在AI大模型興起以前，車(chē)企談智能(néng)駕駛，一般都将重點放在算法或者芯片算力上。但是随着AI大模型的迅速鋪開，自動駕駛的技(jì )術路徑開始飛速，從CNN、RNN、GAN到Transformer大模型轉變，曾經主流的輕高精(jīng)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，到跟随而至的問界、理(lǐ)想、小(xiǎo)鵬，端對端智駕正在像雨後春筍一般，迅速在智能(néng)車(chē)江湖(hú)迅速展開。
端對端成智駕新(xīn)風口
據公(gōng)開信息透露，小(xiǎo)米端到端全場景智能(néng)駕駛，于不久前開啓定向内測；零跑B系列和C系列将于2025年實現自研端到端大模型智駕系統上車(chē)；蔚來計劃明年1月推送用(yòng)于智能(néng)駕駛的端到端大模型架構。在此之前，理(lǐ)想、問界、小(xiǎo)鵬、比亞迪等諸多(duō)車(chē)企，都紛紛公(gōng)布了自家的端對端解決方案。不難看出，在當下這個時點，端對端智駕解決方案，早已經成為(wèi)了車(chē)企必選的智駕路徑。
首先，從技(jì )術上來看，端對端技(jì )術叠代較快、路徑短、信息損耗小(xiǎo)，對加速L4級智能(néng)駕駛到來非常有(yǒu)幫助。“端到端”模型将感知、規劃與控制三大模塊整合在一起，消除了模塊間的界限，簡化了系統架構，提高了運行效率。整合後的模型能(néng)夠更快地處理(lǐ)數據，提高系統的響應速度，加速智駕的去高精(jīng)地圖化。
基于這一點，特斯拉首先将端對端技(jì )術應用(yòng)在了FSD V12上，并取得了顯著的成績，讓行業内外的從業者和用(yòng)戶，前所未有(yǒu)地感受到了這種技(jì )術的魅力。比如，小(xiǎo)鵬汽車(chē)董事長(cháng)何小(xiǎo)鵬認為(wèi)，端到端大模型将讓自動輔助駕駛過渡，到完全自動駕駛的時間大幅縮短，2025年小(xiǎo)鵬汽車(chē)就能(néng)在中(zhōng)國(guó)實現類L4智駕體(tǐ)驗。輕舟智航CEO于骞認為(wèi)，端到端技(jì )術逐漸把非機器學(xué)習的部分(fēn)擠得越來越小(xiǎo)，整個系統完全通過數據驅動來實現智能(néng)駕駛能(néng)力……
雖然從當前來看，端對端或許并非最優解，但它能(néng)夠處理(lǐ)傳統路徑難以解決的極端案例，并且代表了一種減少人工(gōng)編碼依賴更高效的思路。或許正是基于此，行業内外前所未有(yǒu)地在端對端技(jì )術方案上，達成了空前一緻。
其次，從成本上來考慮，端對端技(jì )術在成本上比感知模型更省錢。其實，早前國(guó)内隻有(yǒu)30萬以上的車(chē)型才會匹配智駕模式，而在更低的價格段則幾乎沒有(yǒu)。說到底主要還是之前的技(jì )術不成熟，導緻智駕的成本過高所緻。但在行業去高精(jīng)地圖和硬件之後，相關的智駕方案變得越來越親民(mín)。
比如，大疆表示7000元就能(néng)解決城市NOA，且電(diàn)車(chē)油車(chē)都能(néng)用(yòng)；行業第一批AI+雙目方案，4000元就能(néng)實現領航輔助功能(néng)。模塊化智駕上，元戎啓行已經将整套智駕解決方案成本下探到2000美元，同樣是激光雷達+攝像頭，硬件成本已經下探至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(yǒu)激光雷達，變成了純軟件驅動的技(jì )術，技(jì )術可(kě)以不斷叠代、成本可(kě)以無限下探，這正是特斯拉可(kě)以不斷降價的原因所在。在技(jì )術與成本疊加之下，端對端的技(jì )術方案，自然就成了國(guó)内智駕路線(xiàn)的核心趨勢。
