自动驾驶的”端到端”路线之争:三条路径,同一个终点?

当特斯拉、华为、小鹏不约而同押注“端到端”，这条路线的底层逻辑是什么？

2025-2026 年，自动驾驶行业算力竞赛如火如荼，智驾芯片从几十 TOPS 堆到两千 TOPS。但在算力军备竞赛的表面之下，一个更深层的分歧正在浮出水面：这些算力运行什么架构的算法？

分歧的核心，就是“端到端大模型路线”。

一、传统方案 vs 端到端：架构的根本差异

传统自动驾驶架构，业内称为“模块化方案”。逻辑是一条顺序流水线：

感知→ 预测 → 规划 → 控制

每个模块承担独立任务：摄像头和激光雷达负责“看到”前方物体（感知），将信息传给下一模块，判断“该物体接下来会怎么移动”（预测），再传给规划模块计算“应该怎样绕开”（规划），最终转化为方向盘转角和油门/刹车指令（控制）。

模块化方案的最大优势是可解释性。系统出错时，可以定位到具体环节。是没看到障碍物，还是决策逻辑有误，每一步都可追溯。

但劣势同样明显：信息在每个模块边界之间逐级损耗，感知端漏掉的信息后续环节无法弥补；各模块有独立误差，叠加到最后，系统整体性能被限定在一个明确的天花板之下。

端到端方案则走向相反的方向：取消中间模块划分，传感器信号直接映射到驾驶动作。

一个统一的神经网络接收所有传感器输入，直接输出方向盘转角和加减速指令。没有“感知-预测-规划”的模块边界，没有人工拆分的中间标签，整个系统用海量人类驾驶数据统一训练。

二、三条路径的差异

按公开信息呈现的方案特征，目前的端到端路线可以分为三种风格：

特斯拉：最激进的一端到端

特斯拉在端到端方向上走得最远。

FSD 从 V12（2023 年底）开始将城市街道驾驶堆栈替换为端到端神经网络，手写 C++ 规则代码从超过 30 万行骤减至约 2000 行，当时的更新日志只有一句话：“FSD Beta v12 upgrades the city-streets driving stack to a single end-to-end neural network trained on millions of video clips, replacing over 300k lines of explicit C++ code.”

FSD Beta v12 将城市街道驾驶栈升级为单一端到端神经网络，该网络基于数百万段视频片段训练而成，取代了超过 30 万行显式 C++ 代码。

V13 持续演进。到 2026 年 4 月推送的 V14.3，特斯拉彻底移除了控制层最后一批手写 C++ 代码，实现了从摄像头原始像素直接到方向盘/刹车指令的“全域一段式端到端”。同时模型参数提升约 10 倍、AI 编译器基于 MLIR 框架重写（车辆反应时间缩短约 20%，拥堵跟车场景顿挫感降低 82%）。

这套方案的逻辑是：架构极简，模型上限由数据规模决定。特斯拉全球超过 900 万辆车的保有量，构成了其数据飞轮的底盘。

与之相伴的风险在于可解释性。系统做出错误决策时，很难精确定位原因。可能是训练数据偏差、模型推理错误或传感器盲区。

需要指出的是，这些判断是行业内的普遍关切而非定论：一段式端到端的可靠性下限是否已被充分验证，目前尚无公认的评估标准。

华为 ADS 4.0：端到端 + 安全兜底

华为选择了不同的路径。ADS 4.0 中的“本能网络安全网络”被定位为最后一道保障，日常驾驶由端到端模型负责，但一旦触发安全红线（如即将发生碰撞），一个独立的、基于规则的安全模块会在毫秒级延迟内强制接管。华为工程师在公开场合将其类比为“手碰到火苗本能收回”的反射机制。

ADS 4.0 的 WEWA 架构（World Engine + World Action Model）同样采用端到端设计：云端 World Engine 利用扩散生成模型生成极端驾驶场景用于训练，车端 World Action Model 基于多传感器全模态感知进行实时决策。官方公布的数据包括：时延相比上一代降低约 50%、通行效率提升约 20%、重刹率降低约 30%-70%。安全方面，CAS 4.0 全维防碰撞系统覆盖 1-150 km/h 速度区间。

这种“端到端负责智能上限、安全模块负责安全下限”的双层设计，其工程取舍在于：多一层保障意味着多一层约束。

小鹏：第二代 VLA 的独特路线

小鹏的端到端探索经历了明显的迭代。2025 年 11 月发布的第二代 VLA（Vision-Language-Action）大模型，参数量 720 亿，训练数据近 1 亿 clips。其核心架构变化是去掉了第一代 VLA 中“语言转译”的中间步骤，改为“视觉→隐式 Token→动作”的直接映射，以避免语言抽象中间层带来的场景信息损耗。

与此同时，该模型保留了语义理解通道，使系统能够理解施工路牌上“左道封闭”这类文字信息并做出变道决策。小鹏官方将其定义为“物理世界大模型”，不仅用于智能驾驶，还可跨域驱动 Robotaxi、机器人和飞行汽车。

从架构演进的轨迹来看，小鹏在端到端的纯粹性与语义可解释性之间寻找了一条中间地带。

三、端到端的一个核心张力：数据规模 vs 边缘场景

端到端路线的核心假设是“更多的训练数据带来更好的模型表现”。一个值得关注的现象是：日常通勤数据每天可以产生数百万条，但真正关键的长尾边缘场景真实采集的数据量极少，比如儿童突然横穿、高速爆胎、货车掉落货物。

端到端模型由于取消了模块化结构中的先验知识编码，在常规场景中可能表现流畅，但在极端边缘场景下会如何处理，在行业内仍是一个开放问题。

从这个角度观察，华为选择保留独立安全模块、小鹏选择保留语义理解通道，三家公司的方案差异，本质上是在对同一个问题给出不同的工程回答。

四、方向与终局

端到端作为自动驾驶的长期技术方向，其势头已经形成，模块化方案的信息瓶颈和工程复杂度天花板客观存在。特斯拉 V14.3 在实测中表现出的零干预长途能力和据公开测试报道，拥堵跟车顿挫降低 82% 的数据，说明一段式端到端确实有能力逼近人类驾驶水平。

个人观点：最终胜出的方案可能既不是最纯粹的“一段式端到端”，也不是传统的模块化架构。更有可能出现的，是一个在当前三条路径的实践中各自验证有效后、互相吸收演进出的新范式。

模型规模、数据质量、安全验证，这三方面每个维度上仍有大量的工程探索和理论空白需要填补。这场路线之争的终局，或许还远未到可以下判断的时刻。