对于全球自动驾驶行业，特斯拉FSD v12的量产推送是重要分水岭。
端到端神经网络架构，将带来迭代范式和开发逻辑的演变，以及企业所需能力和资源投入的深刻变化。
相比FSD以前的版本，这回能够继续跟进的玩家将会屈指可数。那些有能力跟进的，将组成第一集团并拉开与其他厂商的差距。对自动驾驶“皇冠上的明珠”的争夺，也将在这寥寥数家之间展开。
全球范围内，有能力跟进FSD的整车厂商，全部在中国。
在刚过去的2023年，中国智驾行业的焦点是头部造车新势力和华为的“城市NOA开城大战”。然而，无论是华为的“全国都能开”，还是小鹏的224城，还是理想的110城，还是蔚来的“65万公里”，都无法彰显高人一筹的领先性。
这是因为，各家的产品进度虽有先后，但技术成熟度都处在追赶特斯拉FSD v11的阶段——从时间维度看，大致相当于FSD在2022年11月的状态。
如今FSD v12已经展现出了完全数据驱动带来的迭代速度优势，中国厂商们跟进端到端架构刻不容缓。
事实上他们已经在行动了——1月30日，何小鹏明确表示小鹏智驾的下一步目标是端到端模型全面上车；而据媒体报道，蔚来将在今年上半年推出端到端架构的主动安全功能，理想的端到端AD智驾系统也计划在今年上线。
为什么一定要转向“端到端”呢？它究竟是一个营销词汇，还是通向自动驾驶的圣杯？
一、为什么要“端到端”在AI神经网络的早期发展阶段，人们倾向于认为应该“让神经网络做尽可能少的事”。例如，在将语音转换为文本时，人们认为应该先分析语音的音频，再将其分解为音素，等等。但是后来发现，（至少对于“类人任务”）最好的方法通常是尝试训练神经网络来“解决端到端的问题”，让它自己“发现”必要的中间特征、编码等。
——摘自《这就是ChatGPT·神经网络训练的实践和学问》，作者Stephen Walfram
一个逐渐凝聚的共识是，传统的自动驾驶技术架构，虽在过去几年做到了持续降低接管率、提升ADAS辅助驾驶体验，甚至在特定地理边界内实现了Robotaxi运营，但终究无法实现像人类司机那样“在任何道路都能开”的自动驾驶。
在实践中，传统的技术架构主要凸显出以下几个问题：
1.“分而治之”的模块化架构，可能圄于局部最优解而难以达到全局最优。
当前主流的自动驾驶系统，将“感知、预测、规划、控制”四个任务细分为探测跟踪、静态环境建图、高精定位、动态物轨迹预测、自车轨迹规划、运动控制等模块。
基于此种“分而治之”的架构，在车企的智驾研发部门，每个模块分别由不同的团队负责。
由于每个任务相对独立、容易解决，人工标注使数据的针对性强，监督学习使模型训练的信号强，因此AI模型能迅速提升性能，有利于快速实现一个完整的产品。但在到达“局部最优解”之后，这些模型难以进一步提升，且串在一起之后形成累积误差，不利于追求全局最优解。
假如能利用深度神经网络的属性，将各个模块用可微分的方式连接起来进行梯度回传，出现误差时，以最小化整体损失函数为目标更新权重，就可实现端到端全局优化。
端到端架构将所有模块串在一起统一训练，更利于追求“全局最优解”，但数据的针对性更弱、模型训练的信号更弱，意味着提升性能所需的数据量和算力规模更大。
图片来源：2023年CVPR，刘兰个川，（时任）小鹏XPilot感知首席工程师
2.基于人工代码的规控模块，无法穷尽驾驶场景中的corner case，且难以做到车辆动作的“拟人”。
在传统的决策规划框架中，研发人员会根据不同的ODD定义好规则，面对特定场景时找到对应的规则，然后调用相应的规划器生成控制轨迹。
这种架构需要事先写好大量的规则，故称为“重决策方案”。
重决策方案较易实现，在简单场景下也堪称高效，但在需要拓展ODD、或把不同的ODD连接起来时，就需要大量的手写规则来查缺补漏，从而实现更连续的智驾体验。
这样做的弊端很明显：当遇到未学习过的场景，即corner case时，系统会表现得不够智能甚或无法应对。同时，开发者需要维护大量的if-else（判断逻辑）来做场景细分，开发测试周期长、成本高。
