「遙遙領先」的華爲智駕，最大的風險是什麼？
2024 年 3 月開始，特斯拉開始在北美地區大範圍推送 FSD v12，帶來了相當明顯的體驗升級，讓端到端成爲行業追逐的熱點。
近日，小鵬汽車創始人何小鵬在美國加州體驗了 FSD（全自動駕駛）V12.3.6 版本後，對其進步表示感慨。他稱，全程體驗下來，FSD 的表現非常絲滑，絕大部分路況處理都讓人安心，幾乎接近人類司機的駕駛水平。
與此同時，國內公司也在迅速跟進這條技術棧。華爲、小鵬、元戎啓行等企業紛紛規劃端到端的上車方案。
其中，華爲智能汽車解決方案 BU CEO 靳玉志表示，華爲 ADS（自動駕駛系統）的目標是超越特斯拉 FSD。他表示，接下來每次大版本更新都顯著提升了行業水平，即使是純視覺的方案要超越特斯拉 FSD，而帶激光雷達的方案更是要碾壓特斯拉。
最近，華爲宣佈，阿維塔將首批搭載華爲乾崑 ADS 3.0（高階智能駕駛），並宣佈大降價。ADS 高階功能包一次性購買標準價格爲 3.6 萬元，調整後價格爲 3 萬元，相比原價降低了 6000 元。
那華爲要如何在體驗上碾壓特斯拉 FSD 呢？在端到端成爲行業共識的背景下，華爲需要跨越哪些門檻才能繼續保持領先？更重要的是，在「遙遙領先」的背後，華爲智駕最大的風險是什麼？
01 大力出奇跡
在此之前，首先要回顧下華爲如何成爲智能駕駛第一梯隊？
業內普遍認爲有兩大原因：一是華爲在智能駕駛的起步早，可以追溯到 2013 年。當時，華爲成立了車聯網事業部，正式開始佈局自動駕駛技術。而在此之前，2012年穀歌獲得了第一張自動駕駛牌照。與百度在同一時期開始進行路測相比，華爲在時間上並沒有落後。
相比之下，目前一些備受矚目的自動駕駛公司，例如小馬智行、Momenta 等，都是成立於 2016 年。
另一種說法是得益於華爲龐大的資源投入和團隊規模。
在很長一段時間裡，在智能駕駛領域，團隊規模直接影響研發成熟度。尤其是處理大量的特殊情況（Corner Case），需要大量的程序員和測試工程師來開發和驗證。
問界產品搭載了華爲智駕系統 圖片來源：問界
相比規模在 1000 人左右的主流車企和自動駕駛公司研發團隊，華爲車 BU 的研發團隊總計達 7000 人。餘承東曾表示，其中 70%至 80%（約 5000 人）專注於自動駕駛的研發。這使得華爲擁有國內外規模最大的自動駕駛研發團隊。
知乎博主「卿顏」表示，華爲在研發和新技術上的投入力度和決心是業內少見的。華爲在多個團隊同時推進自動駕駛技術的研發，並擁有大量的測試車，其中主要使用的是價格昂貴、易於改造的車型，顯示出其在硬件上的投入。
在軟件方面，華爲曾是 Matlab（美國 MathWorks 公司出品的商業數學軟件，被稱爲「工科生必備神器」）的大客戶，購買了非常完整的許可證，甚至包括一些暫時用不到的許可證。華爲一年在 Matlab 上的花費可能超過多個大主機廠的總和。雖然目前由於禁令影響，情況有所變化，但華爲在軟件上的投入同樣顯示了其在技術研發上的決心。
與此同時，自動駕駛技術長期以來採用分治法，將過程分成感知、預測、規劃、控制，然後再拆分爲雷達、建模、車規標準、智能協同、高精地圖、軟硬件配合等多個組成部分。這種方法對習慣大兵團作戰的華爲研發團隊來說再熟悉不過了。
華爲在自動駕駛領域的研發過程，充分利用了其在大規模團隊協作和項目管理方面的經驗。分治法讓各個部門專注於各自的技術難題，同時確保整體項目的協調推進。
華爲 ADS 高階智能駕駛輔助系統的演示區 圖片來源：視覺中國
這幾種說法都有合理性，但不容忽視的是，華爲有來自其他業務的技術儲備。華爲並不是從零開始涉足自動駕駛。相比其他國內廠商，華爲在電驅動等汽車技術上有着深厚的積累。
同時，自動駕駛對軟硬件能力的要求極高。從芯片製造、算法優化到系統建立和軟件適配，每一個環節都需要紮實的技術積累。
目前，華爲的軟硬件一體化能力是支撐其快速發展的關鍵。與其他廠家通常購買各種器件芯片並結合自研算法不同，華爲不僅開發底層操作系統，還擁有獨特的 AI 芯片、激光雷達、電機、電控系統和毫米波雷達等關鍵技術。簡單說，一輛智能電動車除了輪子、外殼和座椅，其他所有技術華爲都能提供。
這種一體化優勢，使得華爲在優化各類器件性能和數據處理方面，具備了極高的效率和靈活性。
02 能跨越到端到端時代嗎？
目前，業界普遍認爲端到端開啓了新一輪的自動駕駛產業革命。華爲的高級智能駕駛系統也經歷了三個階段：
