雖然對端到端成為今年霸榜營銷熱詞有強烈的預感，但還是沒有料到各大廠家會在宣傳上加那么大杠桿。

說起來，端到端絕對不是上下嘴皮子一翻就能實現(xiàn)的，而是需要滿足很多前置條件。

01

胖子不是一天吃成的，端到端也不是一天實現(xiàn)的。

要實現(xiàn)終極的一段式端到端，需要經(jīng)歷四大階段。

對這四個階段的闡述，根據(jù)自家算法的發(fā)展史，不同的玩家會有不同的觀點。

 

從地平線的自動駕駛算法架構迭代歷程來看：

第一階段，實現(xiàn)感知層神經(jīng)網(wǎng)絡化，決策規(guī)劃層基于規(guī)則+算法實現(xiàn)。

第二階段，實現(xiàn)決策規(guī)劃層神經(jīng)網(wǎng)絡化，將決策規(guī)劃的規(guī)則驅動進化為數(shù)據(jù)驅動。

第三階段，以基于Transformer的BEV大模型替代神經(jīng)網(wǎng)絡化感知層中的多個小模型，實現(xiàn)感知的端到端。

同樣基于Transformer將神經(jīng)網(wǎng)絡化的決策規(guī)劃層進化為端到端規(guī)劃，端到端感知和端到端規(guī)劃之間傳遞特征級信息，實現(xiàn)分段式端到端。

在這里有必要提一點，神經(jīng)網(wǎng)絡化并不等同于端到端，它是端到端的必要條件而非充分條件。

第四階段，消除端到端感知和端到端決策規(guī)劃的界限，實現(xiàn)全程可導，進化為一段式端到端。

 

雖然各家的劃分方式有些微的不同，但萬變不離其宗。

相較傳統(tǒng)的分模塊方案，端到端的核心改變在于決策規(guī)劃層面。

——即原來基于人工編碼實現(xiàn)、規(guī)則驅動的決策規(guī)劃轉向了基于神經(jīng)網(wǎng)絡學習實現(xiàn)、數(shù)據(jù)驅動的決策規(guī)劃。

 

特斯拉能夠在2022年底一下子轉向端到端，就是因為它率先實現(xiàn)了決策規(guī)劃層的神經(jīng)網(wǎng)絡化，做足了轉型的預熱。

 

彼時，國內智駕頭部玩家依然對將神經(jīng)網(wǎng)絡全面用于安全要求極高的決策規(guī)則持懷疑態(tài)度。

雖然也在探索在規(guī)劃層使用深度學習算法，但轉型并不堅決，依然以規(guī)則為主。

由規(guī)則編碼轉向神經(jīng)網(wǎng)絡是一個頗為浩大的工程，需要消耗一定的時間。

基于此，奇瑞自動駕駛負責人谷俊麗才說國內廠商落后特斯拉1.5-2年。

看到這里，大家就不會再噴谷俊麗了吧？

02

國外的月亮不一定比國內圓，但是外來的和尚有時候就是會念經(jīng)。

由于引領自動駕駛技術路線向端到端范式轉變，特斯拉在自動駕駛領域的聲望達到了頂峰。

 

特斯拉和端到端范式之所以被大家夸成了一朵花，主要是因為規(guī)則驅動的分模塊方案無法高效地收斂層出不窮的長尾場景。

——在基于規(guī)則實現(xiàn)的系統(tǒng)中，要解決的場景越多，要編寫的代碼就越多，就越難以開發(fā)、測試和維護。

而且，自動駕駛系統(tǒng)性能迭代的進程是不斷覆蓋各種長尾場景的過程，在規(guī)則驅動的范式下，解決了新的長尾，又有可能會激活老的長尾。

系統(tǒng)進三步，退兩步，還怎么邁向全無人駕駛的珠穆朗瑪呢？

 

端到端范式依靠數(shù)據(jù)驅動解決了“吾生也有涯，而長尾場景無涯”的問題。

依靠深度學習神經(jīng)網(wǎng)絡的記憶能力解決了“按下葫蘆浮起瓢”的問題。

無論是海量數(shù)據(jù)驅動還是具備長期記憶能力的深度學習，背后都特別考驗數(shù)據(jù)采集、處理、標注、模型訓練、模型驗證評估、OTA部署這一條數(shù)據(jù)閉環(huán)。

