作甚“端到端”

在深度学习领域，"端到端"常日指的是只需输入原始数据就能直接输出终极结果的AI模型。
通过大量高质量数据进行演习，端到端大模型能够逐渐提升其智能水平。
在汽车行业中，该技能可运用到自动驾驶领域，从而取代传统自动驾驶技能。

传统的模块化自动驾驶系统常日将感知、决策和掌握分为独立的模块，每个模块专注于办理特定的问题，这样的分工简化了系统开拓的难度，利于问题回溯与研发迭代，为目前的主流方案。

然而，这种方法的毛病在于，人工编程的代码只能处理有限的行车场景。
无论给系统添加多少行代码，也无法覆盖到所有的分外情形，因此难以实现完备自动驾驶。

比较之下，端到端大模型是一个整体，更靠近人类驾驶的模式。
不再试图通过人工编程来处理每一种行车场景，而是利用大量数据进行演习，让AI自己创造数据之中隐蔽的行驶规则，这样就能够覆盖更广泛的行车场景，有望实现完备自动驾驶。

然而，当下的端到端大模型存在着令人难以理解的毛病。
纵然经由大量演习，大模型在某些场景中仍可能变为“人工智障”，所采纳的决策远不如人类。
同时，端到端大模型的决策过程具有“黑箱”特性，内部逻辑不公开，决策中所涌现的问题难以被定位，给研发迭代和问题办理造成负面影响。

此外，数据量、算力以及对大模型的精简优化都是推进端对端大模型发展的主要成分。

首先，自动驾驶系统须要大量的高质量演习数据。
这些数据包括各种驾驶场景、景象条件和交通情形的图像、***和传感器数据。
网络、标注和掩护这些数据的质量和多样性是一项寻衅，尤其是要确保数据能够覆盖所有可能的驾驶场景。
马斯克曾表示：“特斯拉花了大约一个季度的韶光完成了1000万个***片段的演习。
演习了100万个***case，勉强可以事情；200万个，稍好一些；300万个，就会感到Wow；到了1000万个，它的表现就变得难以置信了。
”

其次，将海量数据喂给端到端大模型时，算力是不可或缺的资源。
智算中央须要进行扩建，才能知足日益增长的算力需求。

末了，当云真个大模型演习完成后，须要对其进行精简。
云端做事器拥有大量高性能硬件资源，支持大规模并行处理数据并进行数据存储。
但车载打算资源有限，为了与之适配，须要对模型进行优化，并降落能耗。

特斯拉的端到端大模型与算力支配

特斯拉在端到端大模型领域中处于领先地位。
2023年8月，马斯克在直播中展示FSD V12 Beta版本，多次强调该版本利用海量***数据进行演习，驾驶决策由AI算法天生。
并且，他还在X上发布推文，表示V12 Beta版今年夜幅缩减了人工编程的C++掌握代码，从 30 万行低落了2个数量级（变为3000行）。

今年3月，北美地区的特斯拉非员工用户陆续收到FSD V12.3版本的推送。
该版本在面对障碍物和变道博弈等繁芜场景表现更出色，但在处理一些大略场景时，例如在空旷的路面上行驶，会涌现离谱的加速或减速问题。

在算力方面的方案上，特斯拉在去年支配了超过10EFLOPS的算力，并预期将于今年末达到100EFLOPS。

造车新势力的端到端大模型与算力支配

海内造车新势力纷纭跟进FSD V12，但目前还没有实现量产上车。
在今年1月的全国智驾启动发布会上，何小鹏表示，小鹏汽车将实现端到端大模型全面上车。
据悉，空想的新模型也将在今年上线，而蔚来将于年内上线基于端到真个主动安全功能。

同时，三者在智算中央方面均有所布局。

小鹏与阿里云共建了扶摇智算中央，演习算力为600PFLOPS（0.6EFLOPS）。

空想汽车和火山引擎共建的智算中央，演习算力为1200PFLOPS（1.2EFLOPS）。

蔚来集成阿里云、英伟达等互助伙伴的技能资源，培植了蔚来云智算中央，算力为1400PFLOPS（1.4EFLOPS）。

结语

汽车端到端大模型展现出了不俗的潜力，但目前还不成熟，须要安全策略进行兜底。
不过不用担心，它的发展之旅才刚刚开始。
随着对算法和硬件的不断优化，以及利用更多数据进行深度学习，端到端大模型将逐渐完善并在自动驾驶中得到广泛运用。