雖然魯迅的家后面有兩棵樹，一棵是棗樹，另一棵也是棗樹，但是，一直以來，自動駕駛領域卻涇渭分明地存在著兩個陣營，一邊是面向量產車的L2級輔助駕駛，一邊是面向無人駕駛出租車的L4級自動駕駛。曾幾何時，L2和L4在追求目標、安全要求和技術路徑上存在著巨大的斷層，它們操著不同的技術語言，遵循著迥異的工程哲學，奔赴著看似永無交集的彼岸。但是，隨著數(shù)據(jù)驅動的端到端神經網(wǎng)絡范式的出現(xiàn)，蹉跎十年之久的L2迎來了每年十倍速的進展，L2輔助駕駛開始向著L3有條件自動駕駛叩關，越來越多L2級陣營的頭部玩家也紛紛宣布或者實質性地進入了Robotaxi玩家的禁臠。L2與L4之間井水不犯河水的固有格局被打破了，行業(yè)內慢慢形成一個清晰的共識：L2和L4之間并不存在不可逾越的鴻溝、無法跨越的天塹。

范式趨于統(tǒng)一

無規(guī)矩不成方圓。在技術路線眼花繚亂、宣傳口徑五花八門的自動駕駛行業(yè)里，盡管有部分遙遙領先的玩家認為基于SAE J3016的L1-L5分級標準落后于時代的發(fā)展，但它代表著統(tǒng)一的技術語言和標尺,標志著次第分明的秩序，設定著明確的預期，管理著錯誤認知的風險。

圖片來源：華為

L2輔助駕駛系統(tǒng)要求人類司機為最終安全負責，在功能上以駕駛輔助與體驗為核心，L4高等級自動駕駛系統(tǒng)本身成為安全責任主體，以在限定區(qū)域內實現(xiàn)絕對安全為根本追求。在規(guī)則驅動與模塊化算法的傳統(tǒng)架構下，這種不同導致了截然相反的技術路徑。

L4系統(tǒng)為達成極高的安全完備性，不得不在感知、預測、規(guī)劃、控制等每個模塊中堆疊海量規(guī)則，使得系統(tǒng)變得極為復雜、笨重且難以泛化。相反，量產L2系統(tǒng)因需兼顧成本、算力與即時可用性，通常采用更輕量、聚焦于特定功能的簡化算法。因此，二者在規(guī)則的規(guī)模與復雜度上存在著本質的差距。

圖片來源：英偉達

總之，由于L2追求有限場景下的體驗與可控成本，L4追求限定區(qū)域內的功能完備與絕對安全，這種目標與實現(xiàn)方式的根本差異，使得它們在規(guī)則驅動的分模塊技術范式下，形成了清晰的技術斷層。

數(shù)據(jù)驅動的端到端范式的出現(xiàn)，徹底改變了這一局面。端到端旨在用單個龐大的深度神經網(wǎng)絡，直接處理攝像頭、激光雷達、毫米波雷達、麥克風等傳感器輸入，輸出轉向、加減速等車輛控制指令。根據(jù)地平線首席科學家蘇箐的說法，端到端是自動駕駛領域近十年來的真范式革命，其作用堪比當年讓小日子吃蘑菇炒雞蛋的原子彈。

在端到端的幫助下，L2級玩家在一兩年內取得了幾十倍的進展。首先，在模仿學習的幫助下，通過觀摩人類專家司機的駕駛視頻，端到端系統(tǒng)學會了人類駕駛員的預判能力，實現(xiàn)了平滑和高效的駕駛風格，做出的決策更合理，乘坐體驗更加舒適和自然。其次，得益于強化學習，端到端展現(xiàn)了強大的泛化能力和攻克長尾場景的巨大潛力，它可以舉一反三地理解場景的本質，不再慌慌張張、連滾帶爬，而是從從容容、游刃有余地應對從未見過的場景。再加上其改進的主要方式是投喂更多更高質量的數(shù)據(jù)，系統(tǒng)可以通過數(shù)據(jù)閉環(huán)自動迭代升級，進化的速度和效率遠非分模塊時代的手工編碼可比。

圖片來源：小鵬汽車

在一系列優(yōu)勢的驅動下，在特斯拉的引領和帶動下，L2玩家和L4玩家紛紛向端到端范式轉型。于是，在同一個范式下，在追求同一個智能內核的終極目標下，兩個陣營在算法層面實現(xiàn)交匯，順利會師了。

