作者 |德新

編輯 |王博

經(jīng)過100萬到200萬級(jí)別短視頻Clips的訓(xùn)練，理想智駕搭載端到端+VLM視覺語言模型技術(shù)的第一個(gè)版本（OTA 6.1.0 E2E-VLM Beta 1），已經(jīng)向千人級(jí)別的內(nèi)測(cè)用戶開放。

這可能是目前在國(guó)內(nèi)，作為一個(gè)普通車主有機(jī)會(huì)用上的絕少數(shù)搭載了端到端技術(shù)的智駕軟件版本。

從2023年下半年到眼下，在短短一年之內(nèi)，端到端和大模型，迅速成為智駕行業(yè)對(duì)技術(shù)發(fā)展的共識(shí)。

關(guān)于理想的端到端智駕系統(tǒng)，理想團(tuán)隊(duì)曾在7月初的一場(chǎng)線上發(fā)布會(huì)上分享過「端到端 + VLM」雙系統(tǒng)的設(shè)計(jì)思路。

一個(gè)月后，伴隨新軟件版本向千人團(tuán)開放，理想智駕副總裁郎咸朋、理想智駕技術(shù)研發(fā)負(fù)責(zé)人賈鵬在北京接受了多家媒體的采訪。

站在百萬級(jí)Clips訓(xùn)練數(shù)據(jù)的節(jié)點(diǎn)上，郎咸朋說，「我們還在摸索數(shù)據(jù)提升和性能提升的邊界，現(xiàn)在還（遠(yuǎn)遠(yuǎn)）沒有看到上限�！�

目前理想積累了超過12億公里可用的駕駛場(chǎng)景數(shù)據(jù)，通過對(duì)已有的80萬車主駕駛行為的評(píng)分，其中約3%駕駛行為分在90分以上的車主，可以稱為「老司機(jī)」。

車隊(duì)老司機(jī)的駕駛數(shù)據(jù)，成為端到端模型訓(xùn)練源源不斷的燃料。

一、與特斯拉不同，雙系統(tǒng)設(shè)計(jì)

純粹的端到端的智駕系統(tǒng)，存在一個(gè)天然的缺陷：其訓(xùn)練的數(shù)據(jù)是基于已知的駕駛場(chǎng)景，如果是沒有見過的場(chǎng)景，系統(tǒng)就沒法很好地工作。

理想在內(nèi)部一直有PD與RD兩支團(tuán)隊(duì)，前者負(fù)責(zé)產(chǎn)品交付，后者主導(dǎo)技術(shù)預(yù)研。

大約不到一年之前，在RD主導(dǎo)的技術(shù)分享會(huì)上，內(nèi)部最早提到了慢思考與快思考兩套系統(tǒng)的設(shè)計(jì)理念。

去年10月的戰(zhàn)略會(huì)，理想內(nèi)部明確了智能駕駛是公司接下來重要的發(fā)展方向。而向AI和端到端技術(shù)的切換，也在今年上半年正式提上智駕團(tuán)隊(duì)的日程。雙系統(tǒng)的設(shè)計(jì)，很自然地成為理想端到端智駕研發(fā)的基礎(chǔ)思考。

今年，理想團(tuán)隊(duì)對(duì)特斯拉FSD的體驗(yàn)，也讓團(tuán)隊(duì)更加堅(jiān)信了雙系統(tǒng)的設(shè)計(jì)。

賈鵬說，「我們開V12.3發(fā)現(xiàn)，它東西海岸的表現(xiàn)差異非常大。西海岸特別好，舊金山附近非常順，基本沒有太多接管；但是到了東海岸，到波士頓、紐約，它表現(xiàn)急劇下降；到紐約后，紐約非常復(fù)雜，接管率會(huì)高非常多�！�

紐約跟國(guó)內(nèi)的上海、廣州相比還算相對(duì)簡(jiǎn)單。那么在中國(guó)做自動(dòng)駕駛，在車端芯片算力有限的情況下，僅僅靠一個(gè)端到端的模型，真的可以嗎？

