2024年如何评价车企端到端能力？

1. 引言：为何关注智能驾驶端到端大模型进展？

1.1 特斯拉端到端大模型落地，驱动行业技术路线迭代

特斯拉引领，智能驾驶端到端大模型加速。特斯拉 2023 年 12 月发布 FSD Beta V12.1，主要是用于特斯拉员工的内部测试。特斯拉 V12 版本实现从摄像头数据输入 到最终决策控制信号的输出，可以实现智能驾驶端到端的控制。2024 年 2 月，特斯 拉发布 V12.2.1，该版本简化运算结构和监督算法，实现 30 万行 C++代码简化。2024 年 3 月 FSD V12.3.3 进入监督（Supervised）版本，实现 FSD 从测试版到监督版的 升级，同时 FSD 数据的完整后充分提升行为轨迹数据的使用效率。从当下版本使用 的车型数量来看，FSD12.3.6 搭载车型数量超过 1.7 万辆，使用率超过 90%。

端到端神经网络充分简化运算步骤，减少人工特征工程的需要，并识别出数据 中关联性，打通从感知到决策的全过程。传统的机器学习流程中，特征提取和数据转 换通常需要大量的人工干预，包括人类标注、边缘检测等手动设计的特征提取方法， 需要较大量的人力参与训练。端到端神经网络通过多层神经元结构，将输入数据逐步 转化为更高层次的特征表示，网络通过反向传播算法自动调整权重，降低预测输出和 实际输出的差值。智能驾驶应用来看，端到端大模型可以从传感器数据学习驾驶策略， 去除过去的“感知—决策—执行”的传统智能驾驶链路，充分提升数据和训练效率。

1.2 端到端大模型有望成为未来高阶智能驾驶解决方案

受益于有效数据规模的提升，智能驾驶端到端模型有望成为高阶智能驾驶解决 方案。从发展路线来看，2019 年至今 CARLA 数据集不断丰富，基于数据集完成数据 泛化、增强可解释性、数据融合、基于人类定义规则的预训练。2023 年受益于数据 量（下图中 DS，为 data scale）积累和底层数据类型的升级，充分满足大规模训练 需求。通过数据规模提升和数据间关联性可读性的提升，2023 年开始模块化的端到 端规划模式加速，逐步成为代表智能驾驶未来发展的主要方向。端到端大模型在最终 功能表现上有更高的上限，未来受益于数据规模持续扩张和评价体系的完善，智能驾 驶端到端大模型有望加速落地。

2. 如何评价车企智能驾驶端到端大模型能力？

车端和训练端的配合有望提升数据使用效率和模型迭代速度。在过去的智能驾 驶体系中，车端感知层体系建设和车端算力是部署的重点。端到端大模型要求车端算 力要求提升的同时，强调云端（训练段和存储端）协同训练。车端的数据采集需要高 度灵活化的触发机制和场景化的触发策略，需要车端数据及时收集、云端高效处理， 从而提升数据闭环使用效率。从数据流程来看，车端行为轨迹数据产生后压缩发送至 云端，而后完成数据存储和云端训练，完成模型分析和算法迭代后回传给车端，从而 完成车端功能的优化。在后续的分析中，我们重点关注车端能力和云端能力两个方向。

评价车企端到端智能驾驶模型能力的主要参数指标为车端轨迹数据规模、训练 数据能力、软件开发能力。（1）车端轨迹数据规模：通过影子模式带来的有效累计里 程，即具备集中式域架构和车端具备较大算力的车型累计销量及累计里程；（2）训练 数据能力，主要包括智算中心算力、云化水平和数据存储能力，训练算力部署体量成 为运算速度的关键，云架构优化算力编排，数据存储能力决定可训练车端轨迹数据规 模；（3）软件开发能力，由于各家代码并不开源，无法直观对各家智能驾驶模型软件 代码进行判断。在后续的分析中，我们集中在车端轨迹数据规模和训练数据能力两个 维度的分析。同时，训练能力和软件开发需要人员投入和资本性支出，研发费用和研 发人员数量同样成为影响智能驾驶端到端大模型的进展。

