端到端模型落地量产，自动驾驶企业争抢上车(2)

比如压实线的规则在大多数时候必须严格遵守，但在路边有很多违停车辆，或者道路施工的情况下，车辆不得不压点实线，借个道才能通过。遇到这样需要灵活处理的情况，使用分治法的系统只能依赖提前写好的程序来应对，这意味着工程师需要为每一种细分场景设定不同的规则，代码越写越长，但场景却无穷无尽。

在这种分裂的模块化架构下，信息的传递会出现减损，系统程序复杂，集成困难，维护难度大。

“在模块化的架构下，一位工程师一天只能处理10多个case，效率不高。”周光补充。

而端到端模型则将感知、预测、规划三个模型融为一体，无需冗长的代码来制定规则，而是通过用海量数据去训练系统，让机器拥有自主学习、思考和分析的能力，能更好地处理复杂的驾驶任务。

“FSD Beta v12将城市街道驾驶堆栈升级为端到端神经网络，经过数百万个视频训练，取代了30多万行C++代码。”特斯拉的更新日志中如此介绍V12。

由于任务更少、避免了大量重复处理，端到端自动驾驶可以提高计算效率，并且可以通过不断扩展数据来提升系统的能力上限。

在学术界，端到端并不是一个新鲜的概念，已经有诸多相关论文和研究。但是直到去年，在带高阶辅助驾驶功能的量产车大规模落地后，有了海量数据和海量算力加持，这才取得了突破性进展。

Chat GPT的出现也让端到端自动驾驶看到了新的希望。

“如果选择端到端，就需要持续且巨大的投入，并且短期内也不一定看得到结果，这不是一个轻易的决定。但OpenAI验证了Scaling Law（标度律）在大语言模型上的奏效，让大家看到了端对端自动驾驶也有出现‘涌现’的可能性。”有业内人士告诉界面新闻记者。

“从特斯拉的开发经验来看，端到端自动驾驶真不是一般的企业能玩的，其所需的数据规模、算力规模远远超出国内企业的承受能力。除了成本高昂，端到端自动驾驶的技术难度也非常高，想要实现从学术到产品落地，相当于跨越从二踢脚到登月的难度。”毫末智行数据智能科学家贺翔告诉界面新闻。

如此庞大的投入具体值得吗？不同企业有不同看法。

“我们对端到端自动驾驶系统能否完整应对自动驾驶挑战表示担忧，认为其还不够完备，并且没有必要性，端到端用在自动驾驶系统上大材小用了。”自动驾驶技术公司Mobileye的创始人、 总裁兼首席执行官Amnon Shashua认为，“Mobileye不需要一个端到端的系统来覆盖所有的角落情况。”