[首發(fā)于智駕最前沿微信公眾號(hào)]隨著智能駕駛輔助系統(tǒng)的發(fā)展，汽車行業(yè)正在從傳統(tǒng)模塊化架構(gòu)向端到端（End-to-End，E2E）模型邁進(jìn)。端到端模型的核心理念是將感知、決策和控制功能整合到同一深度學(xué)習(xí)網(wǎng)絡(luò)中，讓系統(tǒng)直接從傳感器數(shù)據(jù)生成車輛控制指令。這種方法在提升系統(tǒng)響應(yīng)速度、優(yōu)化復(fù)雜場(chǎng)景表現(xiàn)以及減少模塊間誤差積累方面展現(xiàn)出顯著優(yōu)勢(shì)，但同時(shí)，為了滿足足夠龐大的智能駕駛輔助需求，端到端模型也面臨數(shù)據(jù)量、算力需求、可解釋性和安全性等多重挑戰(zhàn)。2025年8月28日，在智能汽車大會(huì)2025上，華為云CloudVeo智能駕駛云服務(wù)正式發(fā)布，為端到端模型研發(fā)提供了強(qiáng)有力的基礎(chǔ)設(shè)施和算力保障，或?qū)樾袠I(yè)發(fā)展帶來新機(jī)遇。

華為云CloudVeo智能駕駛云服務(wù)解決方案全景圖

端到端模型的技術(shù)價(jià)值與現(xiàn)實(shí)挑戰(zhàn)

傳統(tǒng)智能駕駛輔助系統(tǒng)采用感知、決策、規(guī)劃和控制分模塊處理，每個(gè)模塊通過明確接口傳遞信息。其優(yōu)點(diǎn)在于可解釋性強(qiáng)、模塊獨(dú)立易于維護(hù)，但在復(fù)雜場(chǎng)景下，信息傳遞延遲、模塊間耦合問題和算法迭代不同步的缺陷就會(huì)凸顯。像是在城市交叉口、密集車流或雨雪天氣等邊緣場(chǎng)景中，傳統(tǒng)模塊化方法往往難以快速響應(yīng)多變環(huán)境，容易產(chǎn)生決策滯后或路徑規(guī)劃不一致等問題。

端到端模型通過統(tǒng)一網(wǎng)絡(luò)直接映射傳感器輸入到車輛控制指令，整體優(yōu)化車輛行為，使車輛在復(fù)雜場(chǎng)景下的表現(xiàn)更連貫自然。這種方式充分利用深度學(xué)習(xí)的優(yōu)勢(shì)，將視覺、雷達(dá)、激光雷達(dá)等多模態(tài)數(shù)據(jù)輸入模型進(jìn)行聯(lián)合訓(xùn)練，系統(tǒng)可以同時(shí)學(xué)習(xí)道路特征、交通信號(hào)、周邊車輛行為以及潛在風(fēng)險(xiǎn)。這種整體優(yōu)化減少了模塊間誤差累積，使得車輛在復(fù)雜環(huán)境下的行為更為連貫和自然。

端到端方案表面上看起來非常理想，因?yàn)樗迅兄?、決策和控制全部整合在一起，實(shí)現(xiàn)了從傳感器輸入到車輛動(dòng)作輸出的閉環(huán)。但在真實(shí)駕駛環(huán)境中，要讓這種方案可靠地工作，仍有不少挑戰(zhàn)。訓(xùn)練端到端模型需要大量且多樣化的數(shù)據(jù)，這就要求覆蓋城市復(fù)雜路口、鄉(xiāng)村道路、高速公路，還要考慮暴雨、濃霧、夜間行駛和積雪等極端天氣的情況。每一種場(chǎng)景都有不同的視覺和雷達(dá)特征，模型需要學(xué)會(huì)從多種傳感器信息中提取關(guān)鍵特征，并在特殊情況下作出安全決策。如果數(shù)據(jù)不夠全面，模型在未見過的場(chǎng)景里就可能表現(xiàn)不穩(wěn)定，這對(duì)安全是很大的隱患。

端到端模型對(duì)算力的要求也非常高。深度神經(jīng)網(wǎng)絡(luò)通常要處理高分辨率圖像、激光雷達(dá)點(diǎn)云和毫米波雷達(dá)數(shù)據(jù)，信息量極大。訓(xùn)練模型需要處理數(shù)十萬小時(shí)的駕駛數(shù)據(jù)，同時(shí)完成多模態(tài)特征融合、時(shí)序建模和決策優(yōu)化。為了讓模型不斷迭代和升級(jí)，需要大規(guī)模GPU集群、高速存儲(chǔ)和高帶寬內(nèi)存來支撐。而在車輛端，模型又必須在有限算力下快速做出決策，保證低延遲和高精度，這對(duì)模型壓縮和推理優(yōu)化提出了很高要求。

