近期，全新生成式視頻大模型Sora甫一發布，便迅速引發全球熱議。有專家甚至斷言，人工智能在2024年將呈現爆發式增長。

如今，人工智能的“觸角”正向四面八方探伸，汽車行業便在最前沿。從去年言必稱“BEV＋Transformer”，到今年將“端到端”掛在嘴邊……隨著人工智能技術從深度學習到多模態大模型的快速發展，汽車行業始終站在了自動駕駛技術進化的第一線。

這些看似陌生又深奧的新技術，對于自動駕駛落地到底意味著什么？它們在汽車上應用，對企業研發能力提出哪些更高的要求？厘清上述問題，對于自動駕駛行業如何用好人工智能而言十分必要。

“端到端”或成智駕的未來

今年年初，小鵬汽車對外透露，其高階智駕將采用端到端大模型。小鵬汽車董事長何小鵬提到，團隊發現應用大模型后，無需從前的大量泛化代碼，自動駕駛系統便具備時空理解能力，能讀懂文字信息，有了時間觀念，理解不同城市特點的交通元素，做出更擬人的決策。

另據了解，理想汽車圍繞車載場景打造的MindGPT大模型已隨OTA5.0正式上車。蔚來汽車則將端到端大模型聚焦于智能汽車主動安全領域。相關人士表示，蔚來幾十人的團隊已就此研發近半年的時間，如果順利推進，蔚來將是中國最快量產端到端功能的汽車企業。2023年，CVPR最佳論文頒給了端到端自動駕駛。在汽車行業人士看來，這幾乎代表著一種共識:端到端自動駕駛將是行業的未來。

為什么“端到端”這么火？顧名思義，在機器學習中，端到端就是從提出問題到解決問題，從輸入數據到輸出結果的過程。通過端到端的學習和訓練，人們期望只要輸入數據，就可以得到最匹配、最合適、最優的結果。換句話說，就是從客戶需求端出發，抵達滿足客戶需求的“彼岸”。

2023年8月，特斯拉首席執行官馬斯克在做FSDBetaV12試駕直播時，重點介紹說“這是世界上第一個端到端AI自動駕駛系統”，首次將端到端大模型的概念引入自動駕駛。他表示:“V12系統從頭到尾都是通過AI實現。我們沒有編程，沒有程序員寫一行代碼以識別道路、行人等，全部交給了神經網絡。”

端到端大模型究竟如何給自動駕駛帶來改變？據悉，傳統的自動駕駛按照感知、決策和控制劃分為不同的模塊，系統先對周圍的動靜態交通參與者和路網結構進行準確感知，再規劃車輛的行車軌跡，最后通過執行機構對進行閉環控制。而從特斯拉的端到端方案來看，它將自動駕駛系統的感知和定位、決策和規劃、控制和執行之間的斷面整合在了一起，形成一個大的神經網絡。

端到端模型背后，是對海量駕駛視頻片段的整合、壓縮和提取。本質上，特斯拉的端到端FSD是將上千萬個視頻片段包含的人類駕駛知識壓縮到了端到端神經網絡參數中。

俗話說“書讀百遍其義自見”，可以想象一下，隨著人工智能技術突飛猛進，當被“投喂”大量包含各種駕駛行為的經歷素材包后，自動駕駛系統培養出類似于人類的思維和執行方式也不足為奇了。換言之，通過對人類行為的大量學習，來耦合出更接近人類自然的駕駛習慣，比如過人行道減速，并線要讓行等。這些模型的構建方式是基于特斯拉純視覺方案實現AI的自訓練，因此訓練視頻的質量非常重要，只能用優秀司機的駕駛視頻來訓練，而非反之。曾有車企分享案例，端到端自動駕駛還模擬出在沒有車位的停車場“自行”劃出車位的行為。

