自动驾驶端到端是低门槛入场、高门槛通关的游戏吗?

2024年特斯拉FSD V12推出时，整个行业都感受到一种强烈的冲击。在此之前，自动驾驶普遍采用模块化架构，感知、预测、规划、控制各自独立，每个模块都需要大量工程师编写规则代码，工程量和维护成本都极其庞大。

FSD V12用统一的大模型直接接收原始图像数据，输出方向盘角度，相当于将原来分立的模块用一个模型替代了。这也让很多企业以为找到了一条可以快速实现L4级自动驾驶的路线，但两年过去，端到端架构虽然降低了算法开发的技术门槛，却将竞争推向了一个更需要资源投入的方向。

01

入场容易，通关难？

特斯拉FSD V12的研发团队不过几百人，却凭借这套架构让全球车企一夜之间调整了技术方向，从2024年开始，Momenta凭端到端快速崛起，理想、蔚来、长安、吉利纷纷跟进，全行业都被卷入端到端的赛道。

端到端的算法栈确实变短了，研发和维护成本大幅降低。卓驭科技CEO沈劭劼将这一阶段总结为端到端中模型时代，即模型参数量几千万到几亿，通用能力能达到70分，再加少量适配就能达到90分。从这个角度看，端到端确实降低了自动驾驶的门槛。

想实现70分容易，但想跨越70分这条线，就不是那么简单了，在70分之前，依靠通用模型和少量场景适配就能让模型达到不错的水平，但想让模型实现能强的能力，就不是算法结构本身能决定的了，这时比拼的就是模型有没有见过足够多、足够复杂的真实驾驶场景。

端到端模型的能力上限取决于训练数据的规模和覆盖范围，其实看一下现在端到端模型的发展就可以发现，模型参数量从几千万增长到几十亿甚至上百亿；训练数据也从TB级上升到PB级；模型迭代节奏更是从按月更新变成每日更新。之所以会出现这个现象，是因为谁拥有更多高质量数据，谁的模型就能更快逼近真实驾驶的边界。

相关数据显示，华为乾崑智驾累计辅助驾驶里程已突破128亿公里，2026年6月单月就新增8.8亿公里；特斯拉FSD累计行驶里程突破90亿英里；比亚迪搭载高阶智驾的车型累计保有量也已突破256万辆。头部玩家跑得越快，数据积累的优势就越大，模型迭代就越快，从而形成了正循环。

但再看一看中小玩家，则是另一种情况，没有足够的订单就拿不到足够的数据，数据不够模型性能就上不去，性能不行就更卖不动。何小鹏在2026年的一次发言中提到，自动驾驶行业每天产生的数据量已经是当前具身智能行业数据量的一万倍以上，头部公司的高质量数据储备达到1000PB级别。在这样的差距面前，规模本身就是护城河。

02

算力，烧钱的速度远超想象

如果说数据是端到端的燃料，那算力就是端到端的引擎，而这座引擎的造价，也正在将绝大多数玩家挡在门外。

一个端到端自动驾驶模型的训练，典型场景下需要4000块以上的算力卡持续运行数月，到了VLA和世界模型阶段，算力需求则从千卡、万卡跃升至十万卡级别，数据量由PB级扩容至EB级。

麦肯锡在一份报告中明确指出，自动驾驶正在从一个汽车工程问题，变成一个AI基础设施问题。端到端AI对算力的吞噬远远超出了车本身的范畴，传统ADAS与今天的端到端系统相比，算力需求不是一个数量级。

卓驭科技CEO沈劭劼公开表示，公司一年光是算力消耗的电费就有十几到二十亿元；地平线2025年研发开支达到51.54亿元，同比增长63.3%，占营收比例高达137.1%，这些投入主要用于HSD大模型训练、征程系列芯片流片以及云端算力资源的构建。

图片源自：网络

此外，2026年，华为在汽车智能化解决方案上的专项投入超过180亿元，其中仅算力一项就投入了七八十亿元，华为的云端训练算力也从2023年的2.8 EFLOPS增长到2026年的60 EFLOPS，三年增长了超过21倍，未来五年，华为预计在算力上还需要投入700亿到800亿元。