這里的智能內核既包括空間智能，也包括語言智能。自動駕駛系統(tǒng)理解三維物理世界、預測其它交通參與者的運動軌跡、進行絲滑擬人的規(guī)劃的能力都來自于空間智能，同時，理解非結構化的模糊人類指令、與其它交通參與者進行意圖溝通、處理基于語言的導航命令也離不開語言智能的加持。當這樣一個既懂物理規(guī)則又懂人類交互的AI大腦被訓練出來，它既可以安全謹慎地執(zhí)行L2輔助駕駛任務，也具備了在ODD內實現(xiàn)L4無人駕駛的潛力。也就是說，在新的端到端范式到來之后，L2和L4的方法論終于統(tǒng)一了，而且，在智能的追求上，L2和L4達成了共識，走上了融合之路。

數(shù)據(jù)是共同且唯一的燃料

忠誠不絕對，就是絕對不忠誠?；蛟S是因為向端到端轉型太難，本土自動駕駛行業(yè)分化出了各種各樣的端到端方案，但是，遵循端到端的本意，真正的端到端方案只有一種，那就是「真一段式端到端」。真一段式端到端的核心特點是拋棄一切規(guī)則，完全數(shù)據(jù)驅動。當拋棄了人為編寫的規(guī)則，海量高質量且具備豐富多樣性的數(shù)據(jù)成了推動自動駕駛端到端神經網(wǎng)絡能力進步的唯一燃料。

圖片來源：長城汽車

從L2到L4，端到端架起了從輔助到無人的橋板，海量的數(shù)據(jù)鋪就了抵達彼岸的漸進之路。當L2和L4技術路線的邊界因為端到端范式變得模糊之后，決定模型能力的數(shù)據(jù)規(guī)模、質量、多樣性成了L2和L4之間的真正分野。

有一個小故事可以佐證數(shù)據(jù)的威力。當年，特斯拉在實驗端到端范式之時，起初訓練了一百萬個Clips（視頻片段），系統(tǒng)勉強工作(barely works)，200萬個Clips時，有所改善（a little better），300萬個Clips時，系統(tǒng)表現(xiàn)開始讓人感到驚喜（feel delightful），到了1000萬個Clips時，在馬斯克的口中，系統(tǒng)表現(xiàn)達到了令人難以置信的水平（unbelievable）。

有一段曲線也可以證實數(shù)據(jù)之于自動駕駛能力的作用力。2024年，理想汽車將技術棧切換到端到端范式上，隨著訓練數(shù)據(jù)規(guī)模的一路攀升，代表其輔助駕駛系統(tǒng)能力的平均接管里程也開始一路攀升。自7月30日MPI為12.21公里的第一版端到端系統(tǒng)起，到了12月16日，理想AD MAX的MPI已經提升到了71.59公里。

圖片來源：理想汽車

在端到端范式下，從L2到L4的演進路徑是這樣的，首先，在面向廣大消費者的量產乘用車上低成本地實現(xiàn)L2輔助駕駛系統(tǒng)的量產落地，依靠百萬級車隊提供無與倫比的數(shù)據(jù)規(guī)模與多樣性，然后，在數(shù)據(jù)閉環(huán)和基礎設施的加持下，利用大量真實路采數(shù)據(jù)煉丹，持續(xù)優(yōu)化端到端模型，隨著L2級輔助駕駛處理復雜場景的能力的逐步增強，用戶得到了更舒適、更可靠的L2++體驗，用戶基數(shù)和行駛里程進一步擴大，產生更多的數(shù)據(jù)，更多的數(shù)據(jù)喂養(yǎng)出更智能的大腦，更智能的大腦兌現(xiàn)更出色的體驗，更出色的體驗吸引越來越多的用戶，共同提高、互相促進的數(shù)據(jù)飛輪就這么形成了。

圖片來源：Momenta

從L2到L4，不過是在數(shù)據(jù)飛輪的驅動下，系統(tǒng)能力持續(xù)增強，以至于需要人類接管的頻率越來越低，最終在特定場景下實現(xiàn)了無人接管而已。而無人接管，就是L4！

寫在最后

自動駕駛算法由規(guī)則驅動的分模塊方案轉向數(shù)據(jù)驅動的端到端神經網(wǎng)絡方案之后，在模仿學習、強化學習的雙雙推動下，端到端自動駕駛一舉突破了人為設定規(guī)則的天花板，打破了曾經橫亙在L2和L4之間的界限。曾經的L2玩家們依靠前裝量產方案，牢牢占據(jù)了推動模型能力進步的數(shù)據(jù)這項關鍵資產，在“量產方案產生海量數(shù)據(jù)->海量數(shù)據(jù)反哺模型進步->體驗提升帶動智駕普及->更多里程產生更多數(shù)據(jù)”的飛輪閉環(huán)中，智駕系統(tǒng)正在完成從輔助駕駛到自動駕駛的平滑演進。這么說下來，那些Robotaxi賽道的老玩家們，著實有些危險了！