“一段式”與“兩段式”，看不見上限的軍備競賽

10月29日，小米在發布會上表示10月30日在全國范圍內部署城區NOA。而“端到端”將在11月底內測，12月底推送先鋒版。其實，今年夏天開始，“端到端”智駕就成了業內最火的概念。就在小米發聲前一周，理想汽車也剛剛宣布了自己的端到端進程。

小米還在瘋狂趕工中的“端到端”，是“一段式”（感知和規控合為一體），還是“兩段式”（感知和規控模塊分開，中間嵌入人工接口），目前沒有公開信息。不過，9月份小米將原來“感知”和“規控”兩個二級部門合并為“端到端算法與功能部”。組織架構的變化，暗示小米至少將“一段式”作為目標。

截至目前，已經有十幾家主機廠和供應商，聲稱上馬或者即將上馬“端到端”，以至于這個概念，從新鮮到濫俗，只花了不到1年時間。不管有沒有，都得說有。看如今的流量打法，嘴上輸了就等于“輸陣”。閩南人說“輸人不輸陣，輸陣歹看面”。對潛在受眾和自家團隊構成士氣打擊，不是小事。

圖：一段式端到端示意圖

“一段式”和“兩段式”，雙方旗鼓相當

目前，聲稱已部署“一段式”端到端的供應商，只有Momenta。智己、廣豐、埃安，作為Momenta的客戶，宣布同期部署。就在10月28日舉辦的品牌智能駕駛技術日上，智己汽車宣布IM AD 3.0完成從“最像人”到“有直覺”的進化，邁入“直覺”智駕新時代。

而表示“即將”部署“一段式”的品牌，則包括理想、小米、商湯科技、元戎啟行等?！皟啥问健敝鳈C廠和供應商似乎數量更多，目前有小鵬、極氪、極越、魏牌藍山、鴻蒙智行等。

而寶駿作為大疆的用戶，不但部署了卓馭+寶駿云海（參數丨圖片），還特意標明為“中算力兩段式端到端”。

至于華為的鴻蒙系，客戶包括問界、享界、智界、嵐圖、阿維塔、方程豹、廣汽傳祺。東風猛士、尊界也宣布了與華為合作的信息，但迄今尚無“端到端”部署規劃。華為的態度，暫時未將“一段式”作為目標。而且，華為也不認為“兩段式”是通往“一段式”的過渡形式。

除此之外，奇瑞、長安啟源、地平線、輕舟智航等，雖然規劃了端到端，但未說明形式。

到現在為止，端到端領域，看似支持“兩段式”品牌略多于“一段式”。如果將同一供應商技術來源的，都視為一個品牌，兩者幾乎旗鼓相當。

在實現高等級自動駕駛諸多技術路徑當中，端到端值得嘗試，很可能不是唯一路徑，甚至不是最優路徑。

我們曾提到過，“兩段式”的優勢在于，人工接口信息可觀測，但感知輸出的白盒狀態，就意味著信息過濾后存在損失。

而“一段式”和“兩段式”相比，理論上前者信息丟失少，上限應該比較高。但鑒于“一段式”可解釋性更差，到底突破什么下限，大家都沒底。因此所有廠商，不管做的是“一段式”還是“兩段式”，無一例外都設置了兜底規則（rule-based）。這也意味著“兩段式”同樣存在不可解釋的部分。

數據需求決定部署規模

雖然“端到端”的參數量只相當于中模型，在一枚英偉達Orin-X上就能跑起來，貌似消耗算力不多。但背后必須有大數據和大模型支持。數據的門檻不僅是對絕對數量的要求，對于數據的分布和多樣性要求也極高，而且還要求是100%的好數據（合規最優操作）。

