在AI大模型興起以前，車企談智能駕駛，一般都將重點(diǎn)放在算法或者芯片算力上。但是隨著AI大模型的迅速鋪開，自動(dòng)駕駛的技術(shù)路徑開始飛速，從CNN、RNN、GAN到Transformer大模型轉(zhuǎn)變，曾經(jīng)主流的輕高精地圖城區(qū)智駕，逐漸被“端對端”所取代。

從搶先吃螃蟹的特斯拉，到跟隨而至的問界、理想、小鵬，端對端智駕正在像雨后春筍一般，迅速在智能車江湖迅速展開。

端對端成智駕新風(fēng)口

據(jù)公開信息透露，小米端到端全場景智能駕駛，于不久前開啟定向內(nèi)測；零跑B系列和C系列將于2025年實(shí)現(xiàn)自研端到端大模型智駕系統(tǒng)上車；蔚來計(jì)劃明年1月推送用于智能駕駛的端到端大模型架構(gòu)。在此之前，理想、問界、小鵬、比亞迪等諸多車企，都紛紛公布了自家的端對端解決方案。不難看出，在當(dāng)下這個(gè)時(shí)點(diǎn)，端對端智駕解決方案，早已經(jīng)成為了車企必選的智駕路徑。

首先，從技術(shù)上來看，端對端技術(shù)迭代較快、路徑短、信息損耗小，對加速L4級智能駕駛到來非常有幫助。“端到端”模型將感知、規(guī)劃與控制三大模塊整合在一起，消除了模塊間的界限，簡化了系統(tǒng)架構(gòu)，提高了運(yùn)行效率。整合后的模型能夠更快地處理數(shù)據(jù)，提高系統(tǒng)的響應(yīng)速度，加速智駕的去高精地圖化。

基于這一點(diǎn)，特斯拉首先將端對端技術(shù)應(yīng)用在了FSD V12上，并取得了顯著的成績，讓行業(yè)內(nèi)外的從業(yè)者和用戶，前所未有地感受到了這種技術(shù)的魅力。比如，小鵬汽車董事長何小鵬認(rèn)為，端到端大模型將讓自動(dòng)輔助駕駛過渡，到完全自動(dòng)駕駛的時(shí)間大幅縮短，2025年小鵬汽車就能在中國實(shí)現(xiàn)類L4智駕體驗(yàn)。輕舟智航CEO于騫認(rèn)為，端到端技術(shù)逐漸把非機(jī)器學(xué)習(xí)的部分?jǐn)D得越來越小，整個(gè)系統(tǒng)完全通過數(shù)據(jù)驅(qū)動(dòng)來實(shí)現(xiàn)智能駕駛能力……

雖然從當(dāng)前來看，端對端或許并非最優(yōu)解，但它能夠處理傳統(tǒng)路徑難以解決的極端案例，并且代表了一種減少人工編碼依賴更高效的思路?；蛟S正是基于此，行業(yè)內(nèi)外前所未有地在端對端技術(shù)方案上，達(dá)成了空前一致。

其次，從成本上來考慮，端對端技術(shù)在成本上比感知模型更省錢。其實(shí)，早前國內(nèi)只有30萬以上的車型才會(huì)匹配智駕模式，而在更低的價(jià)格段則幾乎沒有。說到底主要還是之前的技術(shù)不成熟，導(dǎo)致智駕的成本過高所致。但在行業(yè)去高精地圖和硬件之后，相關(guān)的智駕方案變得越來越親民。

比如，大疆表示7000元就能解決城市NOA，且電車油車都能用；行業(yè)第一批AI+雙目方案，4000元就能實(shí)現(xiàn)領(lǐng)航輔助功能。模塊化智駕上，元戎啟行已經(jīng)將整套智駕解決方案成本下探到2000美元，同樣是激光雷達(dá)+攝像頭，硬件成本已經(jīng)下探至7000美元。

相比以上方案，端對端方案的成本更省，依靠純視覺方案其去掉了所有激光雷達(dá)，變成了純軟件驅(qū)動(dòng)的技術(shù)，技術(shù)可以不斷迭代、成本可以無限下探，這正是特斯拉可以不斷降價(jià)的原因所在。在技術(shù)與成本疊加之下，端對端的技術(shù)方案，自然就成了國內(nèi)智駕路線的核心趨勢。

