这两天，马斯克的一条推文引起了人们的注意：

简单来说，FSD Beta v12 将采用端到端的架构，输入视觉等传感器信号、输出转向、刹车、加速等车辆控制信号，与现有版本将有巨大差距。

消息一出，便引起了人们的激烈讨论：有说特斯拉牛X的，有期待的，当然也不乏说马斯克吹牛的。

但在这之中，还有相当多的人提出了一个相同的问题：

什么是“端到端”？

今天，我们就来简单聊聊这个话题。

很多人看到“端到端”，第一印象总是“从A到B的自动驾驶。”

其实，“端到端”是深度学习中的概念，英文为“End-to-End（E2E）”，指的是一个AI模型，只要输入原始数据就可以输出最终结果。

比如最近很火的ChatGPT，它就是一个典型的端到端模型，输入文字语句，直接就能得到回答。

那对于智能驾驶来说，“最终结果”指的是什么？

用第一性原理分析，智能驾驶其实就是让车辆自动把你从A点带到B点。当然了，作为乘客的你，肯定是希望它能开得轻柔一些，还要能避开路上的一切威胁，也别对其他人造成威胁。

这需要车做些什么呢？其实很简单，跟你开车是一样的：踩油门刹车、打方向盘。

踩油门还是踩刹车？方向盘向左打还是向右打？这就是智能驾驶AI模型应该输出的“最终结果”。

马斯克在描述FSD Beta v12 时，就提到了它可以实现输入图像，输出转向、刹车、加速等车辆控制信号的能力，因此说它是“端到端”的。

需要强调的是，目前各家对于“端到端”还没有一个统一的定义，因此不同语境下的端到端可能会存在一定的差异。而像特斯拉FSD Beta v12 这种“端到端”，其实还有一种说法，叫做“感知决策一体化”，也就是将“感知”和“决策”融合到一个模型中，这种描述则相对更为准确一些。

那有的朋友可能要问了：“端到端”牛在哪？

目前已量产的智能驾驶，绝大多数采用的是模块化架构。

所谓“模块化”其实很好理解，就是把智能驾驶拆分成一个个典型任务，然后将这些任务交由专门的AI模型或模块来处理，比如说感知、预测、规划等等。

实际应用中，感知模型的任务就是输入摄像头等传感器信息，然后在里面找到车辆周围的障碍物、车辆、车道线、红绿灯等一切与驾驶相关的元素，然后把感知信息汇总给规划模型，规划模型就会根据得到的信息规划出车辆的最佳行驶路线，再交给控制模块（控制模块一般并非AI模型），实现车辆最终的控制。

在这种架构中，每个大的模块下，又可能是以多种模型组合而来的，例如感知，其中可能包含了分类、追踪、定位等AI模型，各司其职。

也就是说，一个智能驾驶系统里，可能包含了很多很多个模型，每个模型都要专门进行训练、优化、迭代，随着模型的不断进化，参数量提高，所需的研发人员也水涨船高，研发投入极高。

而端到端架构，则是通过一个模型实现了以上多种模型的功能，研发人员只需要针对这一个模型进行整体训练、调整优化，即可实现性能上的提升，因此可以更好地集中资源，实现功能聚焦。

另一方面，传统的模块化架构可以看做是一种流水线，很多模型的输入参数，其实是前级模型的输出结果。如果前级模型输出的结果有误差，就会影响下一级模型的输出，导致级联误差的出现，最终影响整套系统的性能。

