自动驾驶的＂E2E 时代＂——从Tesla FSD到NVIDIA COSMOS

不是激光雷达赢了，也不是高精地图赢了——是数据规模赢了。

悉尼大学机器人学教授 Eduardo Nebot 与团队本月发表的综述论文，系统梳理了自动驾驶从规则驱动向端到端（E2E）学习的全面转型。本文截取其中最核心的部分：特斯拉FSD V12到V14的架构演进，以及Robotaxi两种路线的深度对比。

传统自动驾驶用的是"感知→预测→规划→控制"的分模块流水线。每个模块独立开发、单独调参，通过明确接口串联。

优点： 好排查、好替换、好解释。

致命缺陷： 长尾问题。

真实道路的corner case数量几乎是无限的——异常天气、鬼探头、逆向电瓶车、工地逆行——工程师们花多年补充的规则，在另一个场景里仍然失效。

端到端学习的思路完全不同：用一个神经网络直接从原始传感器输入映射到驾驶动作，省去所有手工规则，让模型自己发现什么才是好的驾驶行为。

特斯拉FSD V12是行业转折点：整个驾驶栈替换为单一神经网络，删除了数千行C++规则代码。

V14最值得关注的三个细节：

1. 混合专家架构（MoE）： 据传采用"mixture of models"路由机制，根据当前场景动态调用专业子网络，在城市场景和高速超车场景间高效切换

2. 音频模态： 麦克风成为第N+1个传感器，能听见的东西对驾驶决策同样关键——警笛、工地噪音都是摄像头看不到的关键信号

3. 时序推理：维持压缩的驾驶历史潜表示，支持"预判未来几秒交通状态"这类需要多帧上下文的任务

V14已在美国、加拿大、韩国部署，欧洲多国演示中，并已适配右舵。

Rivian：融合优先、数据驱动进化

Rivian为什么坚持多传感器融合？答案藏在它的产品逻辑里。

Rivian的判断是：纯视觉方案在数据规模达到临界点之前，感知可靠性存在系统性盲区——低光环境、恶劣天气、复杂地形，这些场景下摄像头的物理局限无法靠算法弥补。因此Rivian选择**"融合优先、数据驱动进化"**的路线，用硬件冗余换取感知可靠性下限，同时依托车队数据飞轮持续提升模型上限。

Rivian计划2026年推进个人L4能力。与大众的合资则服务于同一目标：从分布式ECU走向集中计算，一个软件平台覆盖所有车型，大幅加快OTA迭代速度。

NVIDIA：世界模型驱动强化学习

NVIDIA走的是物理AI路线，核心判断是：端到端系统的能力上限，最终由训练数据的分布和质量决定；而真实道路永远无法覆盖足够的边缘场景——必须在仿真中合成它们，并用它来训练模型。

NVIDIA与奔驰合作，计划2026年在乘用车部署L2++。