還有一個(gè)問題就是可解釋性。端到端模型的決策是由大量參數(shù)的非線性組合產(chǎn)生的，內(nèi)部邏輯不容易直接理解。對(duì)于安全敏感的駕駛?cè)蝿?wù)，監(jiān)管部門和車輛使用者都希望了解系統(tǒng)為什么會(huì)在某個(gè)場(chǎng)景做出某個(gè)動(dòng)作。像是在復(fù)雜路口是否選擇變道或在濕滑路面是否要減速，這些決策邏輯在模型內(nèi)部的權(quán)重是很難觀察的。這也讓測(cè)試、驗(yàn)證和回溯分析變得復(fù)雜，需要通過仿真、對(duì)抗測(cè)試和因果分析等方法，確保模型在各種邊緣場(chǎng)景下仍然可靠。

智駕最前沿以為，對(duì)于智能駕駛行業(yè)而言，端到端模型的發(fā)展已成為不可逆的趨勢(shì)，其結(jié)構(gòu)可能會(huì)在多模態(tài)信息融合和時(shí)空特征建模方面不斷演進(jìn)。像VLA（Vision-Language-Action）與世界模型的結(jié)合，可以讓系統(tǒng)在復(fù)雜道路環(huán)境中獲得更精準(zhǔn)的感知和預(yù)測(cè)能力，實(shí)現(xiàn)對(duì)周圍動(dòng)態(tài)場(chǎng)景的深度理解。同時(shí)，云端與車端的協(xié)同模式將逐漸成為主流，高性能算力集中在云端，車輛端運(yùn)行輕量化模型，使復(fù)雜計(jì)算能夠在保證實(shí)時(shí)響應(yīng)的前提下落地到每一輛車上。端到端模型的可解釋性和驗(yàn)證機(jī)制也將不斷完善，通過仿真驗(yàn)證、行為約束建模以及可解釋AI方法，可以對(duì)系統(tǒng)決策進(jìn)行深入分析和安全保障。華為云CloudVeo智能駕駛云服務(wù)針對(duì)這些趨勢(shì)就提供了全面支持，依托超強(qiáng)算力和全國(guó)分布式汽車專區(qū)，為端到端模型的訓(xùn)練、迭代和落地提供高效、穩(wěn)定的技術(shù)保障，使智能駕駛輔助系統(tǒng)能夠更可靠地應(yīng)對(duì)實(shí)際道路場(chǎng)景。

CloudMatrix384超節(jié)點(diǎn)與云端算力加速

端到端模型對(duì)算力的依賴極其強(qiáng)烈，單靠車端算力難以完成大規(guī)模深度學(xué)習(xí)訓(xùn)練和復(fù)雜多模態(tài)數(shù)據(jù)處理。華為云推出的CloudMatrix384超節(jié)點(diǎn)計(jì)算架構(gòu)，為端到端模型訓(xùn)練提供了行業(yè)領(lǐng)先的算力平臺(tái)。今年4月，該架構(gòu)在蕪湖數(shù)據(jù)中心實(shí)現(xiàn)了規(guī)?；渴鸩⒙氏韧度肷逃茫蔀閲?guó)內(nèi)首個(gè)真正落地的大規(guī)模超節(jié)點(diǎn)集群，為智能駕駛模型的快速迭代和高效訓(xùn)練奠定了堅(jiān)實(shí)基礎(chǔ)。

CloudMatrix384超節(jié)點(diǎn)計(jì)算架構(gòu)

該平臺(tái)將384顆昇騰NPU和192顆鯤鵬CPU通過全新高速網(wǎng)絡(luò)MatrixLink全對(duì)等互聯(lián)，形成一臺(tái)超級(jí)“AI服務(wù)器”，支持高帶寬緩存和大容量存儲(chǔ)，為模型訓(xùn)練提供了充足的資源，在端到端和VLA模型上，其性能優(yōu)于H100 GPU，使得大規(guī)模訓(xùn)練成為可能。現(xiàn)階段，已有100萬輛智能車依托云上昇騰算力支持得到了落地。

