“追上未來，抓住它的本質，把未來轉變為現在”，俄國哲學家車爾尼雪夫斯曾這樣描述未來。而走到今天的新能源汽車，其通向未來的本質就是做好智能化。
吶喊智能化的口號，從2023年延續到2024年。如今，智能化的落點，從最開始的智能座艙、NOA智能駕駛等，開始轉向新的軌跡。
近日，小鵬在廣州舉辦“小鵬汽車AI智駕技術發布會”，向全球用戶全量推送天璣系統XOS 5.2.0版本；其XNGP系統也將實現“不限城市、不限路線、不限路況的”全國全量開放。
此次發布會上著重突出的“端到端”“AI”等關鍵詞，也暗示了業內新的共識——智能化的未來將向AI智駕看齊。
AI智駕時代已經到來
新能源車企智能化的步伐，從2023年邁出至今，或許已近半程。但時移世易，新的風向標也隨之而來。
去年8月，廣汽宣布正式推出廣汽AI大模型平臺，并將搭載于高端智能轎跑昊鉑GT亮相；9月，華為云在華為全聯接大會2023上發布盤古汽車大模型，并進一步探討盤古汽車大模型在行業場景中的應用落地。
比亞迪璇璣AI大模型
今年1月，比亞迪推出了行業首創雙循環多模態AI——璇璣AI大模型，首次將人工智能技術應用到車輛全領域。同年1月，蔚來推送了基于AI智能底盤技術打造的智能系統Banyan榕2.4.0?？梢姡珹I大模型已經開始向新能源汽車滲透。
具體到應用場景上，大語言模型通過賦能語音助手，提升對乘客語音語義的理解能力，從而加速人車交互進化；視覺大模型通過優化感知，然后生成接近于真實的畫面，從而降低傳感器硬件使用成本，加速自動駕駛普及。
值得肯定的是，大模型在新能源汽車上得以應用，進一步打開了汽車智能化的想象空間，同時也預示著汽車智能化已經實現技術底層的突破。
只是，結合國內復雜的路況，單靠大量“小模型”堆砌，以及海量人工手寫規則代碼的輔助，始終難以窮盡駕駛時的各種情境，這也是近來各品牌高階智駕車輛事故頻發的主要原因之一。
此時，車企開始轉而啟用性能更強的“大模型”取代“小模型”，原本龐大的模塊化結構，也開始變得簡潔起來。之所以這樣轉變，是因為“小模型”堆砌相當于多模塊組合后，各司其職，最后匯總處理結果，由于是多個“大腦”同時決策，處理結果容易發生沖突。
而“大模型”執行的是端到端的處理邏輯，從感知層的數據輸入，到規控層的策略輸出，整套流程都由一個或兩個大模型搞定，處理效果的沖突性明顯漸弱。
加之，AI可以通過學習和模仿人類的思考決策邏輯，并用端到端數據驅動算法迭代升級，從而取代傳統的人工手寫算法規則迭代，使得處理效率更高，決策錯誤率更低。
隨著AI大模型逐漸成為汽車智駕躍進的解決方案，新能源汽車的智能化之路正式步入AI智駕時代，端到端大模型也成為業內爭相追捧的熱門。
華為、小鵬、特斯拉的“路線之爭”
AI智駕趨勢下，端到端大模型應運而生。這一思路最早由特斯拉提出，華為和小鵬緊隨其后，拋棄規則、擁抱數據的“端到端”熱潮，逐漸成為業界共識。
對車企來說，“端到端”首先是個非常好的營銷概念，因為有熱度和討論度，所以發布相關概念產品，于品牌而言百利而無一害。但因為其定義模糊，市場上的端到端概念產品各有“特色”，最先入局的華為、特斯拉、小鵬便已經出現端到端落地路線上的分歧。
最早發聲的特斯拉認為“端到端”應該是“一個模型走天下”。2023年12月，特斯拉的智駕工程師Dhaval Shroff 向馬斯克提出建議，拋掉手寫規則，搭建一張神經網絡，讓它大量觀看人類司機的駕駛視頻，并自行輸出正確的行駛軌跡。直到今年1月，采用端到端架構的FSD V12正式向北美用戶推送。據介紹，這一版本使用的正是單個端到端的神經網絡。
而華為的ADS 3.0智駕系統，是用兩個“大模型”，分別實現感知和規控的“端到端”；小鵬的XNGP則被分為感知XNet、規劃XPlaner、控制XBrain三個部分。這一做法等同于將感知、規劃和控制三個模塊全部揉進一個模型中。
智駕的端到端與模塊化方案