如今，汽車自動駕駛技術的滲透率不斷提高，海量真實數據開始為車企訓練模型提供充分養料，2024年行業或將迎來端到端大模型落地“元年”。這意味著，自動駕駛的感知能力和泛化能力有望實現飛躍式提升。

AI助力傳感器融合難題解決

如果說端到端大模型是自動駕駛新晉“頂流”，那么BEV＋Transformer可以算得上它的“前輩”。據了解，BEV和“端到端”都是在視覺路線上，以Transformer為基礎建設架構。AI大模型的崛起源自ChatGPT，其中“T”指的就是Transformer大模型。

BEV的出現，如“四兩撥千斤”般解決了多傳感器融合難題。清華大學蘇州汽車研究院智能網聯中心技術總監孫輝指出，BEV算法將各種傳感器信息統一映射到世界坐標系下，支持不同類型傳感器數據的互補，不僅將感知融合從后融合推進到前融合，還為端到端方案打下了堅實基礎。之后，在BEV基礎上發展的占據柵格算法，進一步拓展了對一般障礙物(各類動靜態障礙)檢測的能力，使自動駕駛汽車具備了更好的安全避障功能。

端到端自動駕駛方案，是在BEV基礎上將軌跡預測、柵格地圖預測、行為規劃等通過神經網絡的形式疊加，使用大數據監督學習來替代復雜人工規則的設計，進而簡化整個自動駕駛開發流程，加快迭代效率。

毫末智行首席執行官顧維灝認為，自動駕駛技術過去20年的發展歷程可劃分為以硬件驅動為特征的“1.0”時代，以軟件驅動為特征的“2.0”時代，以數據驅動為特征的“3.0”時代。其中，“1.0”時代以早期無人駕駛車輛為代表，比拼傳感器特別是激光雷達的數量和線束精度，數據積累在數百萬公里；“2.0”時代以深度學習技術上車為標志，車規級傳感器大量上車，但更注意車端感知算法和人工規則為主的決策模型優化，數據積累在千萬公里以上；“3.0”時代以AI大模型在自動駕駛領域的應用為標注，以數據驅動方式來訓練感知、認知模型使之進化。因此，自動駕駛企業將重點投入數據通道和智算中心的打通和建設，以更高效地獲取數據，并將它們轉化為能力與知識。“3.0”時代所對應的數據規模，駕駛里程至少在上億乃至數十億公里以上。

孫輝告訴記者，從大的方向來看，自動駕駛的發展路線，除了單車智能化水平的進階，還包括從單車智能向車路協同智能轉變。2024版中國新車評價規程首次將V2X納入測評范圍，為V2X的發展帶來更大的利好。車路協同通過路側單元向車輛發送超視距感知結果，提前規劃從而避免事故；在固定區域應用時，由于路側設施的補充，還能降低單車智能化成本，提前完成運營閉環。如果在限定區域內，這也不失為高階智駕的一種實現方式。

大模型正在催生算力工程

雖然“端到端”和BEV都是基于Transformer開發的架構，但業內人士普遍認為，“端到端”的上限會更高，通過數據驅動能夠解決復雜“長尾”問題，消除模塊累計誤差，還能降低成本。

不過，“硬幣總是有兩面”，端到端大模型為自動駕駛帶來的不只機遇，還有更多挑戰。在孫輝看來，端到端作為數據驅動的新型自動駕駛方案，數據采集和標注的體量一定要達到相當的規模才能實施，同時對研發人員及算力也有更高的要求，具有很高的進入門檻。當然，從產品落地來說，端到端方案可以更充分地發揮車載算力資源的作用，呈現產品層次梯度。

人們不難發現，大模型正在催化駕駛場景復雜多樣。去年以來，城市NOA加速落地。從高速NOA到城市NOA，交通環境的復雜度加大，對物體識別、感知融合和系統決策算力的需求不斷提高。更重要的是，自動駕駛仍存在大量“長尾”應用需求，例如對匝道、錐形筒、交通事故、坑洼道路進行識別等。各種“長尾”問題不能靠單一技術路徑解決，需要集中的大規模算力基礎設施——AI智算中心。

