端到端攪局，自動駕駛的商業化分水嶺正在顯現。
前不久有消息稱，通用汽車公司将向其自動駕駛汽車子公司Cruise注資8.5億美元，以使Cruise的營運持續到明年第一季度，同時該公司也将考慮Cruise下一步的戰略和資金安排。
本月的一場會議上，通用汽車首席财務官Paul Jacobson則表示，Cruise正處于非常重要的研發階段，不僅僅是因為其自動駕駛計程車概念，更是為了實作個人自動駕駛出行。
自去年10月，一輛Cruise的自動駕駛計程車，撞傷并拖拽了一名女性數米遠，被吊銷了營運無人駕駛汽車的許可證。作為Cruise的母公司，通用汽車暫停了所有自動駕駛計程車的營運。
可見，曆經撞消防車、阻擋救護車、集體熄火導緻交通阻塞等風波，通用汽車仍繼續押注Robotaxi。Cruise不僅獲得母公司追加投資，還重新開機了在美國鳳凰城和達拉斯地區的自動駕駛汽車測試，并增加了在休斯頓的測試。
與此前自動駕駛頻頻遇冷，牽動全行業商業化進度有所不同，端到端等新技術路線的攪局，似乎正在拉開玩家們的商業化差距，燒錢多年的通用汽車和Cruise不得不急。
比如，另一家自動駕駛公司Wayve，不僅實作了在倫敦市中心的自動駕駛，還拿下了軟銀、英偉達和微軟等投資的10.5億美元C輪融資。
而Wayve的上述成就，本質上得益于其新更新的自動駕駛模型架構，包括四個主要模型：端到端深度學習系統（AV2.0）、Fleet Learning Loop、LINGO模型以及GAIA-1世界模型。
這也意味着，除特斯拉之外，包括Wayve在内的更多玩家，已經初步驗證了端到端自動駕駛的可行性，推翻了依賴代碼不斷改進規則算法，有望打破無窮的長尾場景僵局。
未來通過大量有價值的資料訓練系統，結合可解釋的傳統技術棧或模型，端到端有望提高車端的“智力”水準，使系統駕駛技術達到人類老司機水準，更好地處理複雜的駕駛任務。
目前來看，在自動駕駛或高階智駕領域，端到端的作用已經顯現，并逐漸成為行業共識，具體表現在不少車企、智駕Tier 1們在感覺端、決策端已有技術示範和應用。
01 視窗期來臨，同步拉開智駕差距
本質上，使用者體驗仍然是端到端上車的主驅力，競争焦點主要為兩點：一是解決長尾場景，提升整個系統的安全性；二是實作駕駛風格的拟人化，尤其是動态博弈路/車況下。
比如，随着端到端的加速落地，功能聚焦、擁有更高性能上限、更接近人類駕駛行為的城市NOA，将帶動高階智駕能力迎來新一輪比拼。
對比規則驅動的傳統分子產品方案，決策層泛化能力差，無法應對未曾編碼過的長尾場景，而資料驅動的端到端決策泛化能力強，尤其是對複雜場景的應對能力，有着更高的天花闆。
而上述天花闆，很大程度由算力和資料決定。
這也将驅動新一輪的最佳計算平台方案競争，包括算力、對智駕大模型的支援等，進而支援更大的緩存帶寬、支援端到端的定制化算子等。
比如，地平線早在2016年便率先提出了自動駕駛端到端的演進理念，2022年提出行業領先的自動駕駛感覺端到端算法 Sparse4D；2023年，由地平線學者一作的業界首個公開發表的端到端自動駕駛大模型UniAD，榮獲CVPR 2023最佳論文。
與此同時，地平線積累的基于互動博弈的端到端深度學習算法，大幅提升智駕系統在複雜交通環境中的通行效率和成功率。
面向端到端的量産應用，在硬體技術上，地平線專為大參數Transformer而生的新一代智能計算架構 BPU 納什，能夠以高度的軟硬協同打造業界領先的計算效率，為自動駕駛端到端和互動博弈提供智能計算最優解。
地平線的端到端技術也已投入産品應用，今年4月份，地平線釋出基于征程6P的高階城區SuperDrive方案，可依靠動态、靜态、OCC占用網格三網合一的端到端感覺架構，以及資料驅動的互動式博弈算法，做到在任何道路環境下兼顧場景通過率、通行效率和行為拟人。
基于此架構，SuperDrive的遮擋準召率可提升70%，動态代碼行數降低90%，網絡負載降低50%，能夠支援算法供應商做高效疊代，持續提升使用者體驗，預計2025年實作量産。
地平線認為，通過提供靈活開放的軟硬結合全棧技術，地平線将加速推動全行業實作端到端的大規模量産。
