制在車企與消費(fèi)者可接受的范圍，從而在提升智駕體驗(yàn)的同時(shí)，把降本落到實(shí)處。

此時(shí)此刻，對于高階智駕，車企與Tier1都踏上了追求安全、更接近人類駕駛體驗(yàn)的征途。

而如今涌現(xiàn)的端到端模型，更像一條黑夜中新的路線，一種新的解題思路，端到端模型上車有望給用戶帶來的安全、高階智駕體驗(yàn)，或成為車企爭先抵達(dá)的彼岸。

（應(yīng)受訪者要求，宋文為化名。）

雷峰網(wǎng)#雷峰網(wǎng)#雷峰網(wǎng) (公眾號：雷峰網(wǎng))

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見 轉(zhuǎn)載須知 。