智能驾驶渗透提速，“智能化”竞争进入白热化。
国内汽车工业在电动化和智能化领域的迅猛发展，正在重塑消费者的购车偏好，消费者对于自动驾驶技术、智能座舱等高端智能化功能的兴趣日 益浓厚。 p 超半数的汽车消费者将智能化水平作为购车时的关键考量因素，他们追求更先进的自动驾驶体验、更智能的座舱环境以及更个性化的驾驶乐趣。 p 智能化在购车决策中的重要性日益凸显，这也促使众多汽车制造商加快了智能化技术的研发和工程投入；继续航里程和用车成本之后，智能化已 成为新能源汽车竞争的主要领域，未能跟上智能化步伐的汽车品牌可能会逐渐失去市场竞争力。
NOA技术的渗透率正迅速提升：自2022年“量产元年”起，高速NOA和城区NOA的普及率显著增长。目前，高速NOA的渗透率已超10%，城 市NOA也超过了3%。 p 在众多厂商的推动下，重视“智能化”的汽车越来越受消费者青睐，尤其是那些配备自动泊车和L2.5以上级别NOA功能的车型；这些车型已成为 车企竞争的焦点，预示着未来缺乏NOA功能的车辆可能失去竞争力。 p 自动驾驶功能的普及，得益于车企的持续投入和消费者对这些技术的接受度，这已成为汽车市场竞争力的关键。
尽管一级市场融资受到整体投融资环境的影响，但自动驾驶公司通过不断优化核心软硬件产品，向更务实的L2辅助驾驶转型，加速了智能驾驶的 商业化进程，众多企业开始准备IPO。 p 同时，随着智能驾驶功能的普及，消费者对其正面认知逐渐增强，乘用车自动驾驶市场稳步增长，这促使主机厂与智能驾驶解决方案供应商之间 的合作更加紧密，进一步推动了智能驾驶技术的商业化应用。
自BEV（鸟瞰视图）结合Transformer架构成为自动驾驶感知领域的主要发展方向以来，数据驱动在其中扮演的角色愈发关键；众多汽车制造商 和自动驾驶解决方案提供商都已构建数据闭环系统，以支持自动驾驶系统的模型训练和持续迭代。 p 目前，配备高级智能驾驶功能的汽车已实现规模化部署，这为自动驾驶算法的持续创新和优化提供了坚实的数据支撑。
AI技术的应用场景众多，自动驾驶无疑是其中的核心议题；它不仅代表了技术应用的前沿，也是产学两界AI专家不懈追求、共同攻克的领域。 p 自动驾驶行业的发展与AI技术的每次飞跃紧密相连：从卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）到Transformer， 每一次技术革新背后，都伴随着深度学习等基础AI技术的突破性进展。正是AI技术的持续进步，构成了自动驾驶技术不断演进和成熟的基础动力。
Transformer大模型技术在自动驾驶领域并非新近出现，其实早在ChatGPT之前，这一技术就已被应用于自动驾驶的感知任务。 p 特斯拉在2021年就展示了其基于BEV视角结合Transformer的感知方案，此后，国内厂商纷纷跟进并进行创新，这间接加速了2022年之后高阶智 能驾驶方案的快速落地。 p 从云端的模型训练到车端的模型部署，大模型技术已被广泛应用于数据处理、模型融合与优化等多个环节，显著提高了模型训练的效率和系统的 整体性能。
传统自动驾驶系统已经发展得相当成熟，通常采用模块化串联的部署方式：其核心模块涵盖感知、定位、预测、决策和控制等，每个主要模块及 其子模块都承担着特定的职责，且每个模块的输入通常来源于前一模块的输出。 p 模块化设计的优势在于能够将复杂的自动驾驶任务分解为更小、更易于管理的子任务，同时便于问题的追踪和定位；然而，随着自动驾驶技术向 数据驱动的方向发展，模块化设计的某些局限性也逐渐显现，例如信息传递过程中可能出现的损耗、计算延迟以及累积误差等问题。
模块化自动驾驶的核心在于不同子模型在各个模块中的嵌套与协同工作。然而，随着Transformer架构等先进AI技术的发展，模型间的界限正逐 渐变得模糊。原本独立的子任务模型正逐步被更大规模的神经网络模型所取代，特别是在感知模块，BEV结合Transformer方案的广泛应用预示 着数据驱动的深度学习神经网络正日趋成熟。 p 从架构的角度来看，随着模型融合的趋势，自动驾驶系统的终极形态很可能是One Model，即一个狭义上的端到端神经网络模型。
