從200萬年薪到被裁員，端到端沖毀5萬自動駕駛工程師飯碗？

作者：楊曉鶴

本文首發：AI鯨選社

“華為自動駕駛有6千個工程師，主要用來寫各種規則，因為 rule-based （基于規則）環境太復雜，總有新的 task （任務）出現。”一位特斯拉FSD工程師形容華為智駕團隊，為什么規模必須很大時說道。

這也是余承東壓力大的原因，華為自動駕駛團規每年花費10億美元，累計支出早已經超百億，而主要成本就是工程師的薪資等人力成本支出。

不只是華為，對于所有智能駕駛企業來說，一直困在系統中的問題就是：自動駕駛需要窮盡所有的Corner case（特殊情況），這就導致每家智能駕駛團隊的人數基本都不低。

類似比亞迪、百度這些都在3-5千人，獨立智能駕駛公司如Momenta在1300 多人，車企理想年初也是1300人，每類型智駕公司都有五六家，這些人加起來至少有5萬核心的自動駕駛工程師。

他們薪資都很高，有自動駕駛領域獵頭說到：“在自動駕駛賽道，地平線和禾賽這樣的公司，研發團隊的人均薪資基本到百萬了。”他去年就幫一位年薪200萬的獵到了新機會。

但很多家也潛行研發了10年的時間，卻沒有一家敢說能讓L4級別的智能駕駛落地。

而在2024年，特斯拉的FSD v12突然帶火了一個詞『端到端』，一時間仿佛L4級別智能駕駛突然要實現。端到端就像是智能駕駛的ChatGPT時刻，瞬間讓智能駕駛車企都開始布局。

端到端對于大眾來說，還是個不甚了解的詞匯，行業內具體解決方案也并不一致。大家只知道，不再需要窮盡算法解決Corner Case （特殊情況），每家智駕團隊就不要一直擴張算法團隊人數。

燒錢卻無解的情況終于有了改變，資本和企業歡呼自動駕駛有望實現，智能算法人才卻在猶豫，大模型上車，會讓自己丟掉飯碗嗎？

端到端還在定義，市場卻都是降臨派

自動駕駛，此前對于各大廠來說，說起來都是個苦命的探索。

自動駕駛國外的領軍企業是Google 的Waymo，國內是大廠百度、以及元戎、小馬（兩家正在上市）等諸多自動駕駛創業企業，還有蔚小理等新勢力。

行業稍早時，發展路線是依賴高精地圖。所以Waymo 以及國內的玩家成本都很貴，每開一個新城都要用自己的車隊去鋪，100 輛車*100 萬人民幣，再加上 operation cost（運營成本），就是一個城市一個億人民幣，從商業模式來看不劃算。

于是在2023年，元戎啟行率先發布了不依賴高精度地圖的智能駕駛解決方案，此后有包括華為、蔚來、小鵬、理想、地平線等超過10家企業明確開始棄用高精地圖的方案。

后來很多車企入局，他們倚重的路線是激光雷達，華為和小米算是這種路線的代表，前者自研，后者投了投資了激光雷達企業禾賽等。

這兩種模式，底層技術都是BEV+transformer，兩年時間不到，轉眼就老套了。現在以特斯拉和小鵬為代表，都用純視覺占用網絡+大模型，從感知到規劃，端到端成為市場的共識。

但端到端具體怎么定義，什么系統才是端到端，市場并沒有明確的定義。如果形象地說，端到端更像是模仿人類的思考方式。

諾貝爾獲得者丹尼爾卡尼曼曾說，人類有兩個系統，分別是系統A和系統B，前者利用直覺和本能，高效處理95%的問題，而系統B則是復雜場景的理解，能處理5%很難的問題。

未來的自動駕駛技術也是如此，用一個傳感器直接到模型的方案，解決日常碰到的絕大部分問題，端到端直接處理。和大模型類似，這種可泛化的 Scaling Law（尺度定律） 大幅度降低了自動駕駛解決各種問題的成本。

而在模型2中構建多模態模型，處理難以特殊場景的復雜問題，解決自動駕駛落地的最后1%難題。

但不是兩個系統就叫端到端，核心得實現輸入圖片、輸出信號，一個大模型解決問題，而不是感知、處理、決策這種多步驟的模塊化系統。因此，有玩家認為真正的One Model端到端屬于生成式大模型，才真正具有顛覆性。

端到端到底有何神奇之處，在美國駕駛過FSD v12版本特斯拉的國內創業者張強告訴AI鯨選社，他啟動autopilot后，無保護左轉的情況下，先禮讓直行來車，對方也讓行的話，直接加速轉向通過。“不是很死板，像有經驗的老司機。”

顛覆性技術來臨之際，也讓各家公司都集體來了個大剎車。2024年本來華為、理想、小鵬都在推進全國無圖駕駛。現在無圖 NOA 的生命周期即將結束，端到端已經在摩拳擦掌。

小鵬汽車就宣稱，2024年將投入35億元用于智能研發。

在特斯拉內部變化也很大，端到端和之前 rule - base 差異很大，上了端到端之后，團隊變動也很大，Tesla 之前負責 planning control （規劃控制）的負責人就離職了。

