文 | 星船知造 趙盼盼 嚴方
2024年，汽車智能進化之路變得更為復雜和殘酷。你爭我趕的新品戰中，粹煉出極速迭代的能力。你死我活的價格戰中，激發出技術致勝的覺悟——也終于明確解題思路：
整個產業將在更“輕”的同時更“重”。
更“重量級”的云——通過建設云端強大的數據閉環和算力能力，車端因進化迭代所面臨的技術與算力瓶頸被打破，“云”成為智能汽車進化路上強大的底層基建。
更“輕盈”的車——借助云端支持實現技術與成本減負，智駕等技術得以被普及到更低價格段的車型上。正攀登L4這座智駕珠峰的玩家，能夠不斷通過“技術進步+成本降低→產品落地”，來獲得更大的市場。
我們判斷，未來只有車、云攜手進化，更能形成“以質換量”與“以量換質”的正向循環。
也正因為如此，“車云一體”成為了智能駕駛必然的走向。
騰訊智慧出行副總裁鐘學丹的觀點，代表了業內的一個普遍共識：“隨著數據規模、算力需求的指數級增長，構建車云一體的數據閉環，對海量數據進行更高效的收集、存儲、處理和分析，將成為智能汽車的核心增長飛輪。”
一切的變化，要先從端到端的爆發說起。
端到端、大模型能力成為劃分第一梯隊的分水嶺
如果給智能汽車找一個2024年度關鍵詞，“端到端”當之無愧。
倒不是因為特斯拉分別在年初和年尾發布了現階段對于端到端技術而言里程碑式的FSD V12和FSD V13，而是因為，后文中我們將聊到的幾乎所有與今年智能汽車相關的熱詞——“純視覺方案”“云端算力”“無圖化”“車位到車位”等，都與端到端技術密切關聯。
眾多車企今年重倉押注的端到端技術及基于端到端的AI大模型，將成為劃分智駕第一梯隊的分水嶺——
誰掌握了更先進的端到端技術，誰就掌握了L2增長密碼與L3乃至L4優先通行證。不但可以吃下更多市場空間，更可以優先把更高級別的智駕從測試場帶到真實路面。
什么是端到端？
“端到端”的兩個“端”，指的是感知端和決策端。
過去：研發者需要分別設計感知、預測、規劃、控制四個部分的小模型。再根據具體功能效果，人力寫成應對各種情況的代碼。也就是說，從汽車感知路況，到做出反應，中間要經歷若干個模塊化設計好的步驟。
這種模式的主要缺點是，信息在傳遞和處理的過程中可能出現誤差、遺漏和延誤。有點像綜藝節目里常見的傳話游戲，中間傳話人越多，原話被歪曲的程度就越大。
端到端：從感知端直接進入輸出端，省略中間過程，實現無損信息傳遞。就像人類神經網絡的工作模式一樣，觀察到周圍路況環境，直接做出反應。
前者讓汽車像一個執行復雜指令的機器人。而端到端技術爆發靠的是人工智能技術的進化——有望隨著訓練量的增加，使智駕系統成長為一名經驗豐富的“老司機”。
2024年，玩家加速卷向端到端。
3月，特斯拉開始在一定范圍內推送FSD V12，宣告端到端技術正式落地。
5月，特斯拉基于“端到端”的FSD V12在數月的訓練時間內，超過了數年積累的V11。12月，FSD V13.2版本亮相，其最大的亮點是“從停車位到停車位”（Park 2 Park）的端到端駕駛模式。
這一過程要求車輛能在城市復雜多變的路況下應對自如。是對車企自動駕駛系統的環境感知、決策規劃、執行控制能力最好的“活廣告”——眾多車企卷入車位到車位的競賽中，作為展示其端到端的規格標準。
2024年國內官宣端到端落地部分智駕玩家：
華為：華為在9月宣布推出ADS 3.0，端到端架構商用落地，實現了從車位到車位的高階智能駕駛能力。
小鵬：特斯拉FSD V12版本推送后，小鵬汽車創始人何小鵬在美國體驗，并稱其“表現極好”。作為端到端技術的擁護者，小鵬在5月20日正式發布了“國內首個量產上車”的端到端大模型——神經網絡XNet+規控大模型XPlanner+大語言模型XBrain。
理想：2024年7月，理想在推送“全國都能開”的無圖NOA的同時，發布了基于端到端模型、VLM視覺語言模型和世界模型的全新自動駕駛技術架構。11月底，OTA 6.5版本車機系統推送，其中涵蓋了“車位到車位”功能。