云端算力不僅優(yōu)化訓(xùn)練階段，還會(huì)顯著加速仿真驗(yàn)證過程。傳統(tǒng)生成式仿真場(chǎng)景構(gòu)建通常需要一周時(shí)間，而在CloudMatrix384超節(jié)點(diǎn)算力平臺(tái)上，這一過程可縮短至5分鐘，版本迭代周期從月級(jí)縮短至周級(jí)。這意味著開發(fā)團(tuán)隊(duì)能夠更快速地測(cè)試端到端模型在極端場(chǎng)景、低速泊車及緊急避障等多樣化條件下的表現(xiàn)。結(jié)合AI-Native智算存儲(chǔ)，高性能緩存容量達(dá)128PB，緩存帶寬提升至12TB/s，大幅提升了數(shù)據(jù)讀取和模型訓(xùn)練效率，為復(fù)雜模型提供了穩(wěn)定、可擴(kuò)展的算力支持。

“以云助車”的方案也會(huì)使端到端模型在車端運(yùn)行時(shí)更為輕量化。車輛主要承擔(dān)實(shí)時(shí)數(shù)據(jù)采集和控制指令執(zhí)行，而復(fù)雜計(jì)算和模型推理遷移至云端，實(shí)現(xiàn)云端模型訓(xùn)練與端側(cè)應(yīng)用的高效協(xié)同。這種模式不僅優(yōu)化了端到端模型的實(shí)際表現(xiàn)，還在泊車和低速巡航場(chǎng)景中提高了成功率和操作平滑度。華為云方案通過云端模型輔助，讓泊車成功率提升15%，端到端泊車效率顯著優(yōu)化。

全國(guó)多專區(qū)布局，全國(guó)覆蓋都可行？

算力優(yōu)化必須依賴網(wǎng)絡(luò)與基礎(chǔ)設(shè)施的高效布局。華為云在全國(guó)布局了貴安、烏蘭察布和即將上線的蕪湖三大汽車專區(qū)。本次貴安專區(qū)上線實(shí)現(xiàn)跨越南北的雙專區(qū)布局，與烏蘭察布專區(qū)形成聯(lián)動(dòng)，為端到端模型訓(xùn)練與應(yīng)用提供低時(shí)延、高可用的分布式環(huán)境。

華為云貴安汽車專區(qū)發(fā)布儀式

多區(qū)域多活架構(gòu)的設(shè)計(jì)，使得端到端模型在跨區(qū)域出行時(shí)，能夠獲得一致的智能駕駛輔助體驗(yàn)，車云時(shí)延可降低60%，系統(tǒng)可用性將達(dá)到99.999%，為端到端模型的商業(yè)落地和大規(guī)模部署提供堅(jiān)實(shí)基礎(chǔ)。分布式布局還允許多地資源協(xié)同調(diào)度，大幅提升端到端模型訓(xùn)練效率，支持不同車型、不同應(yīng)用場(chǎng)景的快速迭代。這種全國(guó)一體化算力網(wǎng)絡(luò)，使華為云在智能駕駛輔助系統(tǒng)領(lǐng)域從算力提供者升級(jí)為產(chǎn)業(yè)賦能者，為車企模型研發(fā)和技術(shù)創(chuàng)新提供全方位支撐。

此外，多專區(qū)協(xié)同還為未來數(shù)據(jù)聚合、模型遷移學(xué)習(xí)和仿真場(chǎng)景擴(kuò)展提供了基礎(chǔ)。通過分布式資源調(diào)度，端到端模型可在全國(guó)范圍內(nèi)共享高質(zhì)量訓(xùn)練數(shù)據(jù)和優(yōu)化經(jīng)驗(yàn)，實(shí)現(xiàn)跨車型、跨場(chǎng)景的快速泛化，降低單一車企研發(fā)成本，提高整體產(chǎn)業(yè)效率。

行業(yè)合作與端到端模型落地實(shí)踐

端到端模型的研發(fā)和應(yīng)用離不開產(chǎn)業(yè)鏈的協(xié)同，華為云通過與長(zhǎng)安科技、廣汽集團(tuán)、奇瑞、一汽豐田等頭部車企的深度合作，把CloudMatrix384超節(jié)點(diǎn)、AI-Native智算存儲(chǔ)以及多區(qū)域汽車專區(qū)的基礎(chǔ)設(shè)施優(yōu)勢(shì)，真正轉(zhuǎn)化成了可落地的成果。

華為云EI服務(wù)產(chǎn)品部部長(zhǎng)尤鵬與長(zhǎng)安科技人工智能基礎(chǔ)與應(yīng)用副總經(jīng)理梁鋒華在智能汽車大會(huì)2025上聯(lián)合發(fā)布了“搭載華為云CloudMatrix384超節(jié)點(diǎn)的長(zhǎng)安天樞智駕”，這款智駕方案首次搭載CloudMatrix384超節(jié)點(diǎn)，使長(zhǎng)安成為首個(gè)依托國(guó)產(chǎn)算力開展智能駕駛研發(fā)的央企。依托華為云提供的高帶寬和大容量存儲(chǔ)集群，雙方不僅實(shí)現(xiàn)了自動(dòng)駕駛模型的高效訓(xùn)練，還在VLA、端到端等多種模型上完成了適配，展示了AI技術(shù)推動(dòng)汽車產(chǎn)業(yè)智能化發(fā)展的新可能。

