端到端席捲北京車展，車企智駕差距加速擴大_風聞

作者 | 德新

編輯 | 王博

顛覆智駕技術棧

以端到端為代表的新一代技術棧，可能會對智駕的迭代進程帶來革命性的衝擊。

自動駕駛中的「端到端」是指系統或者模型，直接從輸入數據到輸出結果提供完整的解決方案，而不需要傳統分模塊地處理，這樣的結構使得自動駕駛系統更加簡潔，模塊間信息傳遞損失少，迭代更加高效。

端到端對「數據+算力+算法」這一黃金三角的要求大幅提高，決定了新****一代的智駕技術是高門檻的。智駕的開發模式也將發生很大的變化，大部分開發工作將從現階段車端為主，轉移到以雲端的開發為主。圍繞雲端的數據回傳/數據處理、仿真驗證、模型訓練成為開發的關鍵。

端到端的技術迭代邏輯和資源需求，決定了頭部公司與腰部公司的差距將加速拉大。馬斯克甚至在最近提出，今年在雲端訓練和AI方面，投入達不到相當水平（100億美金級）的公司，將無法競爭。

特斯拉是全球市場最早量產端到端的車企。而作為全球智駕應用最活躍的市場，中國的頭部車企和供應商也在以驚人的速度佈局端到端技術的量產。

從2023年UniAD（Unified Autonomous Driving）的論文正式提出端到端的構想，到2024年華為、小鵬、長城、極越等車企公佈端到端技術棧的量產計劃，這一技術趨勢的落地推進速度遠超人們最初的想象。

目前，即使在大模型已經取得突破性進展的自然語言處理領域，「大數據+大算力」驅動的算法增長曲線，依然非常陡峭。一些行業人士判斷，在自動駕駛領域，端到端的大模型將帶來更加突出的算法能力躍升。

在這代技術棧上，車企在「數據+算力+算法」的黃金三角上，要麼成為像特斯拉一樣全面強悍的六邊形戰士，要麼需要找到強有力的搭檔，組建搭建黃金三角的精英聯盟。

如何建立高效的算力基礎設施，如何通過大規模仿真加速技術驗證過程，如何有效利用數據加速模型訓練，成為新時期行業關注的技術焦點。

端到端，本屆車展最大技術潮

4月28日，北京車展專業觀眾日的最後一天，特斯拉CEO馬斯克的私人飛機飛抵首都機場。當晚新聞聯播旋即公告：李強會見馬斯克。

特斯拉實際上並沒有作為參展方參與本屆的北京車展，但馬斯克的來訪可能會創造本屆最重要的一條技術新聞：特斯拉FSD入華漸近。

3月份，特斯拉向北美用户推送了FSD V12.3.1版，並且將FSD Beta版的名稱改成了FSD Supervised。

相比於FSD V11，V12最大的變化就是將感知、規劃、控制多合一成為端到端的網絡。隨着FSD向公眾推送，其在北美各個城市驚豔的表現，也使整個產業界甚至發燒友的車主羣體，對端到端的技術產生了濃厚的興趣。

在本屆車展上，多家車企/技術公司也公佈了針對端到端的最新進展：

4月24日，華為車BU發佈全新品牌乾崑。其中其智駕產品線，也就是過往大家熟悉的ADS發佈新版本 ADS 3.0。ADS 3.0將架構進行了升級，感知變成一張GOD網絡，決策與規劃二合一成為PDP網絡。ADS 3.0預計將在2025年下半年量產。

長城在這屆北京車展上發佈了魏牌藍山智駕版，藍山智駕版搭載了SEE一體化智駕大模型，這個大模型也是藍山智駕版能實現無圖全國都能開的重要基礎。

小鵬在本屆車展上主要宣佈了軟件系統的升級，從MPV車型X9開始，其智駕方案將升級為端到端大模型的架構，小鵬計劃在下個月的AI Day上公佈更多的細節。

NVIDIA官宣多家公司的合作，則披露了業界更多關於端到端的動向。

到目前為止，極氪、理想、小鵬、比亞迪以及極越已確定將採用NVIDIA DRIVE Thor平台，相比於上一代OrinX的計算平台，Thor最高有8倍的算力提升，達到近2000T。

Thor將支持包括端到端在內的大模型的部署，Thor的首批車型量產時間預計在2025年。

頭部車企吹響端到端的號角，信號已十分明確。

車企軍備賽：智駕差距急劇擴大

馬斯克來華推動FSD落地，當晚他還發了一條推特揭示了FSD擴張背後的重要舉措：特斯拉今年將在****綜合訓練和推理人工智能方面投入約100億美元，後者主要用於汽車。

馬斯克還認為，「任何公司如果不能達到這一水平的支出，且不能高效地進行支出，就無法競爭。」

馬斯克所指的競爭主要是指AI的競賽。ChatGPT等大語言模型的案例，已經充分證明了大模型「大力出奇跡」的特點，即當訓練的算力與數據突破一定規模時，通用大模型性能將有顯著的提升。

首先，在算力規模上，各大廠商就會拉開非常直觀的差距：

特斯拉很早就擁有整個行業最強的AI算力儲備。一家頂級算力公司的高層近期透露，特斯拉作為美國算力儲備排名第一的車企，其當前AI算力規模是第二名的4倍以上。

除了對外採購算力，特斯拉同時也在推進自研Dojo。2023年7月特斯拉成功部署了其第一個ExaPods，算力規模1.1 EFlops，特斯拉計劃到2025年10月部署總規模100 EFlops的算力。