Momenta、商湯：10月智己汽車聯手Momenta推出采用“一段式端到端”架構的智駕方案——IM AD 3.0。商湯絕影于11月底發布采用一段式端到端技術的AD Ultra，預計明年年底實現端到端智駕方案量產落地。
小米：2024年11月16日，小米汽車宣布其智能駕駛系統HAD（Xiaomi Hyper Autonomous Driving）將搭載在小米SU7 Pro、SU7 Max和SU7 Ultra車型上。升級最大的亮點是接入了端到端大模型技術。
2024年，伴隨著端到端技術C位出道，車企從智駕硬件、地圖方案，到算力部署，全都被攪動起來。
硬件上，隨著更大規模的“端到端”落地，“去激光雷達”趨勢更加明顯：
與端到端技術深度綁定在一起的，是“純視覺方案”。
●純視覺方案：指汽車主要依賴攝像頭獲取和處理周圍環境信息。非常依賴算法能力的支撐。
●與之相對的，是使用激光雷達、毫米波雷達等硬件來裝備汽車感知端。
眾多車企在今年發布“去激光雷達”方案：華為在今年發布的問界M7 PRO基礎版的智駕方案中去掉了激光雷達；小鵬推出了全新一代AI鷹眼視覺方案，首發搭載在小鵬P7+上；前不久暴雷的極越，在8月份發布了“純視覺+端到端大模型”的智駕方案ASD。
車企這么做的原因有二：
一是技術層面，相關算法和大模型日漸成熟，尤其是端到端技術的突破，使得車載攝像頭敢于騎在激光雷達頭上“仗勢欺人”。
二是市場層面，攝像頭比激光雷達更便宜，拿出純視覺方案，就是拿出成本優勢。
●普通環視車載攝像頭模組通常單價在150-200元之間，行車ADAS（Advanced Driver Assistance System 高級駕駛輔助系統）車載攝像頭模組則在300-500元之間。
●相比之下，單顆激光雷達價格即達數千乃至數萬元。因此在過去多年里，激光雷達都只配備在中高端車型上。
“去激光雷達”的“純視覺”及“視覺+毫米波”方案，成為了智能駕駛“殺”向下沉市場關鍵利器。
這也是為什么李斌一邊強調“說激光雷達沒用的，非蠢即壞”，一邊蔚來旗下品牌推出了搭載純視覺方案的樂道L60車型。定價二十余萬的樂道L60，正是蔚來系中最便宜的車型之一。
地圖方案上，隨著更大規模的“端到端”落地，2024年加速了“去高精地圖”趨勢：
高精地圖即絕對位置精度接近1m，相對位置精度在厘米級別的地圖。在車內預置一套高精地圖，相當于不僅有了路線地圖，也將車道線、人行道、車站、紅綠燈、綠化帶等種種路況信息一并收入囊中。同時具備全天候、不間斷的特點。
2024年“去高精地圖”趨勢背后有兩個原因。
一是高精地圖眼下存在幾座難以翻越的幾座大山：采集成本高、審核時間長、更新時效慢等。
成本：一輛測繪車的成本高達數百萬元至千萬元級別。分米級地圖的測繪效率約為每天每車500公里道路，成本達每公里10元左右，而厘米級地圖的測繪效率約為每天每車100公里道路，成本達每公里千元左右。
更新效率：不少圖商只能做到3個月更新一次高精地圖。用華為余承東的說法就是：高精地圖的數據采集更新速度趕不上中國的城市建設速度。
對于很多車企玩家而言，不是高精地圖不香了，而是在激烈的市場競爭中，等不了了。
二就是我們上文說的，“純視覺+端到端大模型”的技術路徑已經逐漸成熟：汽車無需高精地圖，靠車端視覺感知系統和大模型提供的決策能力就能搞定自動駕駛。
換言之，智駕成功的關鍵要素，已經從從車端裝載的高精地圖，轉向了云端訓練的大模型。讓擺脫高精地圖成為可能。
騰訊“多圖合一”生產模式
目前不少玩家采取的方案，是在大多數簡單的路段采用導航地圖，部分復雜路段則掛接輕高精地圖來保障體驗。較為激進的無圖化方案中，則連輕地圖也一并不用，僅使用導航地圖。
●所謂“輕高精地圖”或“輕地圖”，是一種折衷方案。
