到底什麼是端到端，蔚來任少卿給我們做了一場通俗易懂的普及

出品丨虎嗅汽車組

作者丨李銘揚

頭圖來源丨蔚來發佈會（蔚來智能駕駛副總裁任少卿）

7月27號，蔚來舉辦了一場技術發佈會，有芯片亮相，也有整車操作系統發佈，有Nio Phone的正式上市，也有智能駕駛世界模型NWM的展示。發佈會後的第二天，虎嗅汽車來到蔚來位於上海漕河涇的辦公室，和蔚來智能駕駛副總裁任少卿聊了兩個小時。

除了最近熱門的端到端技術以外，任少卿從自動駕駛的本質出發，分享了很多源頭上的思考。以下為虎嗅汽車與任少卿的對話：

端到端可以類比為「一體式壓鑄機」

虎嗅汽車：去年NIO IN發佈會就展示了端到端技術，而今年發佈了NWM世界模型，那這個模型具體是怎麼搭建的？意義何在？

任少卿：我覺得解釋這些問題之前，可能要先說一下，為什麼會有端到端這件事。因為我是做智能駕駛行業的，就發現行業里所有人都在說端到端。但如果你換一個別的行業就會發現，沒有人說這個事。比如說機器人行業，就沒有人講這個事對吧，因為機器人必然是端到端，端到端的本質就是我用一個模型去解決一個問題嘛。

那為什麼自動駕駛有端到端和非端到端的問題呢？因為智能駕駛本身比AI開發得早，很多年前的模型還沒有現在這麼成熟，一個模型解決不了這麼複雜的問題。舉個例子：就和流水線造車一樣，過去造一個車尾部的鑄造件，因為沒有那麼大的一體壓鑄機，那就把它拆成一個個零件。先做一個零件A，然後再做零件B，最後再把A和B拚起來。智能駕駛也一樣，過去如果沒有辦法把這個複雜的問題一次性解決，那我們就把它變成了流水線，變成了一個一個工序。但就像壓鑄機一樣，你就要定義，A和B如何拚接起來？非端到端就是這個原理。

那為什麼現在又要做端到端呢？其實跟壓鑄機也很像，現在有能力做成一體式的了。過去分成兩個件，其實會產生一些問題，比如說中間有接口，其實從鑄造的角度來說，你接口的強度就沒有一體壓鑄的那麼強，還會有額外的損耗。那從模型的角度是什麼呢？你如果有接口，這個接口就要定義得相對更清晰。一體式壓鑄，不是只把零部件壓上就結束了，還要定義接口有幾個焊點。模型大概意思也是這樣，我要定義兩個部分之間有多少個「焊點」，這個過程中實際就會造成信息的損失，壓鑄的話就是造成強度的損失，模型上也會造成信息的損失。

虎嗅汽車：信息損失具體是什麼？又會造成什麼影響？

任少卿：什麼叫信息的損失呢，舉個例子，一個最簡單的開車場景下，智能駕駛的工作邏輯是怎麼樣的呢？前方遇到一輛車。首先要有一個感知的模塊，這個感知的模塊要定義前面這輛車，那怎麼描述它的位置、速度？最簡單的方式大家都能理解，就是畫個框，然後有距離、長寬高、速度。第二步再寫一個規劃的模塊，比如說當前方車輛距離我只有10米時，如果速度比我低，那我就要減速製動了，大概是這個邏輯。

但實際研發時，一定比上述描述要複雜得多，當視線足夠清晰也就是你能看清前方的時候，這件事情可能問題不大。但如果遇上下雨天氣，實際上你也看不清楚前面的車到底距離有多遠，可能是 5 米，也可能是 10 米，此時一定要定義模型給出個結果，那它怎麼給呢？可能給個平均值或者給個中位數，也許是 7 米。如果實際距離是5米，但此時可能就離前車很近，很不安全。而如果實際距離是10米，那就造成跟車距離很長，影響體驗。這裡面，很多都是不確定性的信息。

