从端到端到世界模型，智能驾驶如何翻越四座大山

从端到端到世界模型，智能驾驶如何翻越四座大山？

真正的L3/L4啥时候能到来？

AI老司机的感觉是怎么培养出来的？

本期《电子替身》邀请到了卓驭科技CEO沈劭劼，阿里云智能集团AI汽车线总经理李强，与大家分享目前智能驾驶的技术演进路线；为什么做端到端；VLA的价值；如何从汽车的角度看世界模型；另外也探讨了真正的L3/L4实现的方法。

【主播】

高飞，至顶科技CEO兼总编辑

【嘉宾】

沈劭劼，卓驭科技CEO

李强，阿里云智能集团AI汽车线总经理

【你将听到】
一、从百万行代码到端到端：一个痛苦但必要的决策
1、技术路线的转折点
-规则时代的天花板：到2023年，基于规则的城区领航系统代码量达到百万行级别（仅决策规划，不含感知），但城市接管率怎么都降不下来，性能停滞不前
-端到端的降维打击：转向端到端后，城区复杂场景的接管率直接降了10倍，这是数量级的差异，不是小幅优化能解决的
-决策的关键时刻：2024年下决心彻底转向端到端，虽然CEO沈劭劼是"写规则出身"的机器人背景，但秉承"打不过就加入"的务实态度

2、“为学日益，为道日损”的技术哲学
-从加法到减法：七年时间不断添加规则，试图用代码覆盖现实世界的所有可能性，这是"为学日益"；但当端到端出现时，真正的突破是减法——让机器自己学会判断，这是"为道日损"
-从Say Yes到Say No：以前工程师要写规则告诉车怎么动（Say Yes），现在模型输出多条轨迹，工程师只需要否决不安全的（Say No），从正向解复杂非线性优化问题变成简单的空间验证
-拟人化驾驶：端到端让车的行为更像人，能与其他交通参与者形成默契，而不是像个生硬的机器

3、端到端带来的质变
-预判而非反应：鬼探头场景下，系统不是反应更快，而是学会了"不肯加速"——车辆表现出了近似人类的预判能力
-绕开而非刹停：测试AEB时，车会主动绕开障碍物而不是急刹，"人类司机开车反而比较容易测AEB"
-涌现能力：系统学会了人类司机的直觉，让驾驶变得拟人，解决了机器与其他交通参与者之间的"默契"问题

二、技术演进路线图：从模仿学习到世界模型
1、三个阶段的清晰定义
（1）模仿学习（当前）：输入数据输出轨迹，像用"小脑"开车，处理大部分驾驶场景但缺乏复杂场景理解
（2）VLA（Vision-Language-Action，2025年下半年）：整合视觉、语言和行动能力，加入语义理解能力，解决主辅路选择、复杂路口选道等需要"大脑"的问题
（3）世界模型（愿景阶段）：真正理解物理世界，能处理从未见过的场景（如钢卷掉落、山体滑坡），基于物理推演而非数据模仿
2、时间线预测
-L3落地：需要后验证明（1万小时碰撞不超过1次），预计26-27年政策出台，高速场景会先行
-VLA技术：2025年下半年技术上基本成熟，但仍是让L2++系统变得更好用的思路
-舱驾一体：2025年10月就会量产，一个芯片同时跑座舱和智驾
-世界模型上车：这是"许愿"状态，怎么做、怎么部署都还不清楚，但趋势确定

三、四座大山：智能驾驶的资源配置学
1、成本与性能的平衡术
-双目方案的系统性价值：卓驭坚持双目立体视觉，不仅是深度感知，更重要的是大幅降低了数据需求和算力需求，训练资源能降低2-3倍，直接影响"一年是需要5亿还是50亿做模型训练"
-算力投入的真相：每年几个亿的算力费用，但真正用于最终模型训练的不超过10%，90%都是试错成本，这是先行者必须承担的探索代价
-算力晴雨表：阿里云的一个数据，2025年3月某一天，在汽车领域，AI算力消耗超过CPU通用算力，到5月底占比已达55-56%，这个趋势不可逆

