什么是端到端？端到端自动驾驶有哪些瓶颈？
端到端这个概念，最早是AI和编程领域的一个术语，简单来说就是从原始数据直接输出最终结果，省去了中间提取特征的步骤。在自动驾驶里，端到端的意思就是把传感器收集到的所有信息直接输入到一个网络里，然后直接输出车辆的控制指令或运动规划。这样一来，整个系统都是围绕最终目标优化的，而不是只优化某个小任务，从而实现整体性能的最佳化。
举个例子，ChatGPT就是个典型的端到端AI模型，你输入一句话，它就直接给你它认为的最终答案。在智能驾驶领域，端到端的意思就是从环境感知到决策规划再到行车控制，整个流程是一体化的。听起来有点抽象，对吧？其实在端到端出现之前，模块化的设计已经很成熟了。模块化就是把整个系统拆分成一个个小任务，每个任务交给专门的AI模型去处理。
现在很多大公司，比如特斯拉、英伟达，都在跟进端到端技术。不过，目前还做不到所有量产车都切换到端到端，因为还有很多风险没解决。其中一个关键问题就是XAI（可解释人工智能）。XAI关注的是AI做出决策背后的原因，目的是提升人类对AI的控制能力。说白了，XAI就是为了避免AI变成一个“黑箱”——有时候，连设计者都不知道AI为什么会做出某个决定。像ChatGPT这种语言模型，偶尔胡说八道一下问题不大，毕竟它不直接控制车辆，不会在盘山路上突然打方向盘，也不会在空旷的路上突然刹车。但智能驾驶的端到端技术就不一样了，必须谨慎对待。目前还没有哪家企业敢说自己的端到端模型100%安全。
除了XAI，还有一个问题是训练模型的成本。端到端模型没办法进行闭环验证，需要从感知信号到处理再到执行模块的整个链路的学习。换句话说，得真出一次事故，或者至少在模拟环境中出一次大事故，模型才能记住教训，而且有时候还“记吃不记打”。这无疑增加了训练成本和难度，也直接影响了技术的商用化。因为一旦商用，就必须保证最普通的用户、最严苛的场景和最糟糕的天气下都能正常使用。这对实验室里看起来没问题的理论模型提出了极高的要求。