華為、小鵬們較量的新戰(zhàn)場

事實(shí)上，與前幾年消費(fèi)者普遍對國內(nèi)智駕方案存疑不同，隨著近兩年國內(nèi)智駕水平的上升，特別是端到端帶來的新的算法和模型的應(yīng)用，正在給消費(fèi)者帶來前所未有的全新體驗(yàn)，這就使得市面上汽車是否標(biāo)配智駕，越來越成為消費(fèi)者選擇電動(dòng)車的重要標(biāo)志。在此背景下，端對端技術(shù)方案日益成為華為、小鵬等車企角逐的新焦點(diǎn)。

一方面，通過升級端對端智駕方案，可以從價(jià)格與用戶體驗(yàn)上吸引消費(fèi)者，從而幫助車企賣更多的車。根據(jù)乘聯(lián)會(huì)聯(lián)合科瑞咨詢發(fā)布的數(shù)據(jù)，2024年1～8月，中國新能源乘用車L2級及以上的ADAS功能裝車率達(dá)到66.6%，同比大幅提升21.0個(gè)百分點(diǎn)。另據(jù)蓋世汽車研究院配置數(shù)據(jù)，今年1～8月，國內(nèi)市場高速NOA累計(jì)配套量已超93萬套，對應(yīng)滲透率達(dá)7%，城市NOA也開始規(guī)?；宪嚕瑵B透率已達(dá)1.3%。

按照業(yè)內(nèi)人士估計(jì)，明年將是自動(dòng)駕駛的決勝年，NOA等高級智能駕駛功能，將普及至10萬元左右的車型，預(yù)計(jì)明年NOA的市場滲透率將超過40%。不難預(yù)見，隨著更具成本優(yōu)勢的智駕方案落地，城市NOA下沉到10萬元級的車型越來越近，并逐漸呈現(xiàn)出一個(gè)普及化的趨勢。對于車企來說，誰的智駕方案好、體驗(yàn)佳、車型性價(jià)比高，誰就可以大量賣車，誰就能夠贏得市場。

從這個(gè)角度上來看，無論是小鵬MONA M03等新智駕車型的爆發(fā)，還是蔚來、理想等車企新規(guī)劃的大眾車型，都在朝著這一方向去努力。于車企而言，在電動(dòng)化、性能、續(xù)航差不多的情況下，智駕已經(jīng)成為車企影響消費(fèi)者心智的關(guān)鍵變量。低成本的智駕方案，則能夠兼顧大眾需求與車企賣車的需求，極大增強(qiáng)車企的市占率，并且通過走量的“智能車”，幫助車企快速積累高質(zhì)量、有價(jià)值的專業(yè)數(shù)據(jù)，為更高級的智駕方案打下堅(jiān)實(shí)的基礎(chǔ)。

另一方面，通過升級端對端技術(shù)，加快整個(gè)車企智駕能力的升級，倒逼車企升級汽車的底層算力能力。從行業(yè)經(jīng)驗(yàn)來看，端對端技術(shù)的落地，不僅面臨技術(shù)路線和數(shù)據(jù)的考驗(yàn)，還面臨龐大的算力需求考驗(yàn)。以端對端做的最成功的特斯拉為例，在2024Q1財(cái)報(bào)電話會(huì)上，特斯拉表示，公司已經(jīng)有35000張H100 GPU，并計(jì)劃在2024年內(nèi)增加到85000張H100以上，達(dá)到和谷歌、亞馬遜同一梯隊(duì)。

在這一規(guī)模預(yù)期之下，馬斯克近期表示特斯拉已經(jīng)不再算力緊張。國內(nèi)，小鵬“ 扶搖 ”自動(dòng)駕駛智算中心，算力可達(dá)600PFLOPS(以英偉達(dá)A100 GPU的FP32算力推算，約等于3萬張A100 GPU)，并宣布今年投入1億美元用于算力建設(shè)，未來每年將進(jìn)一步加大投資。商湯大裝置已經(jīng)布局全國一體化的智算網(wǎng)絡(luò)，擁有4.5萬塊GPU，總體算力規(guī)模達(dá)12000PFLOPS，2024年底將達(dá)到18000PFLOPS。而從目前國內(nèi)的情況來看，大多數(shù)研發(fā)端對端的自動(dòng)駕駛公司的訓(xùn)練算力，仍停留在千卡級別。

