自动驾驶新进展:端到端大模型上车,L4还有多远?

当AI学会开车，我们离真正的"放手"还有多远？

一、2024-2025：自动驾驶的"iPhone时刻"来了吗？

过去两年，自动驾驶行业经历了过山车般的起伏。Cruise遭遇重创，Waymo谨慎扩张，而中国玩家——华为、小鹏、蔚来、理想、比亚迪——则在激烈竞争中疯狂迭代。

但真正的转折点，不在激光雷达的数量，也不在算力TOPS的数字游戏，而在于一个技术范式的根本性转变：

端到端大模型上车。

2024年，特斯拉FSD V12彻底抛弃了传统规则驱动的"感知-预测-规划"流水线，改用纯视觉端到端神经网络。方向盘后的马斯克说："这不再是传统意义上的自动驾驶，这辆车正在被一个神经网络驾驶。"

2025年，中国厂商全面跟进。华为ADS 3.0、小鹏XNGP、理想AD Max 3.0，无一例外地开始拥抱端到端架构。大模型不再是只存在于数据中心的"大脑"，而是被塞进了车规级芯片，在行驶的汽车上实时推理。

这场变革的意义，不亚于智能手机取代功能机。

二、什么是"端到端"？为什么这次不一样？

传统方案：规则驱动

传统自动驾驶系统像一本百科全书：

• 感知模块识别车道线、行人、车辆
• 预测模块计算其他交通参与者的轨迹
• 规划模块生成行驶路径
• 控制模块执行转向、加速、刹车

每个模块独立开发，中间结果以代码或接口定义传递。问题是：规则永远写不完。 中国式加塞、印度式摩托车流、欧洲老城的石板路——现实世界的corner case无穷无尽，规则驱动的系统永远在打补丁。

端到端：数据驱动

端到端的思路完全不同：输入传感器数据，直接输出驾驶指令。中间没有人为定义的模块边界，一切由神经网络"学会"。

这意味着什么？

1. 告别"写规则"的时代：不再需要工程师枚举"如果前车刹车灯亮，则减速"——模型自己从数据中学会应对。
2. 驾驶行为更像"人"：端到端模型学到的驾驶风格更接近人类，变道更流畅，跟车更自然。
3. 迭代速度质变：传统方案改一个模块需要重新标定、测试、验证整个系统。端到端只需投喂更多数据。

华为内部人士透露，ADS 3.0端到端版本上线后，城区NGP的接管率下降了60%以上。

三、谁在领跑？主要玩家进展一览

特斯拉 FSD V12/V13

• 架构：纯视觉（8个摄像头）+ Transformer + 时空序列建模
• 算力：Hardware 4.0，单芯片算力约300TOPS
• 现状：北美约200万辆车搭载FSD（含V12/V13），累计行驶里程超30亿公里
• 关键差距：尚未在国内获批全量推送，中国路况适配是一道门槛

华为 ADS 3.0

• 架构：激光雷达 + 毫米波 + 视觉融合端到端方案
• 算力：MDC 810，400TOPS
• 现状：问界、阿维塔、享界等多品牌搭载，城区NGP覆盖全国
• 亮点：GOD网络（通用障碍物检测） + 端到端决策网络，能识别异形障碍物

小鹏 XNGP

• 架构：纯视觉为主（XNet 2.0）+ 端到端大模型
• 算力：Orin-X双芯片，508TOPS
• 现状：全国243个城市开通城区NGP
• 亮点：端到端模型参数量达数十亿，2025年底实现"全国都能开"

理想 AD Max 3.0

• 架构：激光雷达 + 视觉端到端（BEV + Occupancy Network）
• 算力：Orin-X，508TOPS
• 现状：全系标配，高速NOA成熟，城区NOA快速扩张
• 亮点：城市Lite模式，用端到端模型替代高精地图依赖

比亚迪 天神之眼

• 架构：多传感器融合 + 自研端到端
• 算力：Orin-X / 地平线征程6
• 现状：腾势、仰望等高端车型搭载，城市NOA在首批城市开放
• 亮点：成本控制能力极强，最有可能将高阶智驾下放到10-15万级车型

四、L4还有多远？冷思考

从L2+到L3：正在跨越

2024-2025年，最大的变化是：

• 中国多个城市放开L3/L4测试牌照
• 奔驰、宝马在德国获批L3上路
• 本田在日本获批L3
• 极狐（华为方案）在北京获L3测试牌照

但请注意： L3意味着"责任转移"——激活L3后，事故责任从驾驶员转向车企。敢签这个"军令状"的企业寥寥无几。

L4的真实障碍

1. 长尾问题（Long Tail Problem）

端到端解决了80%的场景，但剩下的20%——或者说20%中的20%——才是真正的噩梦。

比如：雪花纷飞的夜晚，一只袋鼠站在路中间，前方施工路牌被大风吹歪了，交警用手势指挥交通但手势被雨伞遮挡了一半...

这些场景在训练数据中几乎为零。

2. 可解释性与安全性

端到端大模型是个"黑箱"。它知道该刹车，但它无法告诉你为什么刹车。这在安全关键系统中是个致命问题：

• 传统方式：可以检查"是感知漏掉了行人还是规划路径不合理"
• 端到端：只能看到"神经网络输出了刹车信号"

3. 算力与功耗

车端运行大模型的功耗和散热挑战巨大。理想状态下，智驾系统的功耗需控制在50W以内——比一台笔记本电脑还低。而一个大模型推理任务动辄需要200-300W。

4. 法规与责任

L4的终极问题：如果无人驾驶的车撞了人，谁来负责？

• 车主？车没让他开
• 车企？算法有bug怎么举证？
• 保险公司？保费怎么算？

目前全球还没有一套成熟的L4责任认定法律框架。

5. 成本

L4需要的冗余传感器、高精度定位、车规级高算力芯片，加起来成本仍在数万元以上。对普通消费者来说，花2-3万买个"还不能完全放心用"的功能？这个市场诉求并不强烈。

五、时间线预测：保持理性乐观

一个更乐观（或更悲观）的观点

如果你问马斯克，他的回答是"明年"——他已经连续说了8年。

如果你问Waymo，答案是"很快"——他们已经在旧金山跑了3年。

如果你问中国厂商，他们会说"在路上了"——但私下可能承认，比想象中难一个数量级。

六、写在最后

这一轮自动驾驶革命，本质上是AI大模型从"理解世界"到"行动于世界"的跨越。

端到端大模型上车，不是简单的技术升级，而是自动驾驶方法论的根本转向——从"教机器开车"变成"让机器自己学会开车"。

L4何时到来？坦诚地说：

• 技术上：2027-2028年，限定条件下可达L4
• 商用上：2030年左右开始规模化
• 心理上：大多数人真正敢"放手"，需要更久

但有一点是确定的：2025年之后的每一年，车会比上一年更会自己开。 这种感觉，就像看着一个孩子一天天长大——起初需要每一步都盯着，突然有一天，你发现它已经可以自己走好路了。

而我们，正在见证这个"突然有一天"的到来。

本文基于公开资料整理，观点仅供参考，不构成投资建议。

关注我们，获取更多AI领域的前沿洞察。