2、数据的质量vs规模
-数据悖论：几十万辆采集车每天的数据"光存都存不下"，但绝大多数是在空旷高速上的无用数据
-智能挖掘：在车端部署专门的小VLM模型，不负责驾驶但专门判断"什么数据有意思"，驾驶员的接管行为也作为高价值数据的信号
-从人工到智能：最开始靠人工标注（有多少人工就有多少智能），后来用大模型做半自动、全自动标注

3、特斯拉的启示
-10万卡算力中心：特斯拉作为第一个把端到端落地的先行者，承担了更多试错成本，需要更大的冗余来探索不同路径
-中国的现实选择：国内公司通过更精细的软硬件协同设计，在有限预算下达到接近的效果

四、商业模式的灵活性：不是只有"交钥匙"
1、多样化的合作模式
-完整交钥匙：传感器、控制器、软件、数据闭环全包，这是能力的体现但不是唯一选择
-部分集成：提供控制器和前视双目，其他传感器由主机厂或第三方提供
-纯软件合作：只提供软件，跑在主机厂的硬件上
-IP授权和赋能自研：更深度的技术转移，部分代码会随合作深入转移给主机厂

2、成功的关键
-兜底能力：让主机厂用最省心的方式实现智能化，"优质的兜底"是打动9家车企的核心
-保持开放：不要对商业模式有执念，根据客户能力和诉求灵活调整
-共同价值点：抛开各种杂音，核心就是"把车卖好"

五、一体化哲学：工程美学的体现
1、技术架构的演进
-软硬一体：像人需要大脑和身体协调，软件和硬件必须螺旋式共同进步，前后端会互相影响，需要一起权衡优化
-舱驾一体：避免重复部署模型浪费1.7倍算力，通过共享内存让VLM等模型复用，360环视"谁想用谁用"，解决黑屏等工程问题
-不多也不少：好的工程方案应该让人觉得"刚刚好"，资源的优雅整合而非功能的简单堆砌，这是一种技术美学

2、具体案例
-360全景的实现：传统架构需要从驾驶控制器通过以太网传到座舱显示，既耗算力又可能黑屏；一体化设计则是"共享内存，谁想用谁用"
-管理的TDMA：沈劭劼用通信术语形容自己的时间管理——时分复用，在技术修养和团队管理之间通过时间分配实现整体优化

3、核心洞察（Q&A形式）
Q1：为什么2024年是智能驾驶的分水岭？
A：因为基于规则的方案已经触及天花板，百万行代码仍无法降低接管率，而端到端带来了数量级的性能提升。这不是优化问题，而是范式转换。更重要的是，这个转换不可逆——一旦看到10倍性能差异，就不可能再回头。这是从"为学日益"到"为道日损"的哲学转变。

Q2：中国智能驾驶最大的挑战是什么？
A：不是技术，而是"预算"。每家公司都想要特斯拉那样的10万卡算力中心，但现实是要在有限资源下做到最优。这就需要更聪明的方案，比如用双目降低数据和算力需求2-3倍，用车端模型筛选高价值数据，在云端和车端找到最佳平衡点。关键是系统性优化而非局部优化。

Q3：智能驾驶的终局会是怎样？
A：世界模型上车后，理解物理世界的AI将不仅用于汽车，还会延伸到机器人、无人机等所有需要与物理世界交互的场景。但这需要时间——从规则到数据驱动的转换用了40年（虽然端到端会更快），技术范式的每次转换都会比想象中慢，但一旦成功影响会比想象中大。

【在这里找到我们】公众号：科技行者（ID：itechwalker）
收听渠道：喜马拉雅｜苹果播客｜小宇宙｜蜻蜓FM
联系我们：zhou.ya@zhiding.cn