2.1 数据获取：架构升级和车端算力保证车辆轨迹数据迭代

参考大模型的发展，数据规模成为影响端到端大模型迭代速度的关键，受益于 累计里程数据规模的提升模型准确性。端到端智能驾驶模型是通过传感器完成周围 环境数据输入，完成对应运动动作输出的过程。端到端智能驾驶模型与语言大模型具 有相似性，存在“涌现”现象，即在数据规模达到一定规模后（即参数量越大），模型拟 合的准确性越高。

车辆行为轨迹数据是“喂养”端到端智能驾驶模型核心数据。从数据内容来看， 车辆行为轨迹数据主要包括传感器信息、地图信息、车辆状态信息、语言结构信息等。 融合方式主要包括前端视觉信息的融合、中段特征的融合和终端执行输出的融合。

车辆行为轨迹数据采集要求一：需要完成车型架构的升级。一方面，E/E 架构逐 步向集中化方向发展，具备车辆行为轨迹数据集中式生成。另一方面，受高级别智能 驾驶功能的影响，系统安全性设计要求提升，L3/L4 需要针对网络、电源、底盘、感 知等各层级架构均完成冗余设计，从而保证高阶功能的安全性。

车辆行为轨迹数据采集要求二：车端算力提升，保证“影子模式”运行和车端行 为轨迹数据回流。影子模式是指在有人驾驶状态下，智能驾驶系统及传感器仍然运 行，通过影子模式计算与有人驾驶状态下的对比，完成对算法模型的验证。随着车型 销量逐步提升，影子模式数据传输量远超过路测反馈数据量。智能驾驶数据传输同样 需要算力支持，车辆所产生的数据量需要进行将归类、脱敏、压缩和打包后上传至云 端服务器，车端算力需要保证车端与训练端通讯通畅。车端算力是推进影子模式和保 证数据回流的关键，车端中高阶算力芯片成为硬件的又一要求。

我们认为车端核心参数指标为车辆行为轨迹数据规模，车辆行为轨迹数据规模 领先的车企有望加速模型进入涌现阶段。车辆行为轨迹数据规模等于具备行为轨迹 回馈能力车型数量与总车辆运行时间的乘积。车端硬件要求来看，具备中高端算力和 冗余集中式或中央计算式 E/E 架构车型成为硬件要求。总车辆和运行时间来看，车 型累计保有量和总车型运行时间成为重要的参数指标。

2.2 数据训练：算力类型及数量决定速度，云优化算力编排

训练端：GPU 类型及数量决定训练速度。受架构影响，GPU 在计算能力、带宽等 方向上存在较大差别，对比来看英伟达 H100 单卡算力领先，华为昇腾 910B 受制程 影响算力和带宽较低。训练端由于大模型应用范围和架构不同，部署上无法共用不同 种类型的 GPU，单类型的 GPU 数量成为关键。服务器整体架构来看，NVIDIA NVLink 采用全网状拓扑，同时引入 NV Switch 架构 GPU-to-GPU 最大带宽可达到 400GB/s； 华为 HCCS 采用对等拓扑，GPU-to-GPU 最大带宽是 56GB/s。

云计算：优化算力编排，充分提升算力使用效率。云可以通过虚拟化技术实现资 源池化，提供弹性的计算和存储资源；还可以为应用程序提供统一的接口，方便应用 程序的部署和管理。优质云计算能力可以充分优化算力结构，实现计算效能最大化。

智能驾驶对云上能力要求集中在存储和训练。数据流来看，车端完成数据收集、 汇总之后，再上传到云端进行存储和训练。存储来看，车辆行为轨迹数据主要包括两 个部分：（1）结构化数据（车辆状态数据、行驶轨迹数据），主要使用关系型数据库； （2）非结构化数据（图像、视频、雷达等信息），主要使用非关系型数据。单车数据 量在 10TB，全年约产生 30PB 数据量。训练来看，云可以完成数据识别、数据标注等 功能，同时云端高质量的仿真测试体系有望加速算法迭代。