這也意味著，只有那些早早布局數(shù)據(jù)閉環(huán)建設的智駕廠商才能在當下的端到端初期階段吃到最大紅利。

 

在這波端到端范式火起來之前，華為、特斯拉、小鵬、蔚來、Momenta這些頭部智駕廠商的感知層大都實現(xiàn)了端到端，即實現(xiàn)了動態(tài)BEV網(wǎng)絡、靜態(tài)BEV網(wǎng)絡和占用網(wǎng)絡的三網(wǎng)合一。

所缺者，唯規(guī)劃層的神經(jīng)網(wǎng)絡化，實現(xiàn)端到端感知的過程離不開自動化程度不斷提升的數(shù)據(jù)閉環(huán)。

所以，這些頭部智駕廠商的端到端宣傳還是比較靠譜的。

 

至于某些兩年前才開始布局自動駕駛業(yè)務的新勢力車企，無論是智駕數(shù)據(jù)的積累還是數(shù)據(jù)閉環(huán)的建設都處于初期階段，其自動駕駛第一陣營的宣傳和端到端大模型的宣傳都頗為存疑。

03

或許是因為競爭太激烈的緣故，國內車企在自動駕駛領域的宣傳特別離譜，個個都要在年內實現(xiàn)全國都能開，家家都是第一梯隊。

具體到端到端上面，盡管需要那么多的前提條件，各家還是不甘落后地紛紛“推出”了真假難辨的端到端方案。

不過，在這些挑撥人們的神經(jīng)的宣傳面前，大家一定要擦亮眼，冷靜地意識到，絕大部分廠商的端到端方案尚處于初級階段，還需要經(jīng)過較長一段時間的雕琢。

小鵬汽車8月底小鵬Mona 03上市發(fā)布會上提出了端到端四部曲：

第一步，實現(xiàn)三網(wǎng)合一，端到端量產；

第二步，車端大模型參數(shù)量翻倍；

第三步，云端大模型參數(shù)量提升5倍；

第四步，解決99%極端問題。

 

第一步里的三網(wǎng)合一不同于端到端感知中的動態(tài)BEV網(wǎng)絡、靜態(tài)BEV網(wǎng)絡、占用網(wǎng)絡的三網(wǎng)合一。

是特指將分段式端到端方案中的大語言模型XBrain、端到端感知大模型XNet、端到端規(guī)劃大模型XPlanner合并成一張大網(wǎng)，實現(xiàn)一段式端到端方案。

從時間線上來看，小鵬5月20號AI Day上宣布量產上車的端到端方案并非OneModel端到端。

 

第二步里的車端大模型參數(shù)量翻倍，是指將一段式端到端方案中的許多小模型合并成少數(shù)幾個大模型，通過計算資源的集約，在硬件算力、存儲資源都不變的情況下提升大模型的參數(shù)規(guī)模。

換句話說，從24年Q3到24年底之間，小鵬汽車的一段式端到端大模型中依然存在不少小模型和中模型。

 

小模型的說法來自小鵬自動駕駛負責人李力耘，他的表態(tài)一方面揭露了半年前的小鵬端到端大模型“即非端到端，是名端到端”的實際。

一方面也表明，很多車企只不過是在車端把各種小模型堆疊在了一起，揉成了一個四不像的“端到端”。

在2024年的電動汽車百人會上，長城汽車旗下自動駕駛算法公司毫末智行CEO顧維灝發(fā)表了一個觀點：國內車企向端到端范式的轉變需要經(jīng)歷幾年的時間。

顧維灝說的端范式應該指的是技術成熟階段，現(xiàn)在端到端還處在初級階段，乾坤未定，你我皆黑馬。

這也是傳統(tǒng)大廠難得的智駕窗口期，快人一小步，就能領先一大截。

是新勢力更快，還是老法師更快，讓子彈飛一會，我們一定會有答案。