端到端“上车”，2025将是关键之年

得益于特斯拉的标杆引领作用，自动驾驶领域正掀起一股端到端布局热潮。

纵观市场，当前以蔚来、小鹏、理想等为代表的整车厂，以及元戎启行、商汤绝影、小马智行、鉴智机器人等在内的自动驾驶产业链公司，都在争相研发端到端自动驾驶，以实现更出色的智驾体验，以及功能进阶。

据辰韬资本联合南京大学上海校友会自动驾驶分会、九章智驾共同发布的《端到端自动驾驶行业研究报告》显示（以下简称《报告》），基于自动驾驶行业头部玩家纷纷提出端到端量产规划，预计模块化端到端系统将于2025年开始上车。

而真正的One Model端到端系统，作为广泛认定的端到端终局方案，由于需要更多模型、数据、训练算力和芯片层面的升级，中性预期其落地时间会晚于模块化端到端1~2年时间，从2026年至2027年开始上车量产。

端到端加速重构自动驾驶

作为一种新的技术路径，端到端因为可以实现感知、预测、规划三个模型的高度一体化，并通过海量数据持续训练算法，让机器拥有自主学习、思考和分析的能力，目前普遍认为可以更好地处理复杂的驾驶任务，从而带来自动驾驶体验提升。

图片来源： 《端到端自动驾驶行业研究报告》

不过在实际落地过程中，端到端有多种不同的技术路线，常见的有模块化端到端和One Model端到端。其中模块化端到端，即在自动驾驶算法架构中，感知和决策规划仍然分为多个模块，但每个模块都可以模型化，并通过模块之间的隐式表达特征，可以实现感知信息的无损传递，助力自动驾驶全局优化。

而One Model端到端，则不再有感知、决策规划等功能的明确划分，从原始信号输入到最终规划轨迹的输出直接采用同一个深度学习模型，如此一来可以更好地实现感知信息无损传递，实现高效的自动驾驶应用和体验。

比如特斯拉的许多用户就表示，特斯拉 FSD V12 在施工路段、无保护左转、拥挤的环岛以及为后方车辆挪动空间时表现优异。得益于此，自今年3月特斯拉开启引入了“端到端神经网络”技术的FSD V12大规模推送和免费试用后，据马斯克透露，其订阅率有大幅度提升。

5月底，小鹏汽车正式发布国内首个量产上车的端到端大模型：神经网络XNet+规控大模型XPlanner+大语言模型XBrain。据了解，基于折算10亿+里程的视频训练、超646万累计公里数的实车测试、超2.16亿累计公里数的仿真测试，小鹏汽车端到端大模型能够做到“2天迭代一次”，在未来18个月内智驾能力提升30倍。

不仅如此，由于该算法架构的强泛化性，端到端还被认为有可能驱动自动驾驶跨车型、跨地理区域、跨国家、跨场景的应用，在智驾出海中将大有可为，甚至催生新的产业分工和商业模式。

当前，智能驾驶公司在出海时遇到的一个普遍的问题是，由于目前不同国家地区的驾驶场景、交通规则都有较大差异，因而，场景适配所需的工作量极大。而端到端的强泛化能力，有望大大减少这一差异带来的资源投入，进而加速智驾公司在不同场景、不同国家或地区的应用。小鹏汽车董事长兼首席执行官何小鹏就透露，小鹏汽车正在全球范围对XNGP端到端的能力进行测试，推进智驾技术开始走向全球。

机遇和挑战并存

毋庸置疑，端到端在自动驾驶领域应用前景广阔，但这一全新架构面临的落地挑战亦不容忽略。

《报告》指出，目前端到端自动驾驶在落地方面主要面临技术路线分歧、对训练数据需求量空前提升、对训练算力需求越来越高、测试验证方法尚不成熟、组织资源重塑等多重挑战。

图片来源：辰韬资本

在技术路线方面，现阶段无论是“ 模块化端到端”还是面向终局的“One Model 端到端” ，都有相应的追随者，并且由于行业内尚未出现可供参考的最佳实践案例，预计这种路线分歧还将持续一段时间。未来 1~2 年内，随着更多公司和研究机构在端到端领域加大投入并推出产品，技术路线才会逐渐收敛。

数据方面，端到端自动驾驶更是在数据量、数据标注、数据质量和数据分布等多个维度提出了更高的要求。小马智行 CTO 楼天城就表示，现阶 段，训练出一个一般性能的端到端模型，自动驾驶的数据量已经不是一个问题； 但是要训练出一个高性能的端到端模型，对数据的质量要求可能是几个量级的提 升，这是自动驾驶行业都会面临的挑战。

而在算力需求方面，特斯拉曾在2024Q1 财报电话会上表示，公司已经有35000张 H100 GPU，并计划在2024年内增加到85000张H100以上，但国内主机厂和自动驾驶公司的训练算力，目前鲜有企业能达到特斯拉的规模。

作为对比，小鹏汽车目前仅手握7000+张GPU卡。此前，小鹏汽车已经明确在“以智驾为核心的AI技术”方面，2024年将投入35亿元用于智能研发，并新招募4000名专业人才，今后每年还将投入超过7亿元用于算力训练。

国内智驾领域算力储备相对靠前的是商汤，其在上海临港建立的亚洲最大的智算中心（AIDC），目前总运营算力已经达到12,000P，上线GPU数量达到45,000张，今年底计划进一步达到16000P。

另外，测试验证方面，现有测试验证方法不适用于端到端自动驾驶，行业亟需新的测试验证方法论和工具链；组织资源投入方面，端到端需要组织架构重塑，也需要将资源投入倾斜到数据侧，对现有模式提出挑战。

也正因如此，尽管业界已经对端到端重构自动驾驶形成普遍共识，目前的量产方案大多仍停留在“决策规划模型化” 阶段，距离模块化端到端或 One Model 端到端自动驾驶真正规模化落地还有一段距离。