3. 当下车企智能驾驶端到端大模型进展如何？

根据上述分析，我们将从数据获取能力和数据训练能力两个维度进行当下时点 各车企智能驾驶端到端大模型进展的分析。车端主要包括车端芯片升级进度、整车与 架构升级节奏，同时具备数据回收能力的保有量产生的数据规模也是分析的重点；训 练端算力部署主要包括算力部署节奏和云计算底层架构。同时，研发人员数量和研发 支出是开发端和训练端的保证，主要系：1）软件投入及开发需要完成团队建设；2） 算力和存储建设需要费用或成本的支出。

3.1 数据获取：硬件和架构升级，销量保证数据规模

车端 E/E 架构：特斯拉和新势力领先，自主品牌加速跟进。特斯拉、新势力车企 在 E/E 架构进展较快，逐步向中央计算平台式架构升级。从时间来看，特斯拉 2016 年发布 HW2.0，标志车型进入域控制器式架构，2019 年发布 HW3.0 版本，特斯拉 E/E 架构再升级至中央计算平台式架构，是 E/E 架构进展领先的车企。国内新势力车企 迭代速度较快，理想 LEEA 3.0 架构、小鹏 X-EEA 3.0 架构、蔚来 ADAM 2.0 架构均 进入中央计算平台式架构。自主品牌来看，吉利浩瀚架构、比亚迪 e3.0 平台、长安 EPA 平台均为域控制器式架构，并逐步向中央计算平台式域架构升级。

智能驾驶域控制器渗透率快速提升。行泊一体域控制器方案持续加速，2024 年 Q1 行泊一体渗透率为 9.0%，同比提升 2.5pct，其中 3 月渗透率达到 11.6%，同比提 升 3.6pct。2024 年 4 月，行泊一体渗透率为 10.35%，同比提升 4.25pct。

域控制器架构后车型销量数据对比：特斯拉领跑，理想领先，华为、小鹏快速跟 进。从车型销量来看，理想受益于 L 系列车型销量绝对值领先，小鹏布局较早实现保 有量水平较高，华为系列（问界+阿维塔）受益于问界 M9 上市新车型节奏加速保持车 型保有量的较高增长斜率，有望实现国内智能化车型保有量领先。

车端算力：中高端算力部署加速，行泊一体方案成为关键。SoC 芯片来看，算力 持续提升，车端智能驾驶硬件有望持续升级。目前零部件供应商部署集中在中算力部 分，高算力部分成为整车厂重点自研和联合开发的方向，车端中高阶算力成为关键。

车端算力部署及销量：中高芯片布局加速，车端计算能力保证影子模式和数据 回流。2023 年后受益于英伟达 Orin、地平线 J5 等芯片成熟和车端配置的应用，中高 车端算力芯片加速落地。车型配置和车型销量来看，特斯拉使用自研芯片 FSD，自研 系车企（理想、蔚来、小鹏）使用英伟达 Orin 地平线 J5 系列芯片，与华为深度合作 品牌（问界、阿维塔、智界等），自主品牌（比亚迪、吉利、哪吒等）针对不同品牌 采用不同智能驾驶方案及不同芯片方案。车型累计销量来看，特斯拉、理想领跑，2023 年至 2024 年 4 月具备数据回收能力车型销量分别为 77.2 万辆和 47.7 万辆，自主品 牌后续有望凭借车型节奏迭代和新车上市，加速车型销量提升。

域控制器式架构后车型销量与里程积累正相关，销量加速有望带动车辆行为轨 迹数据规模快速提升。复盘特斯拉销量和 FSD 累计里程数据来看，HW3.0 平台车型上 市后车型销量稳步累积，2023 年 12 月全球累计销量 459.2 万辆。2023 年 3 月，特 斯拉 FSD Beta11.4 版本迭代后使用频率提升，月度累计里程数据显著提升。特斯拉 累计里程接近 10 亿公里后，开始推送 FSD V12 版本，实现智能驾驶端到端大模型应 用。从特斯拉的复盘我们认为：（1）功能迭代有望加速行为轨迹数据的积累，销量是 累计里程基础，功能拐点有望提升行为轨迹数据的斜率；（2）车辆轨迹里程数据接近 10 亿公里后有望开始加速端到端的落地节奏。

