摘要
过往的成功经验，或许会成为下一阶段的累赘。
自2024年3月起，特斯拉在北美地区大规模推送FSD v12，此举措带来了显著的体验升级，使端到端成为行业追逐的热门方向。
近期，小鹏汽车创始人何小鹏在美国加州体验了FSD（全自动驾驶）V12.3.6版本后，对其进步深感惊叹。他表示，整个体验过程中，FSD的表现极为流畅，在绝大多数路况下的处理都令人放心，几乎达到了人类司机的驾驶水准。
与此同时，国内的众多企业也在迅速跟进这一技术路线。华为、小鹏、元戎启行等公司纷纷筹划端到端的上车方案。
其中，华为智能汽车解决方案BU CEO靳玉志宣称，华为ADS（自动驾驶系统）的目标是超越特斯拉FSD。他指出，后续每次大版本的更新都显著提升了行业水平，即便采用纯视觉方案，也要超越特斯拉FSD，而配备激光雷达的方案更是要力压特斯拉。
近日，华为宣布，阿维塔将首批搭载华为乾崑ADS 3.0（高阶智能驾驶），并且进行了大幅降价。ADS高阶功能包一次性购买的标准价格为3.6万元，调整后的价格为3万元，相比原价降低了6000元。
那么，华为要怎样在体验上超越特斯拉FSD呢？在端到端成为行业共识的大背景下，华为需要跨越哪些障碍才能持续保持领先地位？更为关键的是，在“遥遥领先”的背后，华为智驾所面临的最大风险是什么？
大力创奇迹
在此之前，我们首先需要回顾一下华为是如何跻身智能驾驶第一梯队的？
业内普遍认为主要有两个原因：其一，华为在智能驾驶领域起步较早，可追溯至2013年。当时，华为成立了车联网事业部，正式开启了自动驾驶技术的布局。而在2012年，谷歌获得了首张自动驾驶牌照。与百度同期开始进行路测相比，华为在时间上并未落后。
相较之下，当前一些备受关注的自动驾驶公司，如小马智行、Momenta等，均成立于2016年。
另一种观点认为，华为的成功得益于其庞大的资源投入以及庞大的团队规模。
在相当长的一段时间内，在智能驾驶领域，团队规模直接影响着研发的成熟度。尤其是在处理大量特殊情况（Corner Case）时，需要众多的程序员和测试工程师来进行开发与验证。
问界产品搭载了华为智驾系统 | 图片来源：问界与规模在1000人左右的主流车企和自动驾驶公司研发团队相比，华为车BU的研发团队总数高达7000人。余承东曾透露，其中70%至80%（约5000人）专注于自动驾驶的研发。这使得华为拥有了国内外规模最为庞大的自动驾驶研发团队。
知乎博主「卿颜」称，华为在研发和新技术方面的投入力度与决心在业内实属罕见。华为在多个团队同时推进自动驾驶技术的研发工作，并且拥有大量的测试车，其中主要使用价格昂贵、易于改造的车型，这充分展示了其在硬件方面的投入。
在软件方面，华为曾是Matlab（美国MathWorks公司出品的商业数学软件，被誉为“工科生必备神器”）的大客户，购买了极为完整的许可证，甚至包括一些暂时未使用的许可证。华为一年在Matlab上的花费可能超过多个大型主机厂的总和。尽管目前由于禁令的影响，情况有所变化，但华为在软件方面的投入依然彰显了其在技术研发上的坚定决心。
与此同时，长期以来，自动驾驶技术采用分治法，将整个过程划分为感知、预测、规划、控制等环节，然后再细分为雷达、建模、车规标准、智能协同、高精地图、软硬件配合等多个组成部分。这种方法对于习惯大规模团队作战的华为研发团队而言，可谓是驾轻就熟。
华为在自动驾驶领域的研发过程中，充分发挥了其在大规模团队协作和项目管理方面的丰富经验。分治法使各个部门能够专注于各自的技术难题，同时确保整体项目的协调推进。
华为ADS高阶智能驾驶辅助系统的演示区 | 图片来源：视觉中国
上述几种观点均具有一定的合理性，但不可忽视的是，华为拥有来自其他业务的技术储备。华为并非从零开始涉足自动驾驶领域。相较于其他国内厂商，华为在电驱动等汽车技术方面有着深厚的积淀。
同时，自动驾驶对软硬件能力的要求极高。从芯片制造、算法优化到系统构建以及软件适配，每一个环节都需要坚实的技术积累。
当前，华为的软硬件一体化能力是支撑其快速发展的关键因素。与其他厂家通常购买各类器件芯片并结合自研算法的做法不同，华为不仅开发底层操作系统，还拥有独特的AI芯片、激光雷达、电机、电控系统和毫米波雷达等关键技术。简而言之，一辆智能电动车除了轮子、外壳和座椅，其他所有技术华为均可提供。
这种一体化的优势，使得华为在优化各类器件性能和数据处理方面，具备了极高的效率和灵活性。
能否迈进端到端时代？
当下，业界普遍认为端到端开启了新一轮的自动驾驶产业变革。华为的高级智能驾驶系统也历经了三个阶段：