其精度和信息量介于導航地圖與高精地圖之間，是綜合平衡整體感知定位效果與地圖成本之后的結果。
2024年，華為、小鵬、比亞迪、理想、小米都先后推出了各自的無圖化方案。
針對于此，作為圖商的騰訊提供了更靈活的解決方案——“多圖合一”的模式。
騰訊做到也業內首個一體化生產體系，把標準地圖(SD Map)、輔助駕駛地圖(ADAS Map)、高精地圖(HD Map)等不同精度等級的地圖數據融合在一起，按需靈活使用，讓不同地圖的功能實現優勢互補。
與傳統的不同地圖先獨立制作再互相關聯的做法不同，騰訊的“一張圖”生產模式做到了數據同源、解決了重復投入、數據不匹配、更新頻率難統一等問題。
2024年另一地圖趨勢是“加速入云”。
例如，騰訊的智駕云圖，是將車端實時感知數據、駕駛行為經驗信息和車企自有數據資產等上傳云端，實現云端多程建圖。
云端建圖的另一個好處，是幫助車企將自有數據與云圖提供的數據信息融合使用，更好地發揮數據價值。騰訊將智駕地圖分成多個圖層，包含基礎地圖圖層、運營圖層等，車企可以根據自身需求靈活配置并管理圖層，并通過和車企自身數據圖層結合，搭建適合自身的數據驅動運營平臺。
通過高鮮度的地圖數據，及時有效的環境信息和動態交通信息，車企也可以在云端訓練出“駕駛經驗”更加豐富的大模型，加速智能化進程。
很明顯，隨著端到端的加速落地，車端正在“變輕”——去高精地圖也好，去激光雷達也好——車端成本的降低，得以讓智駕等技術被普及到更低價格段的車型上。
但新的挑戰也隨之出現：
上文所述，誰先掌握更先進的端到端技術，先一步訓練出一個能像人一樣決策的AI大模型，誰就在智駕路上獨占鰲頭。但一是端到端技術及各種大模型都十分依賴算力和數據。車端無法承載超高算力和海量數據。二是專注模型和算法的迭代極度燒錢。
除了“硬件減負”，車端還必須在算力、模型上變得更輕盈——才能在持久戰上形成市場和技術的正循環。
更輕的車，需要更“重倉”的云
AI大模型的成長，必須擁有承載海量數據的能力，即龐大的算力和數據閉環能力。
2024年，智駕領域數據采集和處理走向2.0時代：從采集車采集到量產車采集；從標簽搜索到大模型挖掘；從人工標注到自動化標注；從路側測試到仿真測試，再到大規模并行仿真測試。
數據與算力能力帶來的“馬太效應”也在加劇，車企迎來“以質換量”與“以量換質”相輔相成、不斷循環的時代。
理想總工程師馬東輝這樣形容未來智駕競爭模式：從端到端開始，才是真正使用人工智能的方式做智駕。而人工智能需要大量的數據和算力，會讓具備高階智駕車輛保有量以及充足研發投入的企業，在智能駕駛方面的優勢增加，并且實實在在地促進銷量提升，而銷量提升又會帶來保有量和研發投入的提升，形成滾雪球過程。
何小鵬的觀點如出一轍：車企要贏得進入未來競爭的入場券，至少每年要銷售100萬輛AI 汽車，數據積累量的差異會讓產品與產品、企業與企業之間的差距越來越大。
所有人都意識到，圍繞算法、算力、數據的底層能力，是未來拉開差距的關鍵。
智駕“卷”向云端，從“再現”到“訓練”
但車端的“三個難題”正影響競速的步伐。
一是在大模型的訓練上，車端算力相對“捉襟見肘”。某車企提到，其云端大模型的參數量將多達車端參數量80倍。
同時目前市面上的汽車芯片，有不少性能虛高，算力不足，而真實算力強的，往往功耗居高不下，散熱困難。
二是成本問題。汽車芯片太過“燒錢”。如英偉達Orin-X的單芯片價格達400美元左右，約合人民幣2800元，雙芯片方案約合人民幣5600元，四芯片方案則達到了1.12萬元。
三是不少車企和自動駕駛 Tier1遇到的數據難題——
●數據采集方面，車輛分布廣、數據收集難：
如前所述，數據采集來源已經逐步從傳統的采集車過渡到上千萬量級的量產車，龐大的采集量對網絡的接入質量、穩定性能、分布式云的能力提出了考驗。