華為(wèi)、小(xiǎo)鵬們較量的新(xīn)戰場
事實上，與前幾年消費者普遍對國(guó)内智駕方案存疑不同，随着近兩年國(guó)内智駕水平的上升，特别是端到端帶來的新(xīn)的算法和模型的應用(yòng)，正在給消費者帶來前所未有(yǒu)的全新(xīn)體(tǐ)驗，這就使得市面上汽車(chē)是否标配智駕，越來越成為(wèi)消費者選擇電(diàn)動車(chē)的重要标志(zhì)。在此背景下，端對端技(jì )術方案日益成為(wèi)華為(wèi)、小(xiǎo)鵬等車(chē)企角逐的新(xīn)焦點。
一方面，通過升級端對端智駕方案，可(kě)以從價格與用(yòng)戶體(tǐ)驗上吸引消費者，從而幫助車(chē)企賣更多(duō)的車(chē)。根據乘聯會聯合科(kē)瑞咨詢發布的數據，2024年1～8月，中(zhōng)國(guó)新(xīn)能(néng)源乘用(yòng)車(chē)L2級及以上的ADAS功能(néng)裝(zhuāng)車(chē)率達到66.6%，同比大幅提升21.0個百分(fēn)點。另據蓋世汽車(chē)研究院配置數據，今年1～8月，國(guó)内市場高速NOA累計配套量已超93萬套，對應滲透率達7%，城市NOA也開始規模化上車(chē)，滲透率已達1.3%。
按照業内人士估計，明年将是自動駕駛的決勝年，NOA等高級智能(néng)駕駛功能(néng)，将普及至10萬元左右的車(chē)型，預計明年NOA的市場滲透率将超過40%。不難預見，随着更具(jù)成本優勢的智駕方案落地，城市NOA下沉到10萬元級的車(chē)型越來越近，并逐漸呈現出一個普及化的趨勢。對于車(chē)企來說，誰的智駕方案好、體(tǐ)驗佳、車(chē)型性價比高，誰就可(kě)以大量賣車(chē)，誰就能(néng)夠赢得市場。
從這個角度上來看，無論是小(xiǎo)鵬MONA M03等新(xīn)智駕車(chē)型的爆發，還是蔚來、理(lǐ)想等車(chē)企新(xīn)規劃的大衆車(chē)型，都在朝着這一方向去努力。于車(chē)企而言，在電(diàn)動化、性能(néng)、續航差不多(duō)的情況下，智駕已經成為(wèi)車(chē)企影響消費者心智的關鍵變量。低成本的智駕方案，則能(néng)夠兼顧大衆需求與車(chē)企賣車(chē)的需求，極大增強車(chē)企的市占率，并且通過走量的“智能(néng)車(chē)”，幫助車(chē)企快速積累高質(zhì)量、有(yǒu)價值的專業數據，為(wèi)更高級的智駕方案打下堅實的基礎。
另一方面，通過升級端對端技(jì )術，加快整個車(chē)企智駕能(néng)力的升級，倒逼車(chē)企升級汽車(chē)的底層算力能(néng)力。從行業經驗來看，端對端技(jì )術的落地，不僅面臨技(jì )術路線(xiàn)和數據的考驗，還面臨龐大的算力需求考驗。以端對端做的最成功的特斯拉為(wèi)例，在2024Q1财報電(diàn)話會上，特斯拉表示，公(gōng)司已經有(yǒu)35000張H100 GPU，并計劃在2024年内增加到85000張H100以上，達到和谷歌、亞馬遜同一梯隊。
在這一規模預期之下，馬斯克近期表示特斯拉已經不再算力緊張。國(guó)内，小(xiǎo)鵬“ 扶搖 ”自動駕駛智算中(zhōng)心，算力可(kě)達600PFLOPS(以英偉達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(yòng)于算力建設，未來每年将進一步加大投資。商(shāng)湯大裝(zhuāng)置已經布局全國(guó)一體(tǐ)化的智算網絡，擁有(yǒu)4.5萬塊GPU，總體(tǐ)算力規模達12000PFLOPS，2024年底将達到18000PFLOPS。而從目前國(guó)内的情況來看，大多(duō)數研發端對端的自動駕駛公(gōng)司的訓練算力，仍停留在千卡級别。