由此可见，端到端路线对算力的消耗已经变成一项极其昂贵的持续性投入，而且这个投入还在随着模型规模的扩大而快速增长。对于绝大多数车企和供应商来说，每年数十亿元的算力成本已经超出了正常的承受范围，能在这个维度上持续投入的，只有那些资金储备充足、规模足够大的头部企业。

算力正在成为自动驾驶行业一道越来越高的门槛，把大多数玩家挡在了外面。

03

芯片，从拼算力到拼带宽

过去几年，芯片在智驾系统里主要扮演算力提供者的角色，车企根据TOPS指标选型，供应商提供标准化的算力平台。但端到端架构对芯片的要求完全不同了，模型结构、数据流方式、部署效率都直接取决于芯片的设计，芯片从一个采购项，变成了决定系统上限的核心变量。

相关数据显示，ADAS和自动驾驶处理芯片的全球市场规模也在快速增长，2025年约为56亿美元，预计到2035年将超过460亿美元，市场规模的增长，说明芯片在整个智驾体系里扮演的角色越来越关键。

此外，端到端对芯片的评价标准也发生了变化，过去行业主要看峰值TOPS，但端到端模型参数量巨大，传感器数据流具有高分辨率、多模态和高帧率等特点，运算过程中产生的中间激活层数据体积有时会超过模型权重本身。

车载场景对延迟的要求也非常严格，系统必须在几十毫秒内完成从感知到决策再到执行的整个过程，为了满足这个时间要求，每次送入芯片处理的数据量就只能设得很小，通常只有一到四组数据。但这类并行计算芯片的优势在于同时处理大批量数据，每次只给它很少的数据，大部分计算单元实际上处于闲置状态，再高的理论算力也发挥不出来。

图片源自：网络

所以不管采用哪种模型结构，数据在芯片内部和外部之间的传输速度才是真正的制约因素。算力再强，如果数据传输跟不上，芯片也只能在那里等，因此，对于芯片的关注焦点也自然从算力有多少转向了实际能用上多少。智驾最前沿以为，接下来一段时间里，单位算力成本、功耗与散热、内存带宽、模型部署效率这些指标或许会变得越来越重要。

这个变化也正在重塑芯片行业的格局，过去英伟达Orin几乎是高阶智驾的默认选项，但随着英伟达新一代Thor在交付节奏上不断制造不确定性，车企开始寻找替代路径。

如今，小鹏自研图灵芯片、蔚来自研神玑芯片、理想自研马赫M100芯片都已落地。理想的马赫M100采用5nm制程和动态数据流架构，让数据沿计算图流动而不需要反复回存内存，有效算力约为英伟达Thor U的5到6倍；比亚迪自研的4nm智驾芯片璇玑A3也已落地，单车搭载三颗芯片协同工作。

虽然芯片格局正在从英伟达一家独大走向多元化，但这种多元化本身依然是巨头之间的游戏。自研芯片需要数百亿的投入和数年的研发周期，理想的马赫M100从2022年11月立项到2026年5月量产上车，耗时三年半；何小鹏则提出，未来顶尖AI公司都会自研芯片，这意味着没有自研能力的企业，在芯片这个环节就已经失去了对迭代节奏的控制权。

04

一点看法

曾经估值百亿、背靠长城汽车的毫末智行已经陷入停摆；纵目科技、清研微视等中腰部玩家，也在这轮洗牌中逐渐掉队。供应商赛道上还能留下来的玩家也已不多，华为乾崑智驾、地平线、Momenta、卓驭科技、元戎启行是其中比较有代表性的几家。

其实进入端到端时代，淘汰只会加速，端到端让所有人都以为拿到了入场券，却悄悄把终点线设在了只有少数人能触及的地方，数据、算力、芯片是绝大多数企业无法逾越的鸿沟。

其实自动驾驶不应该成为只有少数巨头才能参与的竞赛，过多的资源集中意味着创新路径的单一化，也意味着行业整体抗风险能力的下降，那些被挤出牌桌的中小企业，其中未必没有真正有价值的技术思路。

但对于身处其中的企业来说，必须看清一个事实，端到端时代的竞争，本质上已经变成基础设施投入能力的竞争，谁能在数据、算力、芯片这三个维度上持续投入，谁才有可能走到终点。而那些还在用算法创新的旧思维来理解这场竞赛的企业，可能已经落后不止一个身位了。