華為云CloudMatrix384超節(jié)點(diǎn)的長(zhǎng)安天樞智駕發(fā)布儀式

廣汽集團(tuán)通過“星云空間-廣汽X華為云”云車機(jī)技術(shù)，將座艙算力上云，實(shí)現(xiàn)車機(jī)性能提升、卡頓問題解決，同時(shí)降低核心芯片成本20%，應(yīng)用集成周期下降50%。這說明智能座艙模型不僅依賴算力和算法，還需要整體系統(tǒng)架構(gòu)的優(yōu)化，包括車端與云端的協(xié)同計(jì)算、數(shù)據(jù)傳輸優(yōu)化以及軟件集成能力。

端到端未來會(huì)如何發(fā)展？

在智能駕駛領(lǐng)域，端到端模型的發(fā)展正在朝著更高復(fù)雜度和多模態(tài)融合方向演進(jìn)。隨著車輛配備的傳感器類型不斷增加，道路環(huán)境也愈發(fā)復(fù)雜，端到端模型必須能夠同時(shí)處理視覺、雷達(dá)、激光等多模態(tài)信息，并結(jié)合時(shí)空信息建模，從而準(zhǔn)確理解周圍環(huán)境。

VLA模型與世界模型的結(jié)合，為系統(tǒng)提供了長(zhǎng)時(shí)序的環(huán)境預(yù)測(cè)能力和優(yōu)化的行為決策能力，這在復(fù)雜交叉路口、高速行駛及多車混行等場(chǎng)景中，能夠顯著提高安全性和決策的可靠性。

與此同時(shí)，云端與車端的協(xié)同模式逐漸成為主流。端到端模型在訓(xùn)練和推理階段對(duì)算力的需求極高，云端可以提供集中化的大規(guī)模計(jì)算資源，用于訓(xùn)練復(fù)雜模型、構(gòu)建高精度仿真場(chǎng)景以及加速模型迭代，而車端則承擔(dān)實(shí)時(shí)數(shù)據(jù)采集和控制任務(wù)，保證車輛在道路上的低延遲響應(yīng)和穩(wěn)定表現(xiàn)。這種云端與車端協(xié)作的模式，不僅讓復(fù)雜模型能夠在實(shí)際駕駛中穩(wěn)定運(yùn)行，也為智能駕駛輔助系統(tǒng)的大規(guī)模落地提供了技術(shù)支撐。

可解釋性和驗(yàn)證體系的完善也是端到端模型發(fā)展的關(guān)鍵環(huán)節(jié)。端到端模型的決策邏輯本質(zhì)上較難直觀理解，因此需要借助可解釋AI方法、模型仿真驗(yàn)證以及行為安全約束建模等手段，構(gòu)建完整的驗(yàn)證體系，確保模型在各種道路場(chǎng)景下的可控性和安全性。

華為云通過CloudVeo智能駕駛云服務(wù)，正順應(yīng)這些技術(shù)趨勢(shì)，提供強(qiáng)大算力、低延遲分布式架構(gòu)和產(chǎn)業(yè)鏈協(xié)同支持，助力車企高效研發(fā)端到端模型，實(shí)現(xiàn)智能駕駛輔助系統(tǒng)的規(guī)?；瘧?yīng)用。

最后的話

端到端智能駕駛輔助系統(tǒng)正引領(lǐng)智能駕駛技術(shù)的發(fā)展方向。通過統(tǒng)一網(wǎng)絡(luò)直接映射傳感器數(shù)據(jù)到控制指令，系統(tǒng)在復(fù)雜場(chǎng)景中展現(xiàn)出連貫性和高效性優(yōu)勢(shì)。華為云CloudVeo智能駕駛云服務(wù)通過CloudMatrix384超節(jié)點(diǎn)和全國(guó)三大汽車專區(qū)，提供了從訓(xùn)練到仿真、從算力到分布式部署的完整技術(shù)支撐，推動(dòng)端到端模型從實(shí)驗(yàn)驗(yàn)證向產(chǎn)業(yè)化落地轉(zhuǎn)化。未來，隨著模型復(fù)雜度提升、云端協(xié)同模式普及以及可解釋性與驗(yàn)證體系完善，端到端模型將在智能駕駛輔助系統(tǒng)中發(fā)揮核心作用，為行業(yè)智能化升級(jí)提供持續(xù)動(dòng)力。

審核編輯 黃宇