位置的一階量距離，位置的二階量速度，位置的三階量加速度，這些不確定因素還會疊加起來，高階量因素從簡單統計上來說，沒有辦法描述，所以就產生了信息流失。而非端到端的中間需要有人工的處理。就跟前面舉例的鑄造件一樣，中間兩個件可能要靠個機器人或靠個人把它焊起來，這個過程中就產生了額外的工序和人工消耗。放在製造業來說，倒還好，可能工人培訓一段時間後，比較容易把產能提升上去。但是自動駕駛算法需要的算法工程師，本身很難規模化。

所以會有這麼兩個問題，就是非端到端，第一有信息損失，第二個要加人工處理的邏輯在裡面，整體的開發效率就會降低。如果是AEB的問題，處理一些標準 case 還好。但如果是真實場景，就會有無窮無盡這種 case，人工根本處理不過來。

自動駕駛很多年前沒有能力去做一個模型，所以做了這個流程的拆分，因為做了流程的拆分，所以引入剛才第一個信息損失的問題。第二個難點，就是解決人員去做針對 case 的開發，很難規模化，分工衝突就是問題。而到了最近這幾年，模型的能力也變強了，那大家就想說，當時因為模型能力不夠，所以有了這些歷史的包袱，現在可以扔了。

比如現在很多其他科技領域的項目，上來就是一個端到端，因為能用一個模型去解決一個事情，沒有什麼比這個更 fancy 了。端到端和非端到端，本質的差異和邏輯，就是這樣。

世界模型的本質：在四維時空裡高效安全運動

虎嗅汽車：我們體驗了最新版本的智能駕駛，升級之後跟車距離會調得非常長，會影響用戶實際體驗。蔚來基於一個怎樣的考慮出發來這樣設計，是由研發同事定義，還是產品同事定義的？

任少卿：每個版本都有微小的變化，但每個人的感覺其實差別會很大。比如說我們感覺可能就沒什麼特別大的變化，那有些用戶就比較敏感一些。實際上現在也是數據驅動的去做迭代，數據驅動之後會有一些微改，基本邏輯就是傳達這個數據。但我們也在不停地在加新的數據，每一個版本出來可能都會有些場景進行微調。

過去的智能駕駛，都是固定的邏輯，其實比較容易。前車是什麼速度距離，我就保持多少速度和距離。無論什麼場景，都是很機械的反應。

現在的做法其實是 motion plan，數據驅動，丟進去各種各樣的場景，讓它去學習對於距離還有速度的掌控。我們會從中挑開得比較好的專業數據，把數據放進去讓模型繼續去學。但某種情況下，不同的場景可能體現的結果差距就多了。可能周圍車多一點，就跟得近一點，周圍車少一點，就能跟遠一點。所以這個過程中，數據還會持續往里加，持續調優。

虎嗅汽車：NIO IN展示這個世界模型，可能是基於前三秒去想像未來兩分鐘發生的事情，你怎麼能夠確定他思考出來或想像出來的東西是合理的？

任少卿：關於預測，傳統的方法其實有很多種，第一種就是短時間預測，比如我輸出一個接下來幾秒鍾的可能軌跡。就像我們的模型裡面，最後輸出一個規劃軌跡，其他車也輸出一個預測軌跡。這個模型要解決的，就是在當前時間點，自己的車在接下來 3 秒鍾或者 7 秒鍾怎麼開。其他的車接下來 3 秒鍾或者 7 秒鍾怎麼開。但它是一個獨立時刻，在某種程度上，就只有這個獨立時刻的信息。但現在我們希望能夠推演的更長，而且希望推演的這個過程是有交互的。

比如說其他車，我預測它有可能cut in（切入變道），如果它 cut in 的話我就變道，如果它不 cut in，我就不變道，就會有這樣一些交互的邏輯。實際上，現在有兩種做法去做這些交互和預測。第一種做法是我們去年做的，跟下棋一樣，你可以理解成那個AlphaGo。它的邏輯就是，如果我的白子落這，（對面）黑子落這，那我下一步白子再落哪，它黑子再落哪。我下一步落白子有 200 種可能性，它黑子也有 200 種可能性。如果都看未來三步棋，就有 200* 200* 200種可能，這是第一種方式。