●數據存儲方面，數據容量大：僅一輛汽車單日產生的數據量，就是TB級的。
●數據處理方面，處理難度大，模型復雜度高：由于數據量和系統極為龐大，每次改動涉及到的的模塊可能都是上百乃至上千。如何評測每個模塊的代碼質量，如何檢驗各模塊之間是否有沖突，都極為復雜。需要有對應的工具能快速串聯數據接入-標注-訓練-評測等環節。
●數據采集和使用的過程中，政策法規多、合規約束嚴：我國汽車行業的安全合規要求正不斷完善，已經陸續頒布了數十項規定。不是誰都有資格進行數據采集。
這也意味著，智駕汽車進行數據采集，需要擁有相應的測繪資質，或借助有資質的供應商來實現合規。
一切都指向了云端算力和“車云一體”的數據閉環能力——車企把算力布局的更多注意力和重心放到云端。把云端構造的智能化成果輸送回車端，靠的就是“車云一體”方案。
數據閉環五大支柱
先看云端算力增長能帶來多大的技術迭代效率提升——
大洋彼岸，特斯拉早已重倉云端，并在2024年算力飆升。
2020年，特斯拉每輛賣出的車上都搭載Autopilot輔助駕駛功能，并在同年積累了30億英里Autopilot行駛里程。特斯拉依靠云端超算中心處理這些數據。
2022年，特斯拉將其最大超算中心規模擴充到了7360張 A100 GPU。車端大量數據+云計算能力，讓特斯拉在一眾智駕玩家中率先形成“車云互通”的數據閉環。這是其得以在2024年最先卷出FSD智能駕駛算法的前提。
2024年，特斯拉算力規模迎來近乎90度的陡然飆升。
圖源：特斯拉
國內以華為為例。目前華為智能駕駛云端算力達 5E FLOPS，支撐“華為ADS”每日3500萬公里仿真訓練里程。
再看“車云一體”的數據閉環能力。即：從車端的數據采集，到通過網絡傳輸上云，再到云端進行數據和算法的處理，進而迭代新的能力再下發到車端，實現功能升級。
“車云一體”的數據閉環所帶來的，就是整個數據鏈路的運行效率提升：降低開發運維難度和成本、加速應用創新和發布速度、降低實施落地的風險。
再強大的算力和數據量，如果缺少這種能力，就像廚房里準備好了豐富食材，卻沒有好用的廚具和技術高超的廚師，食材無法有效利用。
車端部署小模型，云端訓練大模型這種車云一體循環，是一種必然的趨勢。
如騰訊智慧出行副總裁鐘學丹所說，車云一體化的連接，是讓車端變得更輕、更可靠，通過云端來獲得無限的擴展空間和快速的迭代能力，讓用戶體驗持續煥新。
“造車”的成敗關鍵，再次回到“基建”上。只不過智駕的新基建，不在地面，而在云端。
誰更專注新基建？
捋清“車輕云重”的趨勢后，一個更大視角下的事實也呼之欲出：
中國汽車在電動化轉型的浪潮中已經拔得頭籌
●至2023年，我國新能源汽車產銷連續8年全球第一。
●2024年11月14日，我國新能源汽車年產量首次突破1000萬輛。是全球首個新能源汽車年度達產1000萬輛的國家。
它離不開我國強大的供應鏈網絡優勢。
中國新能源汽車擁有全球最完善的供應鏈體系，比如全球 75% 以上的鋰電池在中國生產；配套設施方面，今年7月底，全國充電樁數量突破千萬，其中公共充電樁320.9萬臺，而歐洲公共及半公共充電樁到7月份僅90萬根，美國公共充電樁僅20萬根。
從材料研發、工程設計到制造管理、總裝集成，中國新能源汽車已形成一批契合“國內大循環為主體、國內國際雙循環相互促進”要求的汽車產業集群布局。
而到了汽車產業從電動化往智能化疾跑的當下，中國互聯網企業帶來的“數智化基建”正形成我們的新助力。
過去多年里，騰訊、阿里、百度等企業均構建出成熟完整的業務體系。當互聯網大廠齊齊進入智能汽車產業鏈時，卻選擇了兩條不同的路徑：
一條是既造車，又提供技術服務。另一條是專注做好汽車智能化的基礎設施工作。
前者的代表是百度和阿里——百度、阿里各自通過合資的方式下場造車。這條路徑也意味著，在智能汽車產業中，互聯網與車企既是提供技術的甲乙方、又是競爭對手。在合資造車的同時也需要平衡與其他合作企業間的關系。
