2023年12月，特斯拉推出FSD V12，首次搭載端到端智駕大模型。
2024年至今，小鵬、華為、理想、蔚來等主機廠相繼升級至端到端智能駕駛架構。
端到端方案主要可以分為以下四種類型：
感知層端到端：僅對感知模塊進行端到端處理，通常是指通過神經網絡直接從傳感器輸入中提取信息，減少人工規則的干預。
感知層端到端 + 決策規劃層端到端：不僅對感知模塊進行端到端處理，還將決策與規劃模塊納入端到端架構。這種方案能夠從感知到決策一體化地優化系統性能。
模塊化端到端：將各個子模塊進行優化，但仍保留一定的模塊化處理。每個模塊的輸入輸出更加流暢和直接。
One Model生成式一體化端到端 (世界模型)：采用單一神經網絡模型，將傳統自動駕駛系統中的感知、預測、決策、規劃等多模塊整合為一體。此類模型采用更高效的訓練方式，通過海量數據進行優化，減少對規則編寫的依賴，實現全流程自動化。
這四種方案的共同特點是人工編寫規則代碼的依賴程度逐步降低。
其中，One Model端到端方案通過一個統一的神經網絡將各個模塊的功能合并，極大地提升了系統的靈活性與適應性。
當前，國內頭部智駕主機廠普遍采用“感知層端到端 + 決策規劃層端到端”方案，這與特斯拉的路徑有所不同。
我們推測，特斯拉的FSD V12.1（2023年12月發布）可能采用了感知層端到端方案，而FSD V12.3（預計2024年3月發布）將過渡至One Model生成式一體化端到端方案。
1
端到端特點一：下限不穩定，但上限較高
端到端方案的一個關鍵特性是性能下限不穩定，特別是在應用初期，可能會遇到功能退步或性能波動等問題。
這是因為端到端方案在早期往往依賴于大量數據進行訓練，可能會在特定場景下出現不確定性或功能不完善。
因此，短期內，國內一些車企仍可能會保留部分規則算法，以確保端到端智駕系統的基本穩定性。
然而，與傳統模塊化智駕方案相比，端到端方案具有明顯優勢。
由于端到端系統能夠基于大量數據進行訓練，并在實際道路場景中不斷優化，其在不同場景下的適應性更強，系統誤差和延時更小。
因此，端到端方案的性能上限更高，有潛力接近甚至超越人類駕駛水平。
2
端到端特點二：加速智駕算法迭代與性能提升
端到端架構的數據驅動特性使得智駕算法的迭代與優化過程大幅加速。
例如，小鵬汽車作為國內首家實現端到端大模型量產的車企，應用端到端大模型后，其版本迭代速度明顯加快，推送周期由此前的約4個月縮短至約2個月。
同時，新增功能的落地速度和覆蓋的場景也在加速。
我們認為，端到端的數據驅動升級模式大大降低了人工規則編寫的需求，使得版本迭代與性能提升更加迅速。
隨著模型不斷優化，智能駕駛系統的穩定性與智能水平將持續提升。
3
端到端特點三：智駕系統與組織架構精簡，推動降本
端到端智駕方案能夠顯著提高系統的集成度。
例如，通過將感知、預測、決策、規劃等多個子系統合并為一個大模型，主機廠可以減少開發和維護的復雜度，進而降低整體研發成本。
具體來說，端到端方案的降本效果體現在以下兩個方面：
智駕系統精簡：傳統的自動駕駛系統通常由多個獨立的模塊組成，每個模塊需要單獨開發、測試與維護。而端到端方案通過將多個模塊整合為一個大模型，減少了系統的復雜性和冗余，優化了資源配置。
組織架構精簡：端到端架構不再需要多個獨立的團隊來分別開發感知和決策模塊。傳統的規則編寫人員和AI算法開發人員的角色逐漸趨于合并，團隊協作變得更加高效。這種精簡不僅能降低人力成本，還能提高研發效率。
長期來看，端到端架構的普及將推動智能駕駛領域的研發投入呈下降趨勢，使得車企能夠以更低的成本實現智駕技術的持續進步。
