10 月 29 日，小米在发布会上表示 10 月 30 日在全国范围内部署城区 NOA。而 " 端到端 " 将在 11 月底内测，12 月底推送先锋版。其实，今年夏天开始，" 端到端 " 智驾就成了业内最火的概念。就在小米发声前一周，理想汽车也刚刚宣布了自己的端到端进程。

小米还在疯狂赶工中的 " 端到端 "，是 " 一段式 "（感知和规控合为一体），还是 " 两段式 "（感知和规控模块分开，中间嵌入人工接口），目前没有公开信息。不过，9 月份小米将原来 " 感知 " 和 " 规控 " 两个二级部门合并为 " 端到端算法与功能部 "。组织架构的变化，暗示小米至少将 " 一段式 " 作为目标。

截至目前，已经有十几家主机厂和供应商，声称上马或者即将上马 " 端到端 "，以至于这个概念，从新鲜到滥俗，只花了不到 1 年时间。不管有没有，都得说有。看如今的流量打法，嘴上输了就等于 " 输阵 "。闽南人说 " 输人不输阵，输阵歹看面 "。对潜在受众和自家团队构成士气打击，不是小事。

一段式端到端示意图

" 一段式 " 和 " 两段式 "，双方旗鼓相当

目前，声称已部署 " 一段式 " 端到端的供应商，只有 Momenta。智己、广丰、埃安，作为 Momenta 的客户，宣布同期部署。就在 10 月 28 日举办的品牌智能驾驶技术日上，智己汽车宣布 IM AD 3.0 完成从 " 最像人 " 到 " 有直觉 " 的进化，迈入 " 直觉 " 智驾新时代。

而表示 " 即将 " 部署 " 一段式 " 的品牌，则包括理想、小米、商汤科技、元戎启行等。" 两段式 " 主机厂和供应商似乎数量更多，目前有小鹏、极氪、极越、魏牌蓝山、鸿蒙智行等。

而宝骏作为大疆的用户，不但部署了卓驭 + 宝骏云海，还特意标明为 " 中算力两段式端到端 "。

至于华为的鸿蒙系，客户包括问界、享界、智界、岚图、阿维塔、方程豹、广汽传祺。东风猛士、尊界也宣布了与华为合作的信息，但迄今尚无 " 端到端 " 部署规划。华为的态度，暂时未将 " 一段式 " 作为目标。而且，华为也不认为 " 两段式 " 是通往 " 一段式 " 的过渡形式。

除此之外，奇瑞、长安启源、地平线、轻舟智航等，虽然规划了端到端，但未说明形式。

到现在为止，端到端领域，看似支持 " 两段式 " 品牌略多于 " 一段式 "。如果将同一供应商技术来源的，都视为一个品牌，两者几乎旗鼓相当。

在实现高等级自动驾驶诸多技术路径当中，端到端值得尝试，很可能不是唯一路径，甚至不是最优路径。

我们曾提到过，时髦的 " 端到端 " 智驾，走到哪一步了" 两段式 " 的优势在于，人工接口信息可观测，但感知输出的白盒状态，就意味着信息过滤后存在损失。

而 " 一段式 " 和 " 两段式 " 相比，理论上前者信息丢失少，上限应该比较高。但鉴于 " 一段式 " 可解释性更差，到底突破什么下限，大家都没底。因此所有厂商，不管做的是 " 一段式 " 还是 " 两段式 "，无一例外都设置了兜底规则（rule-based）。这也意味着 " 两段式 " 同样存在不可解释的部分。

数据需求决定部署规模

虽然 " 端到端 " 的参数量只相当于中模型，在一枚英伟达 Orin-X 上就能跑起来，貌似消耗算力不多。但背后必须有大数据和大模型支持。数据的门槛不仅是对绝对数量的要求，对于数据的分布和多样性要求也极高，而且还要求是 100% 的好数据（合规最优操作）。