举个例子：处理加塞时，重决策方案需要根据对旁车姿态的计算，匹配事先写好的规则（如旁车的横摆角达到多少度、旁车车轮是否压线等）来做出是否减速让行的决策。然而，车辆并线的场景千差万别无法穷尽，要想提升加塞应对能力，就得无穷无尽地增加规则，代码越写越长。
重决策方案，本质上是用数学/几何计算的方式判断人类驾驶员的动作和意图并应对之。确定的规则和精确的控制参数，导致车辆动作机械化、不拟人。
与规则代码不同，神经网络的本质属性是学习。在上述判断加塞的例子中，神经网络不会明确地计算旁车横摆角的数值，而是通过学习车轮、车灯、车道线，以及环境中的其他特征，判断旁车的加塞意图。
人们并不知道神经网络内部是如何工作的，其判断旁车是否加塞、该何时做出应对，均是基于（人类无法看懂的）中间特征和编码。
简单说，神经网络是一个黑盒，但在完成拟人化任务方面比规则代码更奏效——网络上的实测视频显示，FSD v12展现出了一些v11从未具备的能力和特征，例如行驶中自行绕开路面上的积水，或是到达设定目的地后，自行在附近街区寻找车位直至泊入等。
3.不断积累的手写代码，与追求更简洁系统的目标相悖。
规划和控制模块是自动驾驶系统的“代码重灾区”，特别是针对交通参与者多样、行车环境复杂的城市场景。
小鹏汽车曾在2022年10月透露，其城市NGP在预测、规划、控制模块的代码量是高速NGP代码量的88倍。与之对比，城市NGP总体代码量是高速NGP的6倍，而感知模块的神经网络模型数量是高速NGP的4倍。
时至今日，各家已初步实现了感知模块的AI化，预测模块次之，规控模块则是最难啃的骨头。
关注FSD的读者，一定对其历来详细冗长的更新日志不陌生。然而到了v12，更新日志只剩下短短一句话：
FSD Beta v12对城市街道驾驶栈进行了单个端到端神经网络的升级，这个神经网络基于数以百万计的视频片段训练而来，替换了超过30万行明确编写的C 代码。
为什么要追求更简洁的系统架构？
马斯克曾在Lex Fridman采访中表示，当前用计算机实现的智能非常费电——人类的高级脑部功能（Higher Brain Functions）只要不到10W的功率。即使只有10W，这个人脑仍能写出比10MW的GPU集群更棒的小说，能效比后者高6个数量级。
就自动驾驶系统而言，当前的特斯拉FSD功率约为100W，马斯克相信未来可以做到50W以下。
开发任何一项新技术，都是先让它可行，再提高它的效率。
对任何一款汽车产品，在同等性能下，每降低一个kg、kW、TOPS，都是对效率和成本的巨大优化。
例如，小鹏XNGP技术架构中，原本仅负责动态感知的XNet就要耗费一颗OrinX算力的122%，最终经过优化仅用9%的OrinX算力就实现了同样功能——省下来的车端算力，可用于更多功能或更强性能。
结构更简化的自动驾驶系统，有利于降低车端功耗和成本，这一点即使在端到端大模型的时代也仍然成立。
正如马斯克的经验分享：the more effort in trAIning, the less effort needed in inference.云端训练遵循scaling law的大参数、大数据、大算力，成熟后部署到车端的模型则越小越好。
综上，端到端系统的结构更简单优雅、性能上限更高、应对长尾问题（corner case）的能力更强，因此被视为自动驾驶技术架构的最终形态。
二、特斯拉是如何做的在特斯拉FSD v12之前，端到端方案仅停留在理论层面——学术界虽不乏优秀论文，但工业界普遍认为量产尚远。
在特斯拉内部，端到端项目于2022年12月立项。这不得不让人联想到GPT的时间线——OpenAI于2022年11月底上线ChatGPT，仅不足一个月后特斯拉就上马“端到端”，一个合理的推测是，Scaling Law在大语言模型上的奏效，坚定了特斯拉Autopilot团队探索端到端的信心。
最开始马斯克是有怀疑的——他认为“无需火箭打苍蝇，用苍蝇拍就够了。”
四个月之后的2023年4月中旬，马斯克试驾了当时的v12版本，对效果非常满意。在由20多个身穿黑色T恤的Autopilot团队成员参加的总结会上，马斯克注意到一个核心信息：端到端方案最开始的效果并不好，直到它学习的高质量视频片段（Clip）超过100万个，体验才出现了显著跃升。