- ADS 1.0：2021年推出，基于Transformer的BEV架构，对高精度地图有较强依赖。
- ADS 2.0：2023年发布，降低了对高精度地图的依赖程度，采用RCR算法进行车道实时识别和路径规划，大幅提高了系统在城市环境中的泛化速度和更新频率。
- ADS 3.0：2024年问世，采用端到端大模型。与特斯拉所宣称的“大一统”模型有所不同，华为ADS 3.0的感知部分运用GOD（通用障碍物识别）大感知网络，而决策规划部分则通过PDP（预测-决策-规划）网络来实现。
尽管业内都在追求端到端，但对于其定义，业界存在着分歧和争议。一些技术原教旨主义者认为，许多公司所宣传的“端到端”并非真正意义上的端到端；而实用主义者则认为，只要技术基本符合原理且产品性能得到提升，精确界定端到端的内涵并非关键所在。
辰韬资本联合多家单位发布了2024年度《端到端自动驾驶行业研究报告》，指出自动驾驶技术架构的演进包含四个关键阶段：
- 感知“端到端”：感知模块通过多传感器融合技术实现了模块级别的全面覆盖，但决策规划仍主要依据规则。
- 决策规划模型化：决策规划模块从传统的预测、决策、规划功能分离的模式，演变为集成到单一神经网络中的模型。
- 模块化端到端：感知模块不再输出人类可理解的结果，而是特征向量；训练时需通过梯度传导同时进行，以增强模块之间的协同性。
- One Model/ 单一模型端到端：不再区分感知、决策规划等功能，整体流程由同一深度学习模型完成，实现从输入信号到输出轨迹的一体化。
业内认为，华为以及众多国内厂商的方案，大多处于“决策规划模型化”阶段，距离模块化端到端或One Model端到端自动驾驶的量产落地尚有一定距离。
未来，华为在迈向端到端自动驾驶的新时代时，面临着三大关键挑战：
首先，数据需求呈爆发式增长。特斯拉从超过20亿英里（约合32亿公里）的行驶数据中挖掘出数万小时的视频数据用于FSD训练。一位自动驾驶工程师表示，他们在训练端到端模型时，原本积累的路测数据仅有2%能够使用。这充分表明端到端模型对数据量的巨大需求。
除了数据量，数据质量同样至关重要。小马智行的CTO楼天城曾指出，要训练出高性能的端到端模型，对数据质量的要求比一般性能模型高出数个数量级。这是整个自动驾驶行业所面临的重大挑战之一。
华为今年4月时候宣布，到 6 月训练算力将达到 3.5 EFLOPS | 图片来源：华为
其次，在端到端自动驾驶的发展进程中，对训练算力的需求日益增高，远远超过以往的任何阶段。
部分业内人士认为，使用100张高算力GPU（如NVIDIA A100）便可开启端到端自动驾驶的初步训练。然而，特斯拉等领先企业的实践表明，要实现卓越的端到端效果，所需要的计算能力远超这个数量。特斯拉此前预计2024年2月公司算力规模将跻身全球前五，10月算力将达到100 E FLOPS（每秒浮点运算次数），相当于约30万块英伟达A100的算力总和。
相较于国内厂商，特斯拉的目标之高令人惊叹。华为表示，2024年6月智驾ADS训练算力将达3.5EFLOPS，蔚来、理想、小鹏的智驾算力中心算力分别是1.4 EFLOPS、1.4 EFLOPS、0.6EFLOPS。
第三，端到端将促使自动驾驶团队进行组织重塑。一般而言，企业的组织结构通常能够推动组件层面的创新，因为产品研发通常由多个小组分别负责产品元件的研究，只要产品的基本结构不变，这种方式便十分有效。然而，当需要进行结构性技术变革时，这种组织体系可能会对创新形成阻碍，因为它限制了人员和团队以全新方式进行交流与合作的能力。
随着端到端技术的应用，之前的分治法和KPI分拆模式可能会限制性能的提升，产生意想不到的负面效果。过度关注单一KPI的优异表现，可能会牺牲其他指标的稳定性。
因此，许多企业正在调整策略，缩减原有团队规模，转向AI大模型和数据基础设施的开发。高质量的数据和顶尖的AI人才将成为关键资源。与此同时，以往的垂直组织体系，需要向网格状结构转变，同时拥有垂直和横向团队，以实现多目标优化而非单一目标的优化。
端到端神经网络架构提升了数据及AI能力在整个产业链中的重要性，带来了企业所需能力和资源投入的深刻变化。这也意味着，智能驾驶的游戏规则被重新书写，能够跟上这场竞赛的玩家寥寥无几，许多公司将因此被淘汰。
华为在规则驱动时代确实拥有自身的资源和先发优势，但要跨越到端到端时代并保持领先，其面临的挑战比友商更为艰巨，转型的难度也更大。
