每經評論員 范文清

日前，特斯拉宣布將于明年一季度在中國市場推出FSD（全自動駕駛）功能。這一消息再度引發(fā)汽車行業(yè)對“端到端”技術的關注。當前特斯拉的FSD V12方案是基于“端到端”技術迭代推進的。為了應對挑戰(zhàn)，今年以來，包括“蔚小理”等車企和華為、地平線等服務商在內，多家企業(yè)紛紛加碼端到端自動駕駛技術。有業(yè)內人士甚至認為，“端到端”是目前通往自動駕駛終局的唯一可行方案。

不過，筆者認為，目前下這個結論還為時尚早。

所謂“端到端”，其實是源自深度學習中的概念，它指的是一個AI模型，只需輸入原始數據即可輸出最終結果。應用到自動駕駛領域，這意味著只需要一個模型，就能將攝像頭、毫米波雷達、激光雷達等傳感器收集到的感知信息，轉換成車輛方向盤的轉動角度、加速踏板的踩踏深度以及制動的力度等具體操作指令，從而使汽車實現(xiàn)自動行駛。

相比傳統(tǒng)的“感知-決策-控制”智駕系統(tǒng)，“端到端”技術由于中間沒有規(guī)則介入，將原本感知、預測、規(guī)劃等多個模型組合的架構簡化為“感知決策一體化”的單模型架構，在信息傳遞、推理計算、模型迭代上更具優(yōu)勢。同時，“端到端”架構由數據驅動的模塊構建，使其人為維護的模塊比例相應減少，因此“端到端”系統(tǒng)不僅能顯著提升計算效率，還能降低維護成本。

然而，這些優(yōu)點并不意味著“端到端”技術沒有短板。事實上，“端到端”自動駕駛在實現(xiàn)量產落地與普及方面仍面臨諸多挑戰(zhàn)。

首先，“端到端”模型的訓練成本非常高，需要廠商不斷提升GPU的采購規(guī)模，這提高了“玩家”的進入門檻。以特斯拉為例，目前其FSD累計學習的人類駕駛視頻片段超過2000萬個，僅采集成本就需要50億元至80億元。

其次，“端到端”模型的訓練需要大量數據，而對海量數據的采集、清洗和篩選，對企業(yè)來說是一項極具挑戰(zhàn)性的工作。強大的算力可以實時處理海量數據，降低數據傳輸延遲，有利于高級別自動駕駛的落地，但目前包括“蔚小理”在內的多家車企在算力增長方面均面臨較大挑戰(zhàn)。

此外，當前“端到端”智駕的安全性還沒有得到完全保障，特別是對于不常見或極端場景的數據，這對感知模型的泛化性能提出了極高要求。“端到端”技術需要能夠處理這些長尾場景，以確保在任何情況下都能作出正確響應。

目前行業(yè)對“端到端”技術的探索才剛剛起步，對許多基礎問題還缺乏深入討論。因此，現(xiàn)在還不能確定“端到端”就是自動駕駛的終局解決方案，從而摒棄其他路徑。只有不同技術路線同臺競技共同發(fā)展，才能推動自動駕駛更安全、更快速地向更高階段發(fā)展。