ADS 1.0：於 2021 年推出，基於 Transformer 的 BEV 架構，依賴高精度地圖。
ADS 2.0：在 2023 年發佈，減少了對高精度地圖的依賴，採用 RCR 算法進行車道實時識別和路徑規劃，大幅提升了系統在城市環境中的泛化速度和更新頻率。
ADS 3.0：2024 年發佈，採用端到端大模型。與特斯拉宣稱的「大一統」模型不同，華爲 ADS 3.0 感知部分使用 GOD（通用障礙物識別）大感知網絡，而決策規劃部分通過 PDP（預測-決策-規劃）網絡來實現。
雖然業內都在追逐端到端，但業界對它的定義存在着分歧和爭議。一些技術原教旨主義者認爲，許多公司所宣傳的「端到端」並非真正意義上的端到端；而實用主義者則認爲，只要技術基本符合原理並且產品性能得到提升，精確定義端到端的內涵並不是關鍵。
辰韜資本聯合多家單位發佈了 2024 年度《端到端自動駕駛行業研究報告》，表示自動駕駛技術架構演進爲四個關鍵階段：
感知「端到端」：感知模塊通過多傳感器融合技術實現了模塊級別的全面覆蓋，但決策規劃仍主要基於規則。
決策規劃模型化：決策規劃模塊從傳統的預測、決策、規劃功能分離，演變爲集成到單一神經網絡中的模型。
模塊化端到端：感知模塊不再輸出人類理解的結果，而是特徵向量；訓練時需通過梯度傳導同時進行，增強模塊之間的協同性。
One Model/ 單一模型端到端：不再區分感知、決策規劃等功能，整體流程由同一深度學習模型完成，從輸入信號到輸出軌跡一體化。
業內認爲，華爲和很多國內廠商的方案，大多處於「 決策規劃模型化 」 階段，距離模塊化端到端或 One Model 端到端自動駕駛量產落地還有距離。
未來，華爲在邁向端到端自動駕駛新時代時，面臨着三大關鍵挑戰：
首先是數據需求的激增。特斯拉從超過 20 億英里（約合 32 億公里）的行駛數據中挖掘了數萬小時的視頻數據用於 FSD 訓練。一位自動駕駛工程師表示，他們在訓練端到端模型時，原本積累的路測數據只有 2%可以用。這顯示出端到端模型對數據量的龐大需求。
除了數據量，數據質量同樣至關重要。小馬智行的 CTO 樓天城曾表示，要訓練出高性能的端到端模型，數據質量的要求比一般性能模型高出幾個數量級。這是整個自動駕駛行業面臨的重大挑戰之一。
華爲今年 4 月時候宣佈，到 6 月訓練算力將達到 3.5 EFLOPS 圖片來源：華爲
第二、在端到端自動駕駛的發展過程中，訓練算力的需求越來越高，遠超以往任何階段。
部分業內人士認爲，使用 100 張高算力 GPU（如 NVIDIA A100）就能開始端到端自動駕駛的初步訓練。然而，特斯拉等領先企業的實踐表明，要實現優異的端到端效果，所需的計算能力遠遠超出這個數量。特斯拉此前預計 2024 年 2 月公司算力規模將進入全球前五，10 月算力將達到 100 E FLOPS（每秒浮點運算次數），相當於約 30 萬塊英偉達 A100 的算力總和。
相比於國內廠商，特斯拉的目標高得讓人驚訝。華爲表示，2024 年 6 月智駕 ADS 訓練算力將達 3.5EFLOPS，蔚來、理想、小鵬的智駕算力中心算力分別是 1.4 EFLOPS、1.4 EFLOPS、0.6EFLOPS。
第三，端到端將帶來自動駕駛團隊的組織重塑。一般來說，企業的組織結構通常能夠促進組件層面的創新，因爲產品研發通常由多個小組分別研究，只要產品的基本結構不變，這種方式就非常有效。然而，當需要進行結構性技術變革時，這種組織體系可能會阻礙創新，因爲它限制了人員和團隊以全新方式進行交流和合作的能力。
隨着端到端技術的使用，之前的分治法和KPI分拆模式可能會限制性能的提升，產生意想不到的反效果。過於關注單一 KPI 的優秀表現，可能會犧牲其他指標的穩定性。
因此，許多企業正在調整策略，減少原有團隊規模，轉向 AI 大模型和數據基礎設施的開發。高質量的數據和頂尖的 AI 人才將成爲關鍵資源。與此同時，以往的垂直組織體系，要轉向網格狀結構，同時擁有垂直和橫向團隊，以實現多目標優化而非單一目標的優化。
端到端神經網絡架構提升了數據及 AI 能力在整個產業鏈上的重要性，並帶來了企業所需能力和資源投入的深刻變化。這也意味着，智能駕駛的遊戲規則重新改寫，能夠跟進這場競賽的玩家屈指可數，許多公司將因此掉隊。
華爲在規則驅動時代確實有自己的資源和先發優勢，但跨越要端到端時代保持領先，轉彎的半徑要比友商大很多。
本文源自：極客公園