主机厂自研，和由供应商推动，最大的区别不是技术本身，而是数据获取能力。后者理论上能获得多个品牌的产品数据，数据量更大。

有人表示，" 一段式 " 端到端应部署在 20 万元以上中高端车上。现在没有迹象表明，" 一段式 " 就比 " 两段式 " 需要更大的车端算力和更强的感知能力（比如有无激光雷达）。将端到端能力作为入门级和高配区分的一个维度，有可操作性，但同时其演化规律又要求更大的数据量，即尽量扩大部署规模。两者要求背离。

何去何从，需要掂量一下。当前端到端的竞争主轴并非现实商业利益，而是尽快迭代起来，形成明显的使用价值。由此可见，即便实地部署了 " 一段式 " 端到端，迭代到可用、好用，群众满意的地步，也需要长期投入。

算力大比拼

不可否认，" 一段式 " 模型，设计源头就比 " 两段式 " 难度更大，调参回路更长、落地流程也更艰难一些。

AlexNet 多层神经网络

设计一个可工作的神经网络（模型）需要很多人类智力资源，训练它更复杂。神经网络的每一个子网络，都涉及归一化、偏差、非线性输出，校正回归等一堆问题。而且多层网络让这些问题的复杂度上升了维度。

训练促使模型从出生到成熟，训练的本质是定量分析。如果用 5000 万个 clips（视频片段）训练模型 20 轮，相当于分析 1B 个 clips。训练中心算力直接决定系统迭代速度。

训练系统

而算力还用于推理计算，可以将其理解为自动化标注。以前人工标注的速度慢，但精度高。推理计算的标注精度低，需要反复刷标提高精度。特斯拉计划将后台算力推高至 100E（1EFOLPs=10^18 次浮点计算）。根据 ChatGPT 的经验，训练量达到一定量级，也许会出现大语言模型的 " 涌现 " 现象。是否需要与其相当的狂野算力，任何人都没有经验，也没人宣称，多少后台算力就够了，包括特斯拉自己。

只要想自己搭建训练和推理系统，买算力卡的费用绝对省不了。考虑到英伟达 H100，甚至阉割版 H800/A800，包括同样能力的 AMD，对中国禁售措施越来越严格，各家如何搭建算力，是一个很有意思的问题。

4 月份的时候，特斯拉在 Q1 财报会议上透露将 AI 训练集群扩展到 35000 块 H100 算力卡。而同期国内能买到 1000 块算力卡的厂家，都是凤毛麟角。

华为的昇腾 910B（按照性能最强的 910 Pro B），性能据说和 H100 的算力差不多。但最紧要的并非峰值算力，而是 FLOP 利用率。英伟达的算力卡 FLOP 利用率出了名的低（FP8 模型 35% 左右）。而昇腾系列的问题是产能供不应求，一块昇腾 910 ProB 一度炒至 28 万元。

假设国内企业的模型设计水平，与特斯拉相当，而昇腾系列算力卡优于英伟达一倍以上（这一点存疑），那么想达到特斯拉 FSD V12 的水平，至少也需要 1 万块以上 910B 算力卡。

江湖传闻，910B 的 2023 年出货量大概 50 万块，这些卡被谁买走了，缺乏信源。基于众所周知的原因，华为对高制程芯片的生产细节讳莫如深。

算力中心

种种迹象表明，能够攒起万块以上算力卡的主机厂和供应商，国内一只手就能数过来。远不像场面上人手一份 " 端到端 " 那么花团锦簇……

如果这是一场看不见上限的军备竞赛，不考虑成本的话显然越高越好。显然，国内厂商中间，华为确定有能力跟一下，其他主机厂和模型供应商都需要买卡。如果训练相当于挖矿，英伟达被定位 " 卖铲子的 "，那么华为一面卖铲子，一面也自己动手挖矿，因此获得了额外的算力供应链优势。

算力比拼正在演化为各家投资力度竞赛，没有取巧之机。