回顧過去數年，幾乎所有的智駕企業都選擇了與端到端“對立”的另一條路：模塊化。在模塊化的結構中，智駕系統被拆解為多個上下游連接的功能子模塊，各模塊彼此接力從而完成整個智駕任務。
由此來看，華為、小鵬的端到端大模型，更近似于模塊化方案演變、融合后的結果，由多模塊逐漸收縮為“感知-規劃-控制”三模塊，這一方案有進步但未完全突破。
盡管，模塊數已經變少，但感知端為了保證規控端的平穩運行，仍有可能出現被迫丟失信息的情況，這是模塊化結構一直存在的“硬傷”。
然而，只有保證系統在決策時獲取足夠全面的信息，其最終的決策效果才有可能達到全局最優。這是避不開的，同時也是與模塊化結構最為矛盾的一環。
從技術角度來看，“端到端”極其依賴于大模型內部的神經網絡結構，而神經網絡本身又具備不可解釋性，所以端到端的應用和界定一直是各執一詞。但歸根究底，成功落地、實現量產，提高駕駛安全性和便捷度才是智駕的核心。
過程或許不那么重要，結果才是。
新能源的“下半場”，端到端的“三重奏”
時至今日，端到端大模型的誕生，似乎為新能源車“下半場”的智能化競爭提供了一個確切方向，但是從進展來看，它還不足以將智能駕駛迅速推至終點。
因為，想要實現端到端大模型效果的最大化，車企和供應商們還有三大關卡需要面對。
1、數據需求激增
據悉，特斯拉從約32億公里的行駛數據中挖掘了數萬小時視頻數據用于FSD訓練。同時，也有自動駕駛工程師表示，訓練端到端模型時，原始積累的路測數據僅有2%可用。可見，端到端模型對數據的需求量之大。
除了數據線需求龐大外，數據質量也是一大難關。小馬智行的CTO樓天城曾表示，想要訓練出高性能的端到端模型，數據質量的要求比一般性能模型高出幾個數量級。
單論數據而言，目前國內車企的數據儲備基本均落后于特斯拉，還處于初期階段。加之對數據質量的要求，國內車企離數據積累的“長跑終點”仍“遙遙無期”。
2、算力需求激增
隨著端到端自動駕駛的發展，訓練海量數據所需的算力需求越來越高。對此，馬斯克多次表示，目前FSD V12端到端模型的迭代，主要也是受到云端算力資源的掣肘，并計劃重金堆算力。
圖源來自汽車之心
眼見算力成了端到端的“必過關卡”，各大車企、供應商爭相開始跑馬圈地。有意思的是，這條路線上，行業也走向了分叉口。一方是傾向于重投算力的“大力出奇跡”，另一方是深耕算法的“工匠主義”。
從特斯拉、華為等頭部車企都在重投超算中心的動作來看，算力提升，對應端到端智駕效果的天花板也會隨之被抬高。或許，兩條路徑選擇的背后，不僅有端到端戰略規劃的差異，也存在資本實力的差距。
可見，進入端到端階段后，車企對訓練算力的需求越高，也意味著需要更多的資金、人力和時間投入。這條路線走到最后，不僅是算力的比拼，也是綜合實力的角逐。
3、商業化落地困難
端到端作為一個新的技術路線，堆算力、堆數據、加算法都是高門檻，抬高進場壁壘的同時，試錯成本也在明顯增加，入場企業需要仔細斟酌效率與成本之間的平衡問題。
即使完成了開發，而最后端到端方案的驗證落地，也需要有合理且成熟的驗證方式作為前提。直接實車驗證顯然成本過于高昂，而基于數據測試為主的開環測試，與端到端智駕所看重的可交互性并不匹配。
最后是落地市場的考驗。目前，消費者之間普遍存在一種矛盾情緒。一方面對于汽車“智能化”和自動駕駛功能的興趣與期望在上升，另一方面他們的支付意愿卻在普遍下降。所以，即便完成了端到端智駕的量產，但卻不被市場買單，一切愿景仍將化為烏有。
結語
進入AI智駕時代后，端到端模型的比拼愈演愈烈?；谒懔Α祿男枨?，越早推出全國都可用的智駕方案，就能收集到更多數據，從而率先提升智駕能力，實現“強者愈強”。
這一路徑，是包括特斯拉、華為、小鵬等頭部車企正在做的事情，但是正在做不等于有結果。因此，最終局里上演的到底是彎道超車，還是黑馬崛起，亦或是強者恒強，這都猶未可知。
作者：琴聲奏響時
來源：港股研究社
