端到端热潮下，特斯拉FSD和国内智驾孰强孰弱？

编辑导语：目前国内汽车智能算力仍存在结构性短缺，软件生态完善的“成熟”算力缺口较大。

北京时间10月11日，备受期待的特斯拉“We Robot”发布会如期而至。

发布会上，特斯拉CEO埃隆·马斯克（Elon Musk）向世界展示了公司在自动驾驶和人工智能领域的最新成果：推出了三款革命性产品：Cybercab、Robovan和Tesla Bot，每一款都以其独特的创新和前瞻性，其中完全依赖特斯拉的全自动驾驶（FSD）软件的Cybercab无人驾驶出租车，引发诸多讨论。

鉴于当前国内智能驾驶企业都不约而同向端到端靠拢，不由引发了关于特斯拉FSD技术和国内端到端技术有何差距，孰强孰弱的思考。

技术不同但仍有差距

“国内的端到端和特斯拉的FSD是有差异的。”一位自动驾驶从业者告诉中车网，特斯拉的FSD不再将AI分为一个个模块，而是给了它一个神经网络。采用BEV（Bird's Eye View，鸟瞰模式）、Transformer（一种新型神经网络架构）的技术架构，从而实现了“端到端”。

简而言之，特斯拉仅仅依靠摄像头获取图像数据后，可以自己输入进算法，再自己输出加速、减速等指令。由此，AI可以进行感知并模拟人类的驾驶决策，按照人类的方式控制车辆。

而目前国内主流的端到端技术各有不同，但总体仍是以特斯拉端到端技术为底层逻辑，将从前感知、传输、决策等小控制单元组成模块化，从而实现端到端。但不同的是，特斯拉使用的是完全视觉化，而国内的企业如华为等，在感知层面仍依赖于激光雷达、毫米波雷达等。

虽然路线的终点都是“端到端”，但自动驾驶从业者王先生仍不由感慨：“我们的原创性技术创新能力比较弱，一般都会跟随国外顶尖厂商的先进技术路线去探索，比如特斯拉。悲观地看，相较之下我们技术进展晚了一年左右。”

他坦言，做端到端，是顺应趋势。“端到端是更加接近人类驾驶行为的高阶智驾，端到端模型上车，是带领智能驾驶迈向高阶的康庄大道。”

但尽管是未来趋势的技术路线，国内的端到端和特斯拉FSD还有着一定的差距。首先是数据方面，以自动驾驶Clips（有效视频片段）数据作为对比，国内企业不足百万个有效视频片段，而特斯拉已经拥有超过1000万个有效视频片段数据。目前，国内车企的绝大部分数据分布在密集的几个场景，“头部效应”明显。与此同时，不同车型传感器配置不一，采集的数据存在差异，数据复用性差。此外，车企在数据梳理、价值挖掘方面能力积累和沉淀不足。

上述自动驾驶从业者表示：“当下在感知端，小鹏、理想汽车、蔚来等车企都采用BEV+Transformer架构，而在下游规控环节仍使用规则，这使得国内新势力们与特斯拉的端到端方案仍相差不少距离。这是国内新势力车企们要追赶的方向。”

算力紧缺成主要矛盾

其次，在算力层面，特斯拉拥有的算力水平已经达到100 EFLOPS，是所有车企所拥有的算力的总和。目前华为的算力水平也只有7.5 EFLOPS，与特斯拉相比差距明显。

在信息时代，算力就是生产力。在智能汽车下半场，各大企业之间比拼的就是AI和算力。可以说，芯片算力一定程度上决定了智能汽车的智能化极限，算力越高，汽车智能水平潜力越大。

随着汽车与AI深度融合，端到端智能驾驶、座舱大模型等加速上车，汽车产业对智能算力的需求快速增长。然而，目前国内汽车智能算力仍存在结构性短缺，软件生态完善的“成熟”算力缺口较大。

中国电动汽车百人会副理事长兼秘书长张永伟表示：“在人工智能时代，汽车企业缺的不是产能，当下汽车行业最缺的是智算基础设施，国内汽车行业的主要矛盾是智能算力存在结构性短缺。”

张永伟称，要完成端到端智能驾驶的研发和训练，智能算力的需求至少要达到1 EFLOPS，目前车企的平均算力是3 EFLOPS，然而就一个端到端大模型而言，一个企业需要的算力就达到100 EFLOPS。“没有几千或者是上万张卡的算力集群，没有几千上万的算法团队，企业很难在新的赛道上形成竞争力。”

上述自动驾驶从业者表示，随着自动驾驶技术的发展，对车载计算平台的算力要求也在不断提升。

目前，国内车企的算力主要依赖于英伟达等国外芯片供应商的存量芯片，而这些芯片在当前国际形势下变得难以获取。此外，国内运营商虽然规划了一定的算力规模，如中国移动、中国电信、中国联通分别规划了17 EFLOPS、21 EFLOPS和15 EFLOPS的算力，但这些算力主要集中在云端，且难以满足车企在车载算力方面的需求。

中车网了解到，国内车企的算力来源主要包括车载算力和云端算力两部分。

车载算力主要通过安装在车辆上的计算芯片来提供，如NVIDIA DRIVE Orin SoC，它提供了254 TOPS的算力，能够支持自动驾驶功能、置信度视图、数字仪表盘以及AI座舱等应用。