2023年8月26日，马斯克在X平台上进行了一段时长45分钟的FSD v12试驾直播。他在直播中表示，这是有史以来第一个端到端AI自动驾驶系统，是特斯拉FSD迄今为止最重要的一次升级：
“没有一行代码告诉它减速通过减速带，没有一行代码告诉它避让骑自行车的人，没有一行代码要求它在停车标识前停下、或是等待另一辆车、或是需要等待几秒……什么规则都没有，它完全是在学着做人类做的事情。我们完全是通过视频训练来实现这一切的，完全通过人工智能和摄像头，就像人类完全通过眼睛和大脑（来实现驾驶）一样。”
在直播中与马斯克同行的Ashok Elluswamy解释说，虽然v12不再通过代码来编程，但可以通过填喂不同的数据来调整模型的参数（不失为另一种形式的“编程”）。
端到端的FSD跑通了！业界纷纷侧目，有人惊叹有人质疑，特斯拉继续狂飙：
2023年11月25日，马斯克证实，特斯拉已向内部员工推送了FSD v12进行内测。
2023年12月24日，特斯拉又向员工推送了更新的v12.1版本，有消息称推送人数已扩展到1.5万人。
2024年1月23日，特斯拉首次将FSD v12推送给美国的少量媒体人（据称规模在100人左右），版本号为v12.1.2。
到了2024年2月19日，特斯拉首次向普通车主推送FSD v12。据Teslascope报道，这一轮推送名单采用随机选取的方式，收到推送的车主约占FSD全量用户的0.5%-2%。
若以50万FSD全量用户计，这意味着目前收到v12的普通用户规模在2500人到1万人之间。
虽然当前推送率仅有不到2%，但从特斯拉采用随机选取用户（而非两年前v10时的基于安全驾驶评分）的方式看，其对v12的成熟度已颇具信心。
从网络上流出的很多测试视频看：相比v11，转成端到端后，v12在部分基础体验上出现了倒退，例如当它“独自一车”行驶在空旷笔直的大道上时，它会时而加速、时而减速，反而不如跟随其他车辆时来得平稳。但在处理更难的问题——例如复杂场景博弈、绕过路面上的积水、窄路错车等——时，v12却表现得自信流畅，颇像一个人类司机。
这些特性，与ChatGPT横空出世时何其相似——它会犯（让人难以理解的）低级错误、会产生幻觉，但它同时也展现出前所未有的拟人性和巨大的提升潜力（有GPT-4相比ChatGPT的巨大提升为证）。
怀疑的人们，会继续将放大镜对准v12表现不佳的案例，但相信的人们在呐喊：“它才刚刚训练了1年啊！想想5年后、10年后会怎样？”
特斯拉究竟是如何做出了自动驾驶界的ChatGPT呢？
遗憾的是，截至目前，特斯拉并未公开分享过端到端架构的细节，甚至连会否在2024年举行新一届AI Day，都还不明朗。
但基于已知信息，笔者尝试对FSD v12做下述解读，以供探讨：
回顾2022年12月这个节点：FSD的感知模块在当时已经是成熟的神经网络模型，预测部分也已完成了AI化。特斯拉要做的就是把规控也变成神经网络——即训练一个Planner模块，给它大量5星司机的驾驶数据，让它模仿人类的驾驶行为，输出控制信号。
换句话说，FSD v12采用的端到端方案，并非完全摒弃v11版本中的成果而从头打造一个单一的神经网络模型，而是将旧版本中各模块的小模型加以聚合、*，再增加一些新的AI模块、去除一些不再适用的旧模块，最终将此前的规则代码全部替换成神经网络模型。
深度神经网络固有的特性也支持这样的聚合——在设计神经网络时，一个新的网络可以直接包含另一个已经训练过的网络。当整个技术栈都替换成神经网络之后，运用反向传播法进行训练，就可以将整个系统视为一个统一的“端到端”神经网络模型。
2月25日，X平台上的知名特斯拉黑客“绿神”发布了自己观察到的信息，侧面证实了以上猜测：
在目前的FSD v12.2.1中有231个神经网络，但其中一些是更大的“复合”网络的一部分，所以特斯拉将它们算作一个网络。
还有，几乎每个网络都有复制品，分为prod（量产）和experimental（试验）版本，但我最后一次检查时，它们是完全相同的。
特斯拉跑通FSD v12的难度究竟何在？这里通过三个方面粗浅解析：
1.“端到端”神经网络的设计无法一蹴而就：