另外一種，就是期望模型自己去學習弈棋能力。剛才說的第一種點，你自己想 200 種可能性，別人再想 200 種可能性，這相乘起來是4萬，但其實這4萬種可能性裡面，有絕大多數是根本不可能存在的。所以4萬種可能性就要把它壓掉，把99%的可能都幹掉。這實際上是一個收縮的過程，有一個樹分枝的過程，然後有一個砍樹枝的過程，接著有個再分枝然後再砍樹枝的過程，這兩件事情讓模型一起做了。那我們說模型做這個想像和砍樹枝的過程，就是要模型得想得對，想得合理，把那些不合理的幹掉。

還有一點我們想分享的就是：我們在城區裡面開車往往都會遇到很有意思的事情，大家都知道有綠波帶這個東西。連續碰到兩個紅燈之後，當你看到前方第三個紅燈的時候，起步就不會開那麼快了。因為開快了，一腳油門上去，然後你還得一腳刹車下來，自己給自己找罪受。目前還沒有任何一個自動駕駛的算法可以做到這種長時間預測（未必是預測紅燈，也可能是前方出現的未知擁堵），這裏需要一個持續幾分鐘的邏輯。那怎麼讓模型干，這就需要擬人性。

虎嗅汽車：世界模型展示的更多是我們觀察它的一個過程，但是怎麼去用人工干預去訓練它？

任少卿：回到世界模型這個訓練過程，先說我們希望他幹嘛？第一個他能想像，第二個他能推演。關於推演，新手一開始學開車的時候，從一個輔路進來，那離前面的路口可能 有100 米，但是要左轉，需要橫跨四個車道。老司機的反應就是直接開過去得了，但新手一定會思考很多：後面的車速快不快，這麼過去行不行？能不能變道？這就是推演的過程。

那模型也需要這麼做，只是現在模型用比較顯性的方式，給大家展現了這個過程。前面說的端到端，非端到端，這都是局限於自動駕駛這一件事情上。但我想說：世界模型不局限於自動駕駛，我們實際上就想讓一個模型，它無論是開車也好，還是一個機器狗在工廠里溜躂也好，還是一個機器人在家裡幹活也好。實際上就是希望有一個模型，具備通用能力，去學會怎麼在真實的四維時空裡面去高效、安全地運動。

自動駕駛的終極追求：實質性減少交通事故

虎嗅汽車：李斌接受採訪的時候，講了Robotaxi 這個商業模式不是那麼 make sense。在他看來，自動駕駛更大的意義應該是兩點：讓駕駛更安全、更加舒適。你怎麼看自動駕駛的終極形態和商業化落地？

任少卿：對，我們很早就認定了自動駕駛真正的兩個價值：第一個是解放精力，第二是減少事故。就像你說的，第一個是讓人開得更輕鬆，第二個是開得更安全。

這兩點，都需要有新的價值來支撐，開得更輕鬆的價值，就是說我城區開得更好，當然這個對於宣傳口來說，其實也比較難傳播。所以解放精力這個事和開得更輕鬆這事，可能就是接下來的L3智能駕駛更能體現出來。

開得更安全這個角度，就是減少事故。之前大家都是各種發小作文發影片，說白了發了那麼多影片，那真實案例到底怎麼樣？demo 肯定都能做，都能找出來好的影片。但我覺得關於安全，我們自己的追求一定是實質性減少交通事故。什麼叫實質性減少事故？比如說，我們幾十萬車主，去年事故率降低了70%，全量的話，今年要降到比如說80%到90%。這個數據是要有 solid 的，能被證明的數據。