后者的代表是騰訊——主要以“數智化助手”身份進入智能汽車產業鏈，不造車，而是提供云、地圖、AI等技術，以及社交、娛樂、出行、協同辦公等生態服務。
而當“端到端”、“車云一體”成為行業大趨勢后，人們更多把目光聚焦于——中國互聯網企業將如何以云、圖等技術為基礎，為產業伙伴帶來基于云端的更低研發成本和更多產業創新。
華為將其云服務貫穿于企業造車（數字化研發、生產、供應鏈管理）、賣車（數字化營銷）、出行服務（車聯網、地圖導航、內容生態）全價值鏈。百度一邊造車，一邊也將力量放在了供應鏈與自動駕駛相關服務上。過去幾年，阿里云在自動駕駛算法上的投入與研發在近兩年未到看到大進展，開始逐步將重心更多轉向自動駕駛云開發平臺服務與算力支持。
騰訊的戰略定位比較克制——1）目前為止，騰訊堅持不造車，定位于車企及Tier1供應商的伙伴。2）騰訊云的服務除了貫穿汽車全價值鏈外，專注于智能汽車“冰山下的基建”。
相較于其他供應商，騰訊更早把針對智駕的云服務從眾多行業中單獨劃分出來。
●2024年6月，騰訊在上海專門建設了智能汽車云專區，被認為是業界第一個建設汽車專區的云廠商。
同時發布一站式智能汽車云解決方案，也是行業首個專為智能駕駛打造的一站式云。
這種“埋頭搞基建”的專注力讓騰訊逐步在自動駕駛云等領域取得一定優勢。
比如提供車云一體的數據閉環能力上——騰訊云可提供車端的數據解決方案、云基礎設施、云上的數據平臺、AlInfra算力平臺，以及端到端的安全及合規五大核心能力。
再以合規舉例——數據在車端采集之后，還涉及到一系列數據安全相關環節環節，包括分類分級、脫敏、加密等流程。騰訊的優勢在于——同時坐擁“甲級測繪資質圖商”和“國內一流云服務商”雙重身份，并通過組織架構設計，確保云業務與地圖業務同屬一個事業群，技術融合與業務協同十分高效，面對智駕政策法規等變化，合規響應及時到位。
《星船知造》了解到，已有車企和騰訊云合作，已經端到端打通了整個鏈路,云端能實現秒級捕捉變化、分鐘級下發更新，通過云端成圖釋放車端算力，并結合多乘大數據融合算法，進一步提升地圖準確率。在測試中，復雜路口的智駕通過率提升了20%。
算力方面，端到端所需要的AI算力集群規模，已從單一集群千卡逐步提升至萬卡量級。騰訊可以提供高性能的算力集群，并且全面適配異構芯片，通過多芯混用的集群來為自動駕駛提供更大的算力，進而減少對單一芯片的依賴。同時，車企大模型訓練提供了完備的工程工具，如開箱即用的機器學習TI平臺，全面支持一鍵調用多種領域的預訓練大模型并且能夠通過技術優化，實現2倍以上的推理加速。
據騰訊集團副總裁、騰訊智慧出行總裁鐘翔平介紹，目前已經有九成車企選擇騰訊云，覆蓋100多家車企和出行科技公司。
獲得廣泛合作的背后，其實與騰訊不投機、做好“數字化新基建”的定位、以及騰訊本身的企業基因都有關系——
雖然騰訊至今堅持不造車，但其實騰訊是一家在社交、娛樂、辦公、AI大模型、出行服務、生活服務、金融服務等各個賽道，都有頭部產品的互聯網企業。而其專心搞汽車數字化基建的態度，正把其重連接、強生態的企業基因和強大的技術實力共同釋放。
如蔚來CEO李斌所說，借助騰訊在行業內領先的云、圖等能力，蔚來與騰訊實現的，是雙方資源的高效整合，從而在智能座艙應用、自動駕駛等領域，為用戶提供超越期待的產品體驗。
中國的互聯網企業正回到它們的初心上來——做好數字基建、連接價值、共創生態。這將成為中國智能汽車產業的強大優勢，在全球市場不僅“卷”贏銷量與硬件品質，也將贏得汽車智能化的下半場。
主要參考資料：
[1]智能駕駛走向十字路口 純視覺路線“異軍突起”，激光雷達未到“拋棄”時.每日經濟新聞
[2]騰訊發布車云一體數據閉環方案和智駕地圖8.0，加速智能汽車演進
本文基于訪談及公開資料寫作，不構成任何投資建議