從2022年開始，國內外自動駕駛企業上演算力“追逐戰”。特斯拉自研的超級計算機Dojo，被用來訓練神經網絡，支持自身的自動駕駛技術發展；國內方面，小鵬、毫末、吉利等企業也開始自建算力中心。其中，小鵬汽車在內蒙古烏蘭察布建成自動駕駛智算中心“扶搖”；吉利星睿智算中心在浙江湖州長興正式揭牌；毫末智行發布自動駕駛智算中心“雪湖·綠洲”，全部用于自動駕駛模型訓練。

自動駕駛走過“1.0”和“2.0”時代，如今步入新階段。圍繞大模型訓練的云端算力平臺，以及與車端多模態、多數量、高質量傳感器和車端算法適配的高算力計算平臺紛紛落地，不少車企和自動駕駛供應商建立自己的算力中心，從理論上可支持完全自動駕駛級別的算力要求。

雖然技術會突飛猛進，但“神功還需一重一重修煉”。市場端對于自動駕駛落地的理性認知，成就了一番行業新風貌。放棄L4自動駕駛一步到位的想法，不少企業將首要目標放在L2＋自動駕駛的商業化落地上。今年初，多家車企啟動城市NOA開城“競速賽”，爭相推廣主打“極致性價比”的高階智駕方案。在這個過程中，無論“端到端”，還是BEV＋Transformer都在提供助力；與此同時，更多的車輛行駛數據，也將反哺自動駕駛人工智能技術日臻完善。

自動駕駛還需“長期主義”

在汽車產業變革的“下半場”，自動駕駛技術研發與落地已成為企業參與競爭的關鍵“參數”和重要抓手。凱聯資本研究院院長由天宇向記者表示，那些跑通端到端大模型的車企，無疑搶先站上了“風口”。

“自動駕駛行業的競爭日趨白熱化，想要在市場上擁有為之一戰的能力，企業離不開AI這個重要幫手。”孫輝肯定了AI大模型對于自動駕駛技術的助力。他認為，AI滲透下的自動駕駛“主戰場”將出現一家或幾家獨大的局面，企業不可避免地朝著技術規模化量產前進，嘗試“以戰養戰”，從而快速迭代，否則就會被淘汰。在細分“賽道”上，隨著具身智能的發展，自動駕駛還將迎來一輪新的發展機遇，出現一批面向垂直應用的優秀企業，展現出“百花齊放”的局面。“對于自動駕駛企業來說，在回歸理性、‘新芽’初生的這段時期，還需提高產品落地能力，此外增強對前瞻技術的敏銳性也非常關鍵。”他稱。

在由天宇看來，從更高維度、更長周期來看，自動駕駛技術一直在進步，并且將繼續演進，無論BEV還是端到端都只是整個發展過程中所經歷的一部分。他直言，在端到端大模型成為“新寵”的當下，也只有少數企業有實力跟進新技術，大部分企業仍處于觀望狀態，至于后期是否跟隨，一方面要考量端到端落地成果如何，另一方面還要考察是否還有更新的技術出現。前瞻技術固然有其優勢和發展潛力，但盲目跟風并不適合汽車產業。自動駕駛企業應冷靜看待新技術的崛起，雖然“端到端”被認為具有更多可能性，但如果只進行高速NOA以下級別的自動駕駛，沒有必要投入為此投入過多人力、物力，BEV＋Transformer足夠支撐目前L2＋自動駕駛的需求，尤其是車企都在追求技術量產落地的今天，性價比是首先要考慮的因素。

自動駕駛技術路線的進化仍在路上，未來還將迎來何種“奇遇”誰也不敢斷言，但有一點可以確定，發展自動駕駛必須堅持“長期主義”。在這一共識下，車企之間或許不僅要比拼誰走得更快，更要笑看誰走得更遠。