这很好理解，在这种架构下，不同模块间就相当于不同的人，负责决策的人是不能直接看到环境的，需要“观察员”转告，因此将不可避免地产生误差。

而端到端架构，输入传感器信号后可以直接输出车控信号，大大降低了级联误差的概率，也因此大大提升了系统性能的上限，整体潜力极大。

在智能驾驶领域，端到端其实并不是什么新鲜概念，早在1988年就面世的ALVINN自动驾驶试验车就基于端到端架构，可以在大学校园里实现最高70km/h的自主行驶。

直至目前，依然有许多厂商在进行端到端智能驾驶技术的研发，除了特斯拉外，还有英伟达、comma.ai等厂商。

但在量产车上看，模块化架构依然是目前智能驾驶的绝对主流，可见端到端架构依然存在一些关键的问题未能解决。

“可解释性”，就是其中最关键的一点。

在AI业内，最近有一个词特别火，叫做“涌现”，意思是当模型突破某个规模时，性能突然显著提升，表现出了让人惊艳、甚至是意外的能力。

而之所以称之为“涌现”，是因为这种情况是不可控的、不能预知的，即便一个模型发生了“涌现”，人们也不知道其内部发生了什么，是因为什么导致了能力的巨大变化。

这就是深度学习中，模型的重要评估指标“可解释性”的具体表现。

一个模型，如果可解释性好，说明人们对这个模型的运作逻辑是能理解的，也就能更细致且有目的地来对模型进行调整。

但如果一个模型的可解释性很差，那说明人们对这个模型内部知之甚少，甚至都不能理解这个模型为什么能跑起来，是一个黑盒。他虽然能做出正确的决策，但方法是什么，理由又是什么，都不知道。

很可怕对不对？

可惜，端到端智能驾驶，就是一种可解释性很差的模型，这就导致了一系列的问题。

首当其冲的就是安全性。

还是拿ChatGPT为例，作为端到端的大模型，它的能力很强，但“胡说八道”的情况也不少见，对于一个语言模型来说，错了就错了，纠正一下就是，但对于驾驶来说，如果决策规划出错了，就有可能导致严重的事故，甚至危及生命。

可端到端智能驾驶是个黑盒子，即便出了差错，研究人员也不知道它为什么会出差错，到底是哪一部分出了问题，又该如何去避免。只能通过不断的训练、调参、增加参数量，来尽可能地提高模型的准确率，但最终能否达到100%的安全，还是要打一个问号。

另一方面，端到端智能驾驶，它的训练本就是很复杂的。感知模型训练时，需要的是经过标注的图片，这是一种比较容易获得的素材，而端到端智能驾驶，它需要学习的是驾驶行为，因此需要大量标注有驾驶行为的视频才能进行进行训练，采集和标注都很困难。

因此，端到端智能驾驶，它的闭环验证比较困难，缺少足够的真实数据，目前主要还是在仿真环境中进行训练和验证，这也直接影响了它的量产落地。

虽然困难重重，但端到端对智能驾驶的诱惑太大了，因此厂商们也在持续推进端到端的落地，也带来了不同的解题思路。

例如混合专家系统（Mixture of Experts, MoE），这是一种集成学习(Ensemble Learning) 技术，在一个大模型里，有很多个“专家网络”，这些专家网络之间是具备共享结构的，在训练时，网络之间可以分享一些共性的学习结果，保证整体学习的一致性。

但同时，这些专家网络又是针对不同任务而构建的，可以针对不同的任务进行预测，例如识别、分类、预测、定位等等，与模块化结构类似。

在这种结构下，人们既可以针对某些专家网络进行训练，也可以针对整个模型进行训练，一定程度上提高了端到端模型的可解释性，还方便对模型内的网络进行单独替换。

此外，针对端到端的安全问题，还可以通过多种方法进行补足，例如加入毫米波雷达、激光雷达等传感器，提供更多的传感器特征，提高参数量，在最后的控制上加入一些“if-then”条件进行约束、或者强化学习等等。

而在训练和验证方面，则与量产车的部署数量有很大关系。特斯拉之所以能在端到端的落地上走在行业前列，我猜测与其量产车所具备的“影子模式”有很大关系，甚至有可能每一辆搭载FSD的特斯拉都在为FSD端到端的训练做出贡献。

不难看出，端到端智能驾驶一旦成功落地，对于整个行业的影响将是颠覆性的。但我们也要认识到，端到端有优势也有挑战，并且挑战依然是极大的，在现阶段甚至是未来很长一段时间内，当我们看到“端到端”时，只要看不到实物落地，就应该理性看待。