推送日志对FSD v12的描述看似是一场推翻重建，但实际上是前序版本中的每一步工作促成了下一步工作、下一个版本，最终发展到完全由神经网络构成。
过去几年，是手写代码让FSD v9、v10、v11成功地在道路上行驶，收集到大量真实数据，从而训练出了处理无数小任务的模型，开发过程中再不断将这些模型聚合、*，最终形成了组成v12的模型。
这些工作的完成，并不是一个直截了当的过程。
一名人工智能从业者向笔者介绍：设计一个可工作的推理神经网络需要大量的专业知识，而训练它就更复杂了。例如，需要选择合适的输入/输出信号、归一化、偏差、神经网络层数、每层神经元数量、非线性输出函数（例如 RELU）……并且整个系统中的许多神经子网络都可能涉及这些问题，工作量巨大。
2.设计完成后，对模型的训练并非“无需人工参与的”自动化过程：
“分模块”变为“端到端”之后，之前的测试、改进手段都失效了，需要重新设计。
“端到端神经网络”仅是指从视频输入到控制信号输出的整个技术栈不再包含手写代码，但在训练模型时，仍需人类工程师手写代码来完成筛选数据、处理数据、组织模型训练等工作（如下图所示——其中绿色为手写代码，红色为神经网络）。
图片来源：James Douma
这些工作，无不需要基础知识扎实、经验丰富的工程师团队花费大量精力反复试错验证。
3.端到端架构需要投入更多资源和资金：
Andrej Karpathy还在特斯拉时，因为还处在“分模块”阶段，也因为他是一个“强训练信号”（strong training signal）的信徒，所以其方式是花很大人力清洗、组织数据，用监督训练的方式训练模型，这样模型的能力会提升得很快，但上限不高。
而端到端架构下，上述训练方式不再适用，换成用更大量的数据、自监督的方式进行训练，对模型多个方面的能力进行“缓慢的、潜移默化的”提升，提升速度慢但上限更高。
更大的数据带宽（包括绝对数据量和数据的筛选、清洗、标注、传输、存储等能力）、更大算力的超算基础设施，以及训练和部署更大参数量的模型的能力——每一项都意味着更高额的资金投入和人才密度更高的团队。
其中，数据量和算力（资金）的劣势，可能是当前中国厂商追赶特斯拉的最大障碍。
数据方面，截至2023年12月，特斯拉FSD Beta的累计行驶里程为8亿英里（12.9亿公里）——这是从2022年12月时的9000万英里爬升仅1年的结果。
与之相比，中国智能电车累计销量最大的理想汽车，NOA历史累计里程为5.6亿公里（包括高速NOA和城市NOA）。
当然，要强调的是，绝对数据量并非成功的充要条件。要从每年10亿英里（16亿公里）级别的行驶数据中筛选出用于训练的有效数据，世界上没人有过这样的经验——特斯拉也同样在探索当中。
算力方面，根据公开信息，部分厂商的训练资源如下：
- 特斯拉 10 EFLOPS（2023 年 8 月）
- 华为2.8 EFLOPS（2023 年 11 月）
- 极越（百度）：1.8-2.2 EFLOPS（2024年2月）
- 蔚来1.4 EFLOPS（2023 年 9 月）
- 理想1.2 EFLOPS（2023 年 6 月）
2024年，特斯拉仅计划在超算集群上的投入就接近15亿美元（包括5亿美元Dojo、5亿 美元英伟达H100，以及未知金额的AMD芯片），目标是到2024年底达到100 EFLOPS。
与之相比，小鹏汽车2024年计划投向智驾等AI技术的总研发费用约为35亿元人民币。
可以说，自动驾驶转向“端到端”，不仅是一个技术问题，更是智能电动车企业最核心的战略问题之一。如何掌握节奏、合理分配资源，以保持自身的持续竞争力，是各家都在面对的挑战。
总结经过特斯拉、华为、小鹏、理想、蔚来等厂商的量产探索，自动驾驶技术在分模块的架构下取得了长足进步。期间，中美两地的开发团队积累了大量研发、测试、验证、量产的经验，一大批AI人才与汽车工程人才完成了相互的融合与滋养。
2024年，特斯拉FSD v12的量产是一个新起点，标志着自动驾驶技术切换到数据驱动的开始，能继续跟进的玩家不会太多了。
在接下来的对决中，数据能力将是本质的决胜因素，算法能力和算力资源则是参与竞争的基础。