随着感知、预测和决策等关键模块逐渐实现神经网络化，端到端自动驾驶的路径已经清晰可见，为自动驾驶技术向L4级别无人驾驶的迈进提供了 广阔的想象空间。 p 端到端自动驾驶神经网络的实现将带来一系列优势：它将完全基于数据驱动进行全局任务优化，拥有更简洁的系统架构，更高的计算效率以及更 强的泛化能力。然而，它也面临着对算力和数据的巨大需求，以及尚未解决的黑盒问题和幻觉问题，这些问题需要随着技术的进步而逐步克服。
自动驾驶领域尚未就“端到端”概念达成统一认识。一般而言，端到端自动驾驶指的是从原始传感器数据输入直接到控制指令输出的连续学习与 决策过程，过程中不涉及任何显式的中间表示或人为设计的模块。 p 尽管端到端自动驾驶的具体定义仍存在一定的模糊性，但其核心理念是避免信息在传递过程中的损耗。
特斯拉FSD V12的卓越性能令业界观察家印象深刻，它确实摒弃了之前FSD方案中多年积累的代码，但其端到端方案的成功也离不开其在过去十 年在人工智能和智能驾驶领域的深厚积累。 p 端到端自动驾驶技术的发展遵循着渐进的路径：目前，BEV+OCC+Transformer已经实现了感知模块的端到端架构，决策模块也在逐步从依赖手 写规则向基于深度学习的模式转变，最终目标是实现模块化联合与单一模型的端到端自动驾驶。
模块化自动驾驶系统面临信息丢失、计算效率低、累积误差以及维护成本等问题，这些问题难以回避，需要新的思路去解决。 p 端到端自动驾驶通过将传感器收集到的全面信息作为输入，在单一网络中直接生成车辆的控制指令或运动规划。这种设计使得整个系统针对最终 目标进行优化，而非仅仅针对某个独立的子任务，从而实现自动驾驶性能的全局最优化。 p 随着高质量数据的不断积累和模型的持续优化，端到端架构有望展现出比传统模块化架构更优越的自动驾驶性能。
模仿学习（Imitation Learning）和强化学习（Reinforcement Learning）是当前用于训练端到端神经网络的两种主要方法。 p 模仿学习主要通过逆最优控制（Inverse Optimal Control）和行为克隆（Behavior Cloning）来实现，其核心理念是让智能体通过模仿专家的行 为来学习最优策略。而强化学习则是一种通过试错来学习的领域，其中奖励函数的设计是一个关键挑战。
大型语言模型、视觉模型（如世界模型）、以及多模态大型模型等基础模型展现出了强大的能力，并且这些能力正在自动驾驶技术的融合应用中 正在被积极开发。 p 这些基础模型通过预训练获得了推理能力和丰富的知识，能够升级传统的基于规则的if-else系统。出色的泛化能力能够应对自动驾驶技术发展中 的挑战，提升在感知、预测、规划等关键领域的性能，升级自动驾驶仿真和测试环节的技术手段。
尽管端到端架构相较于传统的模块化自动驾驶展现出了诸多优势，并且吸引了众多汽车制造商、科技公司以及其他自动驾驶领域的企业参与，端 到端自动驾驶在落地和商业化方面仍然面临诸多挑战。 p 构建所需的强大算力、获取用于模型训练的高质量海量数据，以及端到端大模型的“不透明性”和“解释性不足”，都是制约产品性能提升和安 全保障的关键问题，需要行业各方共同努力，携手解决。
端到端自动驾驶大模型本质上是从大量的优质驾驶视频片段中提取和压缩驾驶知识与习惯的过程，这与ChatGPT等生成式大语言模型类似，都需 要强大的算力和海量数据来支撑模型的训练。 p 近年来，国内主流汽车企业和新兴造车势力都在加快算力储备的建设，以满足自动驾驶模型的训练需求。与特斯拉相比，当前国内厂商的算力水 平还有明显差距。在美国GPU出口限制的背景下，要达到国际一流的算力储备，国内还有很长的路要走。
在汽车行业日益激烈的“内卷”竞争中，消费者在购车时面临一种内在的矛盾现象：尽管对汽车的“智能化”和自动驾驶功能的兴趣与期望在上 升，但他们的支付意愿和金额却普遍呈现下降趋势。 p AI在一定程度上确实重新定义了汽车，但似乎并未为乘用车行业的商业模式带来预期中的新增市场：订阅服务模式尚未实现规模化普及，自动驾 驶功能反而成为汽车制造商为了改善驾驶体验和提升产品品质而不得不承担的“硬成本”。
目前，自动驾驶领域对于“端到端”这一概念的理解尚未统一，技术路线和系统架构方面存在不同的观点，比如模块化联合端到端、One Model 端到端、以及基于LLM/世界模型的端到端等方法。 p 端到端的自动驾驶路线仍处于发展初期，除了特斯拉之外，还未有其他厂商能够实现端到端自动驾驶的量产。各个厂商所采用的技术路线尚未经 过市场的充分验证，行业内也缺乏可供借鉴的成功实践案例。