不難預見，随着端對端智駕技(jì )術的逐步深入，數據、算力的競賽，将成為(wèi)接下來所有(yǒu)車(chē)企競争的重點。
新(xīn)階段的現實考驗
随着端對端技(jì )術路線(xiàn)逐漸發展成主流趨勢，車(chē)企的競争焦點也發生了轉變，已經不再單純地比拼城區(qū)NOA功能(néng)的開城數量，而是更加注重為(wèi)用(yòng)戶提供優質(zhì)的駕駛體(tǐ)驗。在次背景下，從“車(chē)位到車(chē)位”日益成為(wèi)車(chē)企競争的新(xīn)焦點，與此同時數據激增、商(shāng)業化挑戰、新(xīn)技(jì )術風險等也正在成為(wèi)新(xīn)的挑戰，考驗着每一個車(chē)企。
首先，随着圍繞用(yòng)戶體(tǐ)驗展開的VLA模型升級，汽車(chē)所用(yòng)的算力在快速飙升，其對硬件算力和數據資源閉環的要求也越來越高。前文(wén)提到随着技(jì )術的不斷發展，端對端2.0逐步進入圍繞用(yòng)戶體(tǐ)驗而展開的新(xīn)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”叠代。
作(zuò)為(wèi)一個融合視覺、語言和動作(zuò)的多(duō)模态模型，旨在提高模型的泛化能(néng)力和判斷推理(lǐ)能(néng)力，可(kě)以簡單看作(zuò)是端到端+VLM系統的一個全面融合體(tǐ)。相比以前的VLM系統，它背後對資源的消耗更大、對數據閉環的要求也更高。有(yǒu)觀點認為(wèi)，部署VLA模型對芯片算力的要求，提升到英偉達DRIVE Thor級别，算力達750 TOPS。相比之下，當前高階智駕的算力硬件通常配備的是2顆英偉達OrinX芯片，總算力為(wèi)508 TOPS，差的可(kě)不是一星半點。
除了算力挑戰之外，數據問題帶來的挑戰遠(yuǎn)超外界想象。小(xiǎo)馬智行的CTO樓天城曾表示，想要訓練出高性能(néng)的端到端模型，數據質(zhì)量的要求比一般性能(néng)模型高出幾個數量級。單論數據而言，目前國(guó)内車(chē)企的數據儲備基本均落後于特斯拉，還處于初期階段。加之對數據質(zhì)量的要求，國(guó)内車(chē)企離數據積累的“長(cháng)跑終點”仍“遙遙無期”。
其次，随着端對端技(jì )術的持續升級，在堆數據、堆算力等諸多(duō)高門檻操作(zuò)之下，車(chē)企的試錯成本在逐步升高，商(shāng)業化也面臨市場檢驗。前文(wén)提到，随着端對端技(jì )術的升級，車(chē)企端對端對算力、數據的閉環考驗越來越高，車(chē)企為(wèi)此付出的代價也越來越大，車(chē)企入場需要考慮效率與成本的平衡問題。
另外，即便是完成了開發交付，端對端的驗證落地也面臨諸多(duō)考驗。車(chē)企直接實車(chē)驗證顯然成本過于高昂，基于雲端測試可(kě)能(néng)與實際情況并不匹配。在市場層面，消費者也存在着一種矛盾心理(lǐ)：一方面，消費者對于汽車(chē)“智能(néng)化”和自動駕駛的興趣與期望在上升；另一方面，它們的支付意願卻在普遍下降。所以，即便完成了端對端智駕的量産(chǎn)，倘若市場不買單，一切願望也将化為(wèi)烏有(yǒu)。
從這個角度上來說，端對端智駕的進階，不單單是技(jì )術、數據的比拼，更需要市場對其商(shāng)業化的實際認可(kě)。