理想智駕的雙系統(tǒng)設(shè)計(jì)，是在端到端模型的基礎(chǔ)上，再加一個(gè)有泛化能力、邏輯思考能力的系統(tǒng)，也就是VLM（視覺語言大模型）。VLM不直接輸出控制信號(hào)，但會(huì)給端到端的模型提供決策依據(jù)。

賈鵬介紹車端的端到端與VLM模型之間的關(guān)系：

「兩個(gè)系統(tǒng)都是實(shí)時(shí)運(yùn)行。端到端因?yàn)槟Ｐ托∫恍�，它幀率比較高，比如跑十幾赫茲；VLM參數(shù)量就大得多，是22億參數(shù)，目前能跑到3 - 4赫茲之間。」

尤其在一些大的復(fù)雜場(chǎng)景，比如高速收費(fèi)站選通道走ETC還是人工、施工路段、學(xué)校路段、連續(xù)坑洼路段，VLM會(huì)給到端到端模型一些信息輸入。

HiEV在實(shí)車體驗(yàn)理想的端到端+VLM內(nèi)測(cè)版本時(shí)，也發(fā)現(xiàn)系統(tǒng)會(huì)針對(duì)施工、學(xué)校等特殊路段給出提醒。理想的工作人員介紹：目前這部分信息直接來自于VLM，而不是來自導(dǎo)航信息。

賈鵬認(rèn)為，接下來車端的模型會(huì)有兩個(gè)趨勢(shì)：

第一，模型規(guī)模變大。系統(tǒng)一和系統(tǒng)二兩個(gè)模型有可能合一，從松耦合走向緊耦合；

第二，借鑒多模態(tài)大模型的趨勢(shì)，向原生多模態(tài)發(fā)展，既能做語言也能做語音，也能做視覺，也能做激光雷達(dá)。這樣一套范式能夠支撐機(jī)器人、具身智能的應(yīng)用，走向通用人工智能。

二、理想的世界模型

端到端和VLM都是車端的模型，稱為系統(tǒng)1和系統(tǒng)2。

而理想的云端模型，內(nèi)部稱之為系統(tǒng)3，也就是大家熟知的「世界模型」。

端到端時(shí)代，迭代后的新模型版本是完全的黑盒，沒有中間結(jié)果。這也意味著，對(duì)新版本的評(píng)價(jià)和驗(yàn)證工作，假設(shè)在原來多模塊架構(gòu)的情況下下，只需要評(píng)估其中改動(dòng)更新的1%，那現(xiàn)在變成了需要100%地進(jìn)行驗(yàn)證。

「肯定不可能每發(fā)一個(gè)版本，就搞很多車全國(guó)各地跑跑，跑也跑不過來，而且能力也不是這么測(cè)試的�！估上膛笳f。

理想的世界模型設(shè)計(jì)，類比人類的駕照考試、教師資格證考試或者律師考試，核心是建立對(duì)專業(yè)能力的評(píng)價(jià)體系。世界模型被用于能力重建，或者說生成考題。

「我們有自己的真題庫(kù)，是人在路上駕駛的正確行為。還有錯(cuò)題庫(kù)，是正常的測(cè)試和開車過程中，用戶接管、退出的數(shù)據(jù)。

還有一些模擬題，根據(jù)所有的數(shù)據(jù)舉一反三，比如這個(gè)地方出匝道老有問題，那針對(duì)匝道的場(chǎng)景再生成一些內(nèi)容�！�

有了這些題目之后，團(tuán)隊(duì)了解模型迭代前的上一個(gè)版本的能力，在哪些題上會(huì)出錯(cuò)；而訓(xùn)練完的新模型，要檢驗(yàn)之前的題還會(huì)不會(huì)錯(cuò)，同時(shí)保證之前對(duì)的題依然正確。

再根據(jù)新版模型的打分，決定是否可以迭代到車端，投入到更大范圍的千人早鳥測(cè)試，再進(jìn)一步下發(fā)給更多用戶。

這樣的考核，蘊(yùn)含了大量的里程數(shù)，首先考題本身具有一定規(guī)模，其次這些題目「基本上是上萬公里，但不是真正只跑幾萬公里就能得出來的，是綜合的結(jié)果」。