虎嗅汽車：你們有對事故的類型做一些分析和分類嗎？

任少卿：從去年就開始，我們已經詳細地去做事故的分析，這不是一件容易的事。首先，第一個事情是：你想知道事故細節其實不容易，我們有氣囊報警提示，但是氣囊報警只佔所有事故的0.3%。第二個是：我們去做 IMU 的檢測，座艙不是有那個自動傳感器，車如果產生撞擊，那我去看看它是不是事故。但傳感器監測，也只能獲取15%的事故數據，還有85%的事故你不知道。IMU檢測傳感器需要有一個閾值，不能說人在車上踩一腳產生震動，我們就拿出來看一看。所以我們把最新的OCC 感知加進去，這個能把事故監測提升到 95% 以上。

首先得先知道事故的發生，第二步要知道事故的類型，我們實際能對所有全量的事故去分析類型。第三步當分析完事故類型後，需要判斷它的損傷有多大，這裏又包括單方事故損失和三方事故損失。

有了這些系列分析後，我們才知道還需要做哪些功能，怎麼能實質性地減少事故？實際上，最新版本的智能安全輔助功能上線後，我們從保險端數據來看，事故已經往下走了。當然目前時間還比較短，我們會累計足夠多的數據後，再跟大家說這個具體數字。這就是我們想做的事，必須看到群體的事故報險數在往下走。關於駕駛安全這個事，我們自己的認知就是：大家要拿出實際數據，你到底減少了多少事故。

智駕領域的玩家會逐漸收斂

虎嗅汽車：蔚來這家公司，芯片、操作系統、自動駕駛等等很多事情都自研。在你看來，自動駕駛時代，OEM 和 Tier 1 （一級供應商）之間的關係會被重構嗎？到底是每家 OEM 全都自研，還是多數去依賴 Tier 1，還是這兩種方式兼而有之？

任少卿：短期內可能會是最後一種，對於自動駕駛的研發，有的 case 需要 1, 000 小時、1萬小時的測試。作為一級供應商，肯定不如車企更容易搞到這麼多輛車，我們可以讓量產車去反饋問題。而智駕的供應商幾乎沒有拿到最新數據，即使最大的幾個公司也一樣，這裏就會有它的瓶頸在。而智駕的研發越往後，越不可逆轉的趨勢就是數據化，數據越多，越能產生新的體驗。

其實對於主動安全的開發也一樣，100萬公里的測試很正常，一公里三五塊錢的成本也很正常，這都算比較低的，在國外更要高很多。所有這些數據，還要上傳到雲端硬盤保存，又是一筆很大的成本。所以很多傳統的主動安全供應商，是沒有更新邏輯的，就是因為策略成本太高。最後就只做標準場景，多餘的場景別做，做了沒法驗證，沒法迭代。其實這個過程中，實質性的事故還是沒有減少。

我還想分享一個點就是：中國車企今後想做全球化，技術含量越來越高，數據要求越多，其實成本也會越來越高，不見得會有這麼多玩家在智能駕駛這個領域了。我認為智駕這個領域肯定是要相對更規模化，然後要收斂，只是說最後收斂到什麼程度。最後比拚的是：大家在新的基於模型、基於數據的這種範式下，誰能跑得更快、做得更好、成本更低，最後逐漸整合。

虎嗅汽車：對於能源戰略，蔚來開放換電聯盟給其他車企。蔚來的智駕方案，以後也會考慮類似的策略開放給其他玩家嗎？

任少卿：我覺得會有這個過程，如果有主機廠對我們的新方案感興趣，我們其實是有多套方案的。4orin芯片，單orin芯片的，純視覺做城區等等方案。單orin純視覺做城區的方案，應該目前市面也沒有，我們會是第一個。那相對來說，性價比就比較高，後面我們還會有神璣NX9031。

我為什麼願意做這個事？回到前面說的，自動駕駛一定會向大數據驅動發展，有更多的車，有更好的數據閉環，那你就有更好的競爭優勢。基於蔚來體系，我們的數據閉環絕對是全球頂級，那就可以去賦能更多車型。