日前，特斯拉宣布将于明年一季度在中国市场推出FSD（全自动驾驶）功能。这一消息再度引发汽车行业对“端到端”技术的关注。当前特斯拉的FSD V12方案是基于“端到端”技术迭代推进的。为了应对挑战，今年以来，包括“蔚小理”等车企和华为、地平线等服务商在内，多家企业纷纷加码端到端自动驾驶技术。有业内人士甚至认为，“端到端”是目前通往自动驾驶终局的唯一可行方案。

　　不过，笔者认为，目前下这个结论还为时尚早。

　　所谓“端到端”，其实是源自深度学习中的概念，它指的是一个AI模型，只需输入原始数据即可输出最终结果。应用到自动驾驶领域，这意味着只需要一个模型，就能将摄像头、毫米波雷达、激光雷达等传感器收集到的感知信息，转换成车辆方向盘的转动角度、加速踏板的踩踏深度以及制动的力度等具体操作指令，从而使汽车实现自动行驶。

　　相比传统的“感知-决策-控制”智驾系统，“端到端”技术由于中间没有规则介入，将原本感知、预测、规划等多个模型组合的架构简化为“感知决策一体化”的单模型架构，在信息传递、推理计算、模型迭代上更具优势。同时，“端到端”架构由数据驱动的模块构建，使其人为维护的模块比例相应减少，因此“端到端”系统不仅能显著提升计算效率，还能降低维护成本。

　　然而，这些优点并不意味着“端到端”技术没有短板。事实上，“端到端”自动驾驶在实现量产落地与普及方面仍面临诸多挑战。

　　首先，“端到端”模型的训练成本非常高，需要厂商不断提升GPU的采购规模，这提高了“玩家”的进入门槛。以特斯拉为例，目前其FSD累计学习的人类驾驶视频片段超过2000万个，仅采集成本就需要50亿元至80亿元。

　　其次，“端到端”模型的训练需要大量数据，而对海量数据的采集、清洗和筛选，对企业来说是一项极具挑战性的工作。强大的算力可以实时处理海量数据，降低数据传输延迟，有利于高级别自动驾驶的落地，但目前包括“蔚小理”在内的多家车企在算力增长方面均面临较大挑战。

　　此外，当前“端到端”智驾的安全性还没有得到完全保障，特别是对于不常见或极端场景的数据，这对感知模型的泛化性能提出了极高要求。“端到端”技术需要能够处理这些长尾场景，以确保在任何情况下都能作出正确响应。

　　目前行业对“端到端”技术的探索才刚刚起步，对许多基础问题还缺乏深入讨论。因此，现在还不能确定“端到端”就是自动驾驶的终局解决方案，从而摒弃其他路径。只有不同技术路线同台竞技共同发展，才能推动自动驾驶更安全、更快速地向更高阶段发展。