就像高考一樣，高考題的設(shè)計(jì)，并不是把高中的每一本書都考一遍，但需要實(shí)現(xiàn)能力評(píng)估的作用。

而「世界模型」作為考題，它的設(shè)計(jì)也是一項(xiàng)復(fù)雜的工作。

理想目前的「出題團(tuán)隊(duì)」是一支混合團(tuán)隊(duì)，包含了產(chǎn)品團(tuán)隊(duì)、主觀評(píng)價(jià)團(tuán)隊(duì)，也包括一部分當(dāng)前在無圖版本中負(fù)責(zé)功能開發(fā)的工程師。

理想認(rèn)為智駕在未來很長(zhǎng)一段時(shí)間內(nèi)，大部分的工作會(huì)集中在一頭和一尾。

「中間模型本身的設(shè)計(jì)，可能沒有那么多人�！官Z鵬說，「一頭是數(shù)據(jù)，一頭是考試。大部分人都在做這兩件事�！�

三、端到端時(shí)代的智駕開發(fā)模式

12億公里的行駛數(shù)據(jù)庫(kù)，再加上80萬車主中3%的老司機(jī)，成為一個(gè)龐大的數(shù)據(jù)資源池子。

理想當(dāng)前的OTA 6.1.0版，使用了100多萬條Clips來訓(xùn)練。

什么概念呢？200萬條短視頻基本上對(duì)應(yīng)40億幀，如果采用人工標(biāo)注3D框的方式，單人每天大概可以標(biāo)注3幀。所以無論從時(shí)間還是金錢的角度，端到端的訓(xùn)練數(shù)據(jù)必須是自動(dòng)標(biāo)注了。

在百萬條Clips中，理想主要使用了兩類數(shù)據(jù)：一類是30秒，一類是1分鐘的數(shù)據(jù)。

人類的大部分駕駛決策集中在5秒以內(nèi)，30秒就意味著覆蓋幾個(gè)小的場(chǎng)景；但一些長(zhǎng)決策，比如當(dāng)前本車在最左車道，之后要從最右車道下匝道，這樣的行為有時(shí)需要一分鐘或者更久。長(zhǎng)決策則需要將有持續(xù)關(guān)系的數(shù)據(jù)拼接在一起，讓模型能夠理解場(chǎng)景的前后關(guān)系。

數(shù)據(jù)規(guī)模和數(shù)據(jù)配比，是影響模型表現(xiàn)的其中兩個(gè)關(guān)鍵因素。

理想之前的端到端模型，在80萬Clips訓(xùn)練數(shù)據(jù)規(guī)模時(shí)，還實(shí)現(xiàn)不了過環(huán)島；但到了100萬Clips規(guī)模時(shí)，突然驚喜地發(fā)現(xiàn)模型能夠自主通過環(huán)島了。

另一個(gè)案例則是，剛開始做端到端模型訓(xùn)練時(shí)，團(tuán)隊(duì)發(fā)現(xiàn)訓(xùn)練出來的模型，一般情況下開得可以，但在等紅燈的時(shí)候，車輛行為有一些奇怪，總是非常急躁想要變道或者加塞。

后來團(tuán)隊(duì)才意識(shí)到，原來訓(xùn)練時(shí)，因?yàn)榈燃t燈時(shí)周圍場(chǎng)景沒有變化，所以當(dāng)時(shí)刪掉了很多等紅燈前十幾秒或者一分鐘的數(shù)據(jù)。

「我們發(fā)現(xiàn)訓(xùn)練端到端模型，跟古代煉丹沒什么區(qū)別�！估上膛箢惐攘斯糯鸁捴苹鹚�，「一硝二磺三木炭，做出來的炸藥威力比較大；其他配比，可能也能點(diǎn)個(gè)火�！�

因此，數(shù)據(jù)的配比十分關(guān)鍵。

修復(fù)紅綠燈的案例，在于恢復(fù)車輛等待紅燈變綠之前的信息，而要定位這樣的問題，跟過去智駕的開發(fā)方式也有很大差別。

理想為此設(shè)計(jì)了一套專門的工具鏈：當(dāng)一個(gè)問題案例（bad case）出現(xiàn)時(shí)，內(nèi)部有一套分診臺(tái)Triage的機(jī)制，來自動(dòng)地分析是屬于哪一類問題的場(chǎng)景，這個(gè)分診機(jī)制也是通過模型訓(xùn)練實(shí)現(xiàn)的，這樣定位出需要補(bǔ)充或者替代什么樣的數(shù)據(jù)，再進(jìn)行下一步的訓(xùn)練，這個(gè)過程可能涉及同時(shí)訓(xùn)練多個(gè)版本的模型，「現(xiàn)在最多同時(shí)訓(xùn)十來個(gè)模型，再通過評(píng)分系統(tǒng)來打分�！�

而如何通過數(shù)據(jù)鏈和基礎(chǔ)設(shè)施，把所需要的數(shù)據(jù)高效地挖出來，則是一項(xiàng)需要多年積累的能力。

「某種意義上甚至大于模型的能力，因?yàn)闆]有這些良好的基建和數(shù)據(jù)，再好的模型也訓(xùn)練不出來�！估上膛笳J(rèn)為。

四、10億級(jí)美元投入，華蔚小理決戰(zhàn)端到端

從7月底到本周，在幾乎不到10天的時(shí)間內(nèi)，蔚來、小鵬、理想、華為先后召開發(fā)布會(huì)，公布了各自在端到端智駕上的進(jìn)展。

端到端上車的效果也是十分明顯的。HiEV在體驗(yàn)理想端到端+VLM內(nèi)測(cè)版本時(shí)，明顯感受到它在一些相對(duì)復(fù)雜場(chǎng)景的處理上更加細(xì)膩、擬人。

端到端將支撐智駕功能，從之前的「點(diǎn)到點(diǎn)」晉級(jí)到「車位到車位」，也意味著斷點(diǎn)更少、連續(xù)性更強(qiáng)，并且可以隨時(shí)啟動(dòng)（不要求車輛在車道線內(nèi)居中后開啟）。

端到端還帶來了整個(gè)鏈路執(zhí)行速度的提升。

賈鵬告訴我們，過去分模塊的系統(tǒng)從傳感器信息進(jìn)入到控制信號(hào)輸出大概需要300 - 400毫秒，改為端到端后這個(gè)時(shí)間變成了100多毫秒。人很難感知到這樣短的時(shí)間變化，但對(duì)于系統(tǒng)來說，這意味著更早發(fā)現(xiàn)、更加安全的能力，以及提前規(guī)劃、更加絲滑的控制。

并且，當(dāng)前端到端模型上車，仍然在非常早期的階段，我們還難以想象千萬級(jí)Clips訓(xùn)練獲得的模型將實(shí)現(xiàn)什么樣讓人驚喜的效果。

端到端系統(tǒng)的上限在哪里？

「VLM現(xiàn)在應(yīng)該是站在了一個(gè)無人區(qū)的邊界。我們?cè)谧龅倪^程中，發(fā)現(xiàn)數(shù)據(jù)規(guī)模帶來的性能提升，現(xiàn)在還沒有看到上限�！估上膛笳f。

目前就車端而言，上限在于芯片的算力以及內(nèi)存帶寬。

理想目前車端的端到端模型大概在3億左右的參數(shù)量，3億參數(shù)模型其能消化的訓(xùn)練數(shù)據(jù)，存在上限。VLM則要比端到端模型參數(shù)規(guī)模高一個(gè)級(jí)別，而跑在云端的世界模型，參數(shù)規(guī)模要大得多，可以說是幾乎沒有上限。

理想預(yù)估，明年在云端的訓(xùn)練算力上將會(huì)有一個(gè)指數(shù)級(jí)的上升，因?yàn)閷?duì)于世界模型，理想情況下是要重建物理世界所有的信息，其需要的數(shù)據(jù)和算力消耗是難以預(yù)估的。

「如果做到 L3和L4級(jí)的自動(dòng)駕駛，一年光訓(xùn)練算力花銷就得到10億美金。將來拼的就是算力和數(shù)據(jù)，背后拼的是錢。歸根到底，拼的還是盈利能力�！�

       原文標(biāo)題 : 端到端時(shí)代，理想智駕如何換道超車？