特斯拉美國FSD工程師也表示，之前 Tesla 一直不愿意向中國團隊開放代碼閱讀權限，上了端到端之后，已經不需要國內工程師了，國內只需要標注即可。

一塊重石悄然在自動駕駛工程師圈砸下，現在很多智駕團隊的招聘，都是僵尸崗位，市場在衡量未來到底需要多少智駕工程師。

CEO集體放話，各大車企爭搶大牛

全國無圖 NOA 熱度才幾個月，馬上端到端的智駕就要來了，大家又回到同一起跑線。

另一方面看，則是自動駕駛終于找到了指數級進化的路線。一直以來，算法覆蓋corner case，根本拉不開各家的實力差距。所以大家都認為，自己和特斯拉處于同一水平。

但端到端技術開啟新的進化大門后，新的競爭又開始了，一兩年內應該就會拉開巨大差距。

華為余承東曾表示，華為團隊去美國舊金山、加拿大多倫多等地進行了測試，從結果來看，等特斯拉FSD入華后，華為有信心干贏對手。

今年年初，小鵬汽車創始人何小鵬也去了美國，親自體驗特斯拉FSD的駕駛感受和落地情況。

測試完，何小鵬說到：『我們跟特斯拉，是唯二端到端的（車企），所以小鵬汽車作為中國最好的智駕廠商，我們也是非常期待特斯拉FSD能夠進入中國，一起互相學習。』

如果你感覺何小鵬說的比較謙虛，實際上他還說了，并自信提出了『國內路況比美國復雜10倍，小鵬有信心。』

目前，小鵬智能駕駛端到端大模型已開始落地，預計在2024年Q4季度將推出輕雷達、輕地圖的智駕方案。此外，小鵬還推出自研AI芯片，將MONA M03的起售價拉到了11.98萬元。

這一切目標是讓未來10年，車企年銷量達到100萬，屆時端到端才能借助大規模車機落地，成為小鵬的盈利核心。

而華為是在最近發布的智界R7上首發搭載ADS 3.0，期待端到端模式的ADS 3.0成為賣點，銷量反饋不是太積極，可能技術迭代的影響還沒完全開始。

確實從此前發布的ADS 3.0架構圖看，實際上GOD大網也就是感知模塊，控制模塊也是獨立的，整個還偏模塊化架構，并不能算真正意義上的端到端。

不過，華為和小鵬確實是行動較快的玩家，在今年7月初，華為與小鵬的兩段式端到端智駕方案將推送給車主。蔚來也開始在7月下旬推送端到端的解決方案。

理想汽車CEO李想也表示，三季度將向測試用戶推送端到端+VLM(視覺語言模型)的智駕方案。但對于理想來說，其實時間非常緊迫。

最早行動的蔚來，在年初將感知和規控團隊合并為大模型團隊，集成團隊重組為交付團隊。理想汽車是到了7月份，才組建了“端到端自動駕駛”的實體組織，整體200人出頭。李想調動了理想智能駕駛技術研發負責人賈鵬親自負責“端到端”的研發。

同時，理想公開了其端到端自動駕駛技術方案，其方案分為端到端模型、VLM（即Vision-Language Model，視覺語言模型）視覺語言模型、世界模型三部分。

雖然發布時間較晚，但理想大聲宣布自己才是真正的OneModel 端到端，難度也不是一般的大。“從傳感器輸入到行駛軌跡輸出只經過一個模型。”理想智能駕駛技術研發負責人賈鵬在發布會上曾說。

有行業人士指出，跟華為、小鵬的分段式端到端方案相比，理想的方案確實更激進，可視為分段式端到端的下一站。

趨勢并不是只有華為和蔚小理等新勢力會跟進，一項認為自動駕駛有點扯的比亞迪創始人王傳福，此前曾公開說：我是實實在在搞戰略的，我看的比誰都清，我們有幾萬名工程師在探索這個東西（自動駕駛）到底行不行，這條路到底通不通，我不清楚嗎？

最近一改往日言論，也在調兵遣將跟進。

7月份，引入百度艙駕融合智駕技術負責人周鵬，負責比亞迪的端到端大模型規控算法開發，而且是獨立于比亞迪規劃院智能駕駛研發中心，新設立的300人部門。

一個現象值得關注，如理想、蔚來、比亞迪等主流車企智駕部門都成立了獨立的端到端團隊，并派遣大將坐鎮，都是200-300人團隊即可。相比原來幾千人甚至上萬人的智駕團隊，不可謂不精簡。

傳統做Rule-Basd算法的人員，盡管目前還沒有發生大規模裁員事件。很大程度上是因為端到端還處于ChatGPT-2時刻，距離ChatGPT-4時刻還有距離。

一位自動駕駛企業HR告訴AI鯨選社：“新成立的端到端部門都還剛起步，目前還需要傳統智駕部門做算法場景覆蓋，保證自動駕駛安全的下限，未來會不會形成沖擊不好說。”