在國內，「N卡難求」的緊張局面已經持續了相當長一段時間。如何找到持續、穩定、可擴展的算力供給，讓華為雲這樣的玩家在很短的時間內成為汽車廠商們關注的焦點對象。

在過去幾年內，華為雲憑藉可持續拓展的AI算力，在汽車行業攻城略地。據説排名前30的車企中，有90%都選了華為雲。

我們從ADS的雲端算力，也可以一窺華為雲算力的高速增長：2023年底，華為車BU公佈ADS的雲端算力規模為2.8 EFlops，華為預計到今年6月底，ADS的雲端算力將達到3.5 EFlops，「規模超過行業第二名和第三名算力的總和」。

背靠華為雲的算力支撐，ADS 3.0每天學習3000萬公里的數據，每5天迭代一次。

特斯拉在美國擁有約300 - 400萬輛車的用户車隊，目前已經有十幾EFlops的算力規模。最快的時候，FSD 8天內向用户推送了5個版本的更新。

算力和數據規模決定了未來自動駕駛系統的迭代能力。

端到端的技術架構，很大程度上會改變智駕系統的開發方式。NVIDIA汽車業務負責人新宙在本屆車展前的小型媒體溝通會上表示：自動駕駛的開發方式會發生很大變化，大部分工作會集中到雲端，仿真也會成為關鍵。

輕舟智航的CEO於騫在本屆車展上，甚至提到：以模型為中心的開發方式，正在轉變成以數據為中心的開發方式，以致於甚至在模型沒有變化的情況下，僅僅通過數據規模、數據分佈的提升就會大幅提高模型的表現。

在最強對手一路狂奔的情況下，所有希望佈局在端到端上的車企，恐怕都需要思考：在端到端的技術趨勢下，應該如何搭建更強大的「算力+數據+算法」的黃金三角。

黃金三角構建頂級端到端

從零再建幾乎不可能

過去幾年，不斷有車企投身智駕的全棧自研。如今到了端到端大模型的智駕時代，車企要回答的問題更加棘手：

能不能買到足夠多的算力？

有沒有足夠多的量產車輛採集到足夠覆蓋的全國性的數據？

如何從大量數據中獲取珍貴的稀缺場景數據？

滿足以上條件之後，智駕有沒有合理的成本實現商業化？

最後迴歸到如何持續增加算力和數據的投入，實現技術商業持續向上的閉環。

如果無法回答這些問題，那這一切將止步於完成一個極其昂貴的大型demo。

無論從當前的算法能力進度、算力規模、數據量規模，特斯拉對於其他的公司尤其是傳統車企，有不止一個數量級的壓倒性優勢。

有多名汽車行業高層以及接近特斯拉智駕研發的人士告訴我們，特斯拉的FSD研發團隊規模要遠遠少於國內智駕第一梯隊的公司。但特斯拉在過去多年時間裏，在內部組建了一支與AI算法團隊緊密合作的數據運營和數據工程團隊，從而大幅提高數據篩選、標註以及訓練的效果。

對端到端的開發流程，雲服務商的價值會更加凸顯，保障算力供給、提高數據處理能力、強化雲端的仿真驗證、加速模型訓練並落地到車端發佈，這些都是剛需。

以華為云為例，作為華為ADS背後的技術底座：

昇騰AI雲服務是解決當前算力緊缺的少數選擇。AI開發平台ModelArts，支持萬卡大規模集羣，支持單作業萬卡、百PB級數據超大規模訓練。

華為最高千億級參數的盤古汽車大模型是支持算法開發與仿真驗證的加速器。用盤古汽車大模型做自動駕駛數據處理、數據生成，可以做到萬段CLIP分鐘級理解，支持2D/2.5D/3D的自動標註。數據生成複雜場景，讓自動駕駛系統學習新場景的週期從兩週以上壓縮到2天。

2024年，約有10多款車將搭載華為ADS，某種程度上ADS的應用規模也反向驅動華為雲形成了更有強有力的對於端到端的支持。華為雲可能是國內車企PK特斯拉的最佳選擇之一。

即使不採用華為ADS的廠商，也可以從華為雲的平台中，找到八爪魚這樣用於自動駕駛車輛研發、測試、部署全鏈路的工具。

此外，隨着輕圖方案的普及，自動駕駛數據安全性和合規性也是重要課題。華為雲提供了「1+M+N」的基礎設施佈局，用汽車專區3分區的架構和7層防護建立全流程的合規解決方案。

如何縮小與頭部車企的技術差距、加快開發流程，也是過去一年不少國內品牌選擇擁抱華為技術體系的原因。

智能駕駛在國內經歷了將近8年的發展之後，迎來了用户認知空前的繁榮階段。長城、長安等多家車企的調研都顯示，大約在2020年前後智駕在購車因素中的排名大約是第八位，到2023年末快速進入到第四位，是近年少數快速上升的車型產品屬性。

在這次北京車展上，馬斯克的來訪也充分説明了特斯拉強烈推動FSD進入國內的意願。來自供應鏈的消息顯示，特斯拉正為FSD進入中國在數據、地圖等多個領域展開緊鑼密鼓的準備。

在不久前傳聞特斯拉內部已經取消了代號Model Q的乘用車項目，同時宣佈今年8月8日將發佈全新的Robotaxi，全力押注高等級自動駕駛。

而隨着端到端技術的到來，技術門檻大幅提高、技術迭代週期大幅縮短，這意味着對希望在智駕領域有所建樹的車企，邁向端到端的決策和行動是緊迫的。