新增智能驾驶有效里程=车型销量*单车单日行驶里程数*智能驾驶付费率。智能 驾驶有效里程可以拆分为当前存量数据和新增智能驾驶有效里程两部分。存量数据 来看，特斯拉 13 亿数据领跑（其中包含 2 亿公里端到端数据），蔚来、理想、小鹏均 接近 10 亿公里里程数据积累，华为系公里数加速。在新增智能驾驶有效里程中，假定单车单日行驶里程数基本一致的情况下，我们将新增智能驾驶有效里程拆分为付 费模式订购率、车型销量成为关键。付费模式来看，特斯拉、蔚来均采用订阅制模式， 订阅率影响里程数据回馈规模；小鹏、理想、华为系车型通过硬件差别支持高阶智能 驾驶功能，智能驾驶车型占比成为数据关键。当下数据规模来看，国内新势力加速跟 进特斯拉的 13 亿公里，有望凭借低智能驾驶硬件和付费门槛降低数据获取难度。

我们尝试数据回测的方式对各家智能驾驶里程数据进行跟踪和判断。首先，对各 家具备数据回收能力的车型数量进行整理，小鹏 P7 首先搭载英伟达 Xavier，率先具 备数据获取和回收能力，理想凭借 L 系列车型产品力实现销量领先。其次，我们假定 各家车企的用户在智能驾驶装配率和月均使用里程数量保持一致。最终通过累加求 和的形式计算各家智能驾驶累计里程数据。从结果来看，我们假定单日单车可回收数 据量为 3km ， 在 此 条 件 下 小 鹏 、 蔚 来 、 理 想 、 华 为 系 的 累 计 里 程 分 别 为 7.13/2.42/8.13/2.72 亿公里。由于存在路测团队反馈里程数据等其他数据规模，我 们认为数据回测与各家公布结果基本一致，后续可以通过保有量累计求和方式计算。

3.2 数据训练：云端能力迭代，算力为重要参数指标

GPU 短期受政策影响，受政策影响和合作方储备量影响明显。算力对比：特斯拉 领跑，华为建设速度较快，国内车企与互联网厂商建立合作加速算力部署，理想加速 部署，截止 2024 年 4 月已部署超过 1400P 训练算力。云端合作方：华为使用华为云， 蔚来使用腾讯云，小鹏和吉利与阿里云合作，理想和长城使用火山引擎。

在软件开发、AI 算力建设过程中，需要较高的研发支出，人员和费用成为端到 端大模型落地和升级的基本保证。各家对比来看，特斯拉持续领跑，蔚来、理想增速 较快，小鹏保持基本稳定。

域架构/中央计算架构车型保有量、算力建设情况、云端投入情况成为衡量策车 企智能驾驶端到端进展的重要数据指标。车企智能驾驶端到端大模型作为智能驾驶 行业未来发展的核心方向，一方面，需要重点关注车企智能驾驶功能的迭代和测试的 进展，消费者使用意愿和支付意愿的加速或成为开启下一轮智能驾驶迭代的关键；另 一方面，域架构/中央计算架构车型保有量、算力建设情况、云端投入情况是重要的 外部指标，充分佐证车企智能驾驶端到端大模型的数据生产、存储和训练能力。同时， 车企的研发支出（包括研发费用和研发成本）成为端到端推进的重要保障。 当下格局来看，特斯拉凭借算力和数据规模优势有望持续领跑，国内华为、理想 研发支出较高、数据规模较大从而追赶速度较快，蔚来、小鹏或受到数据量等方面的 影响降低迭代效率。其他自主品牌中，由于具备集中式 E/E 架构或中央计算平台架 构车型较少，可实现数据积累的车型数量短期内不足且算力处于建设阶段。

编辑：火腿肠