端到端容易出現下限問題，是大模型初級階段的核心問題。張強就提到，他在美國開車時，十字路口的直行道排隊較長，特斯拉的autopilot直接拐到左轉道，然后紅綠燈一亮，直接又加速斜插回直行道。“差點和直行車撞上，還好一腳剎車踩住了。”

類似場景是大模型還沒學明白的地方，這就需要算法覆蓋，保證下限問題。但端到端進化速度很快，未來會學習到人類甚至超過人類的水平。

馬斯克還是鯰魚，普通工程師受傷

現在，小鵬在國內自動泊車、潮汐車道等場景中，表現也是超越特斯拉的存在。華為和小鵬實際都有本地化的優勢，利用高精地圖或者雷達等加持下，確實即便FSD v12現在版本真正進入國內，也很難短期打敗國內對手。

但未來發展看，技術底層邏輯會導致變化。“絕大部分車企，其實都是在「模型化」，「模塊化端到端」，真正的 OneModel 端到端，可能只有特斯拉。”一位行業認識評價道。”

因此可以說，特斯拉改變了自動駕駛團隊的工作模式。此前，“在模塊化的架構下，一位工程師一天只能處理10多個case，效率不高。”國內最早落地端到端方案的自動駕駛企業元戎啟行CEO周光曾公開說道。

現在，通過用海量數據去訓練大模型，讓機器擁有自主學習、思考和分析的能力，能更好地處理復雜的駕駛任務。所以，對于真正的端到端系統真正的三要素，第一是團隊帶頭人（決定端到端模型高度），第二是數據，第三是算力。

在各家爭搶完牛人后，大規模、高質量的訓練數據重要性開始顯現。

根據特斯拉的計算，完成一個端到端自動駕駛的訓練至少需要100萬個、分布多樣、高質量的 clips （視頻片段）才能正常工作。“毫不夸張地說，數據會占據端到端自動駕駛開發中80%以上的研發成本。”毫末智行數據智能科學家賀翔曾如此表示數據的重要性。

近期，蔚來開始推送的最新 OTA 。包含了業內首個應用端到端技術的 AEB，蔚來用了 20 億公里的數據集，來訓練這個端到端模型。

何小鵬最近在公開節目上透露，基于折算10億+里程的視頻訓練、超646萬累計公里數的實車測試、超2.16億累計公里數的仿真測試，小鵬汽車端到端大模型能夠做到“兩天迭代一次”，在未來18個月內智駕能力提升30倍。

數字之所以如此重要，正是因為現在端到端大模型的Scaling Law效應。此前也需要數據，但rule - base更需要的是人才，人才用算法去覆蓋場景，所以對數據需求沒那么渴求。

第三是算力訓練卡，理想有五千張A100、A800這樣等同的訓練卡數量，是小鵬的兩倍。“如果租卡的話，一年需要10億，需要有健康的利潤來提供支持。”

拼人力的時代已經過去，各家團隊也在發生改變，6月8日，理想汽車CEO李想在中國汽車重慶論壇上發表演講。

他認為所有自動駕駛團隊，每天干的活都是靠人工去調試各種各樣的corner case，而且放的人越多，corner case越多，和真正的自動駕駛就越遙遠。

“當人工智能技術在不斷的發展的時候，我們會發現，其實人類開車的方式，不是過去那么多年里我們用的自動駕駛研發的一個方式。這是一個根本的不同。因為人開車沒那么辛苦，沒那么累，不需要養幾千人的團隊去搞corner case。”

這也是端到端到來的改變，很多人說理想是因為Mega失利，所以開啟了大裁員。但起碼在智能駕駛團隊情況并不一樣。正如李想所說，不需要養幾千人的團隊去搞corner case，才是最重要的一點。

同時，不需要人為定義這些 task。這也是為什么現在 FSD v12 可以做到每周更新，每次都是三五倍能力的提升。而對于特斯拉來說，端到端帶來的另一大機遇是 Robotaxi。

據行業研究員木頭姐的研報估算，支持 Robotaxi（自動駕駛機器人出租車）之后的特斯拉車隊規模可能超過 1 億，而且每量車具備 1000 瓦的高效推理算力，總共就是 100 千兆瓦的 Edge AI 算力，讓特斯拉有機會新增類似 AWS 的邊緣 AI 云業務，讓特斯拉車輛除了在車主不使用時可以自動加入 Robotaxi 賺錢，還能在靜止停放時自動加入邊緣 AI 云服務來賺錢，全時段飽和運轉。

自動駕駛和 Robotaxi 能在 5 年后（2029）讓特斯拉市值翻 10 倍達到 5-7 萬億刀，Elon Musk 認為這是市面上最準確的預測。

所以，大家都十分關注，特斯拉在國內的落地的時間點。最新消息是特斯拉FSD預計2025年Q1在中國上線。

馬斯克永遠是那條鯰魚，FSD年底進入國內時間，不知道那時候已經憑借端到端，進化成什么樣子。

就像特斯拉的上海超級工廠落成之際，讓國內新能源市場直接洗牌，這次FSD進入國內，會不會殺死部分自動駕駛企業，讓更多的普通工程師失業？

參考內容：
自動駕駛領域的GPT時刻來了-硅谷101

2024-端到端研究報告-辰韜資本