不過，即使有相關計算平台支援，自動駕駛的大模型也将拆解成若幹個層級進化，包括模型化、端到端，最終實作大模型。其中，模型化方面，頭部企業基本完成了感覺模型化，但是規控的模型化還未完全做好。
這也意味着，基于原本積累的感覺算法基礎，規則驅動正在加速轉向資料驅動，未來各Tier 1和車企的智駕能力差距将進一步拉大。
比如，鑒智機器人推出的BEVDet，将純視覺自動駕駛3D感覺做到端到端。相比使用Transformer進行image-to-bev投影，BEVDet擁有更優的泛化性能和更少的資料量需求，可大幅度降低對于資料量的需求。
其自動駕駛端到端的最新研發成果GraphAD，采用圖模型描述交通場景中複雜互動的端到端自動駕駛算法，對駕駛環境中的互動性元素進行顯性模組化，使得模型能夠更直接、快速的捕捉到相關性資訊，顯著提升了學習效率和性能。
目前，該模型已成功以實時運作性能部署到量産車載計算平台上。
此外，今年北京車展上，輕舟智航釋出了基于地平線征程6打造的輕舟乘風MAX智駕方案，采用端到端的技術架構設計，支援雷射雷達接入和輕地圖模式，可勝任處理更加複雜的城市場景，打造極緻全場景NOA體驗。
元戎啟行也對外展示了其即将量産的高階智駕平台DeepRoute IO，以及首款基于DeepRoute IO的解決方案，采用NVIDIA DRIVE Orin系統級晶片，200+TOPS算力，1顆固态雷射雷射雷達，11顆攝像頭，為無高精地圖的端到端方案。
有消息稱，元戎啟行端到端自動駕駛方案已經獲得長城汽車的定點項目，并與英偉達開展合作，預計2025年适配英偉達Thor晶片。近日，元戎還與比亞迪達成合作，負責其POC端對端智能駕駛項目。
02 完全端到端，道阻且長
作為自動駕駛的終局，端到端被寄予厚望，但難以一蹴而就。
在地平線算法平台總架構師穆黎森看來，。
即在比較堅實的工程量産基礎上做系統的快速疊代，一邊提升系統的上限，同時也能夠把握一些基于規則的基礎功能的正确性，保證系統性能的下限。
“”穆黎森表示，這個過程也會驅動針對端到端的計算方案的發展，為端到端提供最優的計算效率。
可見，基于端到端模型提供更拟人且靈活的處理，原有的模型和規則可以保證安全，未來幾年端到端模型和原有模型将在智能駕駛領域相輔相成。
畢竟即使是端到端的标杆特斯拉FSD V12，雖在此前的直播中表現不錯，各種場景處理非常絲滑，但也會犯闖紅燈、撞到馬路牙等低級錯誤。而在上一代方案中，很少出現此類錯誤。
事實上，特斯拉也不敢完全依賴端到端。有特斯拉車主從FSD軟體包中發現，V12僅适用于城市場景，高速場景還是用V11。
這也意味着持續提升端到端方案的下限，使其表現優于原傳統方案，也是一座需要業界征服的裡程碑。
而作為端到端的養料和難點，優質資料的搭建和收集也至關重要。
在自動駕駛領域，訓練模型需要的資料是與實體世界相關的視訊，是以需要模型了解更多實體規則，但也要避免用更多的資料、算力訓練更大的模型，陷入智駕能力不升反降的瓶頸。
即使是已經有數百輛車在路上跑的特斯拉，也坦言如今每10000公裡的行駛資料，隻有1公裡能訓練模型，且每訓練一遍，都需要消耗大量算力。
目前，特斯拉還在開發更強的仿真系統，生成各種資料訓練世界模型，以利用視訊生成和預測技術了解駕駛場景，并從這些場景中學習駕駛行為和政策，以強化端到端。
但依賴世界模型去長尾場景，可信度仍需提高。
例如，Wayve用于解決自動駕駛長尾問題的模型GAIA-1，去年6月推出GAIA-1早期版本後，就有相關研究人員指出，模型生成的視訊中，會有一些元素在後續“突然消失”。
雖然同年10月，Wayve更新了GAIA-1，不僅擴大了參數規模，還增加了訓練時長，模型生成視訊的細節和分辨率都有明顯提升，目前是否完全克服了“元素突然消失”的問題，還有待充分驗證。
可見，距離業界完全實作端到端落地還道阻且長，不僅諸多技術難題待解，還極度燒錢。
但基于端到端的廣闊前景，資本亦展示出了高漲的熱情。去年開始，與端到端相關的智駕Tier1、自動駕駛卡車公司、晶片企業、合成資料商等陸續拿下新一輪融資，亦推高了行業泡沫。
或許在未來的兩三年裡，曆經幾輪去泡沫，待寡頭效應突顯，端到端的格局才更清晰。