主機廠自研，和由供應商推動，最大的區別不是技術本身，而是數據獲取能力。后者理論上能獲得多個品牌的產品數據，數據量更大。

有人表示，“一段式”端到端應部署在20萬元以上中高端車上?，F在沒有跡象表明，“一段式”就比”兩段式“需要更大的車端算力和更強的感知能力（比如有無激光雷達）。將端到端能力作為入門級和高配區分的一個維度，有可操作性，但同時其演化規律又要求更大的數據量，即盡量擴大部署規模。兩者要求背離。

何去何從，需要掂量一下。當前端到端的競爭主軸并非現實商業利益，而是盡快迭代起來，形成明顯的使用價值。由此可見，即便實地部署了“一段式”端到端，迭代到可用、好用，群眾滿意的地步，也需要長期投入。

算力大比拼

不可否認，“一段式”模型，設計源頭就比“兩段式”難度更大，調參回路更長、落地流程也更艱難一些。

圖：AlexNet多層神經網絡

設計一個可工作的神經網絡（模型）需要很多人類智力資源，訓練它更復雜。神經網絡的每一個子網絡，都涉及歸一化、偏差、非線性輸出，校正回歸等一堆問題。而且多層網絡讓這些問題的復雜度上升了維度。

訓練促使模型從出生到成熟，訓練的本質是定量分析。如果用5000萬個clips（視頻片段）訓練模型20輪，相當于分析1B個clips。訓練中心算力直接決定系統迭代速度。

圖：訓練系統

而算力還用于推理計算，可以將其理解為自動化標注。以前人工標注的速度慢，但精度高。推理計算的標注精度低，需要反復刷標提高精度。特斯拉計劃將后臺算力推高至100E（1EFOLPs=10^18次浮點計算）。根據ChatGPT的經驗，訓練量達到一定量級，也許會出現大語言模型的“涌現”現象。是否需要與其相當的狂野算力，任何人都沒有經驗，也沒人宣稱，多少后臺算力就夠了，包括特斯拉自己。

只要想自己搭建訓練和推理系統，買算力卡的費用絕對省不了?？紤]到英偉達H100，甚至閹割版H800/A800，包括同樣能力的AMD，對中國禁售措施越來越嚴格，各家如何搭建算力，是一個很有意思的問題。

4月份的時候，特斯拉在Q1財報會議上透露將AI訓練集群擴展到35000塊H100算力卡。而同期國內能買到1000塊算力卡的廠家，都是鳳毛麟角。

華為的昇騰910B（按照性能最強的910 Pro B），性能據說和H100的算力差不多。但最緊要的并非峰值算力，而是FLOP利用率。英偉達的算力卡FLOP利用率出了名的低（FP8模型35%左右）。而昇騰系列的問題是產能供不應求，一塊昇騰910 ProB一度炒至28萬元。

假設國內企業的模型設計水平，與特斯拉相當，而昇騰系列算力卡優于英偉達一倍以上（這一點存疑），那么想達到特斯拉FSD V12的水平，至少也需要1萬塊以上910B算力卡。

江湖傳聞，910B的2023年出貨量大概50萬塊，這些卡被誰買走了，缺乏信源。基于眾所周知的原因，華為對高制程芯片的生產細節諱莫如深。

圖：算力中心

種種跡象表明，能夠攢起萬塊以上算力卡的主機廠和供應商，國內一只手就能數過來。遠不像場面上人手一份“端到端”那么花團錦簇……

如果這是一場看不見上限的軍備競賽，不考慮成本的話顯然越高越好。顯然，國內廠商中間，華為確定有能力跟一下，其他主機廠和模型供應商都需要買卡。如果訓練相當于挖礦，英偉達被定位“賣鏟子的”，那么華為一面賣鏟子，一面也自己動手挖礦，因此獲得了額外的算力供應鏈優勢。

算力比拼正在演化為各家投資力度競賽，沒有取巧之機。

插混香餑餑，跨國車企必須得與自己和解時髦的“端到端”智駕，走到哪一步了馬斯克兜售的夢，圓在中國