不難預(yù)見，隨著端對端智駕技術(shù)的逐步深入，數(shù)據(jù)、算力的競賽，將成為接下來所有車企競爭的重點(diǎn)。

新階段的現(xiàn)實(shí)考驗(yàn)

隨著端對端技術(shù)路線逐漸發(fā)展成主流趨勢，車企的競爭焦點(diǎn)也發(fā)生了轉(zhuǎn)變，已經(jīng)不再單純地比拼城區(qū)NOA功能的開城數(shù)量，而是更加注重為用戶提供優(yōu)質(zhì)的駕駛體驗(yàn)。在次背景下，從“車位到車位”日益成為車企競爭的新焦點(diǎn)，與此同時(shí)數(shù)據(jù)激增、商業(yè)化挑戰(zhàn)、新技術(shù)風(fēng)險(xiǎn)等也正在成為新的挑戰(zhàn)，考驗(yàn)著每一個(gè)車企。

首先，隨著圍繞用戶體驗(yàn)展開的VLA模型升級，汽車所用的算力在快速飆升，其對硬件算力和數(shù)據(jù)資源閉環(huán)的要求也越來越高。前文提到隨著技術(shù)的不斷發(fā)展，端對端2.0逐步進(jìn)入圍繞用戶體驗(yàn)而展開的新階段，在該階段此前備受矚目的“端到端+VLM(視覺語言模型)”，開始向“VLA模型”迭代。

作為一個(gè)融合視覺、語言和動(dòng)作的多模態(tài)模型，旨在提高模型的泛化能力和判斷推理能力，可以簡單看作是端到端+VLM系統(tǒng)的一個(gè)全面融合體。相比以前的VLM系統(tǒng)，它背后對資源的消耗更大、對數(shù)據(jù)閉環(huán)的要求也更高。有觀點(diǎn)認(rèn)為，部署VLA模型對芯片算力的要求，提升到英偉達(dá)DRIVE Thor級別，算力達(dá)750 TOPS。相比之下，當(dāng)前高階智駕的算力硬件通常配備的是2顆英偉達(dá)OrinX芯片，總算力為508 TOPS，差的可不是一星半點(diǎn)。

除了算力挑戰(zhàn)之外，數(shù)據(jù)問題帶來的挑戰(zhàn)遠(yuǎn)超外界想象。小馬智行的CTO樓天城曾表示，想要訓(xùn)練出高性能的端到端模型，數(shù)據(jù)質(zhì)量的要求比一般性能模型高出幾個(gè)數(shù)量級。單論數(shù)據(jù)而言，目前國內(nèi)車企的數(shù)據(jù)儲(chǔ)備基本均落后于特斯拉，還處于初期階段。加之對數(shù)據(jù)質(zhì)量的要求，國內(nèi)車企離數(shù)據(jù)積累的“長跑終點(diǎn)”仍“遙遙無期”。

其次，隨著端對端技術(shù)的持續(xù)升級，在堆數(shù)據(jù)、堆算力等諸多高門檻操作之下，車企的試錯(cuò)成本在逐步升高，商業(yè)化也面臨市場檢驗(yàn)。前文提到，隨著端對端技術(shù)的升級，車企端對端對算力、數(shù)據(jù)的閉環(huán)考驗(yàn)越來越高，車企為此付出的代價(jià)也越來越大，車企入場需要考慮效率與成本的平衡問題。

另外，即便是完成了開發(fā)交付，端對端的驗(yàn)證落地也面臨諸多考驗(yàn)。車企直接實(shí)車驗(yàn)證顯然成本過于高昂，基于云端測試可能與實(shí)際情況并不匹配。在市場層面，消費(fèi)者也存在著一種矛盾心理：一方面，消費(fèi)者對于汽車“智能化”和自動(dòng)駕駛的興趣與期望在上升；另一方面，它們的支付意愿卻在普遍下降。所以，即便完成了端對端智駕的量產(chǎn)，倘若市場不買單，一切愿望也將化為烏有。

從這個(gè)角度上來說，端對端智駕的進(jìn)階，不單單是技術(shù)、數(shù)據(jù)的比拼，更需要市場對其商業(yè)化的實(shí)際認(rèn)可。