北京
2025年，中美車企的股價表現可謂是冰火兩重天。
比亞迪、小鵬等各路本土車企股價一路震蕩下行。
特斯拉盡管面臨歐洲區銷量接近腰斬、中國區銷量萎靡不振、大漂亮區銷量隨著懂王取消電動車補貼而受到壓制的諸多不利局面，股價卻在銷量節節下滑之際逆勢走出了一條震蕩上行的曲線。
事后諸葛亮地來看，推動特斯拉股價上行的發動機是其于6月22日落地的Robotaxi。
此舉標志著特斯拉以強AI的純視覺方案、依靠沒有多少冗余機制的量產乘用車實現了L4級無人出租車服務，完成了L2到L4的驚天一躍。
半年之后，國內兩款車型首次拿到L3量產準入。
在26年開年的新品發布會上，小鵬汽車更是直接宣布跨過L3，直通L4。
L4無人駕駛出租車玩家們的護城河一夜崩塌，這背后到底發生了什么呢？
習慣了線性增長的人類總是很難理解指數級增長的概念。
在過去的兩三年里，自動駕駛系統的性能開啟了一輪氣勢磅礴的指數級增長。
而推動這一曲線成立的根本動力，就是23年就有大聰明認為會失效、到現在還依然活蹦亂跳的Scaling Law。
Scaling Law描繪出了一條“算法-數據-算力”協同推動自動駕駛性能提升的三重曲線。正是在算法、數據、算力三要素的乘法效應下，系統性能才得以從線性增長轉化為指數級增長。
算法層面，基于端到端范式的視覺語言動作模型和世界模型，基本消滅了由碎片化的AI模型、神經元算法和許多固定規則拼湊得雜亂無章的分模塊方案的諸多缺陷。
數據層面，得益于L2+級輔助駕駛系統的快速普及，海量車隊源源不斷地產生天然符合真實世界物理規律和車輛運動學的真實路采數據；
得益于物理規律模擬得越來越好，越來越符合剛體動力學、摩擦力、重力等物理約束，云端世界模型/世界模擬器能夠以極低的成本實現常規場景的飽和覆蓋和長尾場景的按需創造。
海量真實路采數據與高質量合成數據的組合拳正在以前所未有的效率和規模攻克著制約自動駕駛系統性能提升的數據瓶頸。
算力層面，雖說并非不值一提，但確實沒有太高的優先級。
在算法-數據-算力三要素里，算法范式的轉變和數據瓶頸的突破主導了尺度定律可以向自動駕駛領域完美遷移。
正是基于尺度定律，Momenta創始人曹旭東最近才敢于斷言，到2028-2030年，自動駕駛將穩定地超越甚至大幅度超越人類的駕駛能力。
這不是基于美好祈愿的無腦預言，而是基于對尺度定律推動的增長曲線的合理推斷。
理想汽車之前有過一個判斷，分模塊方案只能實現L2，端到端方案可以實現L3，大模型才能實現L4。
換言之，端到端將自動駕駛能力等級由L2推進到了L3，大模型進一步將自動駕駛能力等級提高到了L4。
我們借花獻佛，遵循分模塊到端到端、端到端到大模型的路線簡單談一談，這兩個關鍵節點相繼解決了被代替方案的哪些缺陷。
分模塊到端到端更多的是一種開發范式的轉變。
原來通過人為設計的接口連接各個模塊、通過規則編碼駕駛決策的方式，轉變為由一個大一統的深度學習神經網絡統一處理感知定位-規劃決策、通過神經網絡和海量數據驅動駕駛策略學習的方式。
接口連接各個模塊到大一統神經網絡的轉變，消除了模塊間的信息墻，實現了從感知到決策的全量信息傳遞，使系統能夠利用數據中的全部信息進行全局優化。
系統能夠從全量信息中模仿學習到人類駕駛員的平滑、預判性操作，駕駛風格更像一個經驗豐富的老司機，提升了舒適性，也增強了安全性。
規則編碼轉向數據驅動意味著系統的能力不再依賴于天才工程師的靈光一現，而是能夠建立起強大的進化閉環，在“量產車收集數據-模型訓練-OTA升級-收集更多數據”的飛輪效應下，推動自動駕駛系統的能力持續快速地迭代。
端到端方案實現了在已知場景分布內高度擬人化的駕駛，但對于訓練數據分布外的場景，端到端方案缺乏基于常識的推理能力。
VLA在視覺V和動作A之間引入語言L這一強大的認知中間層，由于大語言模型壓縮了人類世界的海量常識與邏輯推理能力，VLA模型得以像人類一樣進行“思維鏈”推理，顯式地理解場景語義，從而解決了傳統端到端在復雜交通標識理解、他車意圖預測、社會性交互等方面的短板。
世界模型則致力于通過海量觀察，從物理本源從頭學起，直接構建起對物理世界運行規律的“第一性原理”認知。
總之，VLA/世界行為模型在數據驅動的骨架上注入了認知的靈魂，解決了端到端方案的“語義脆弱”問題，為處理訓練數據分布外的極端長尾場景提供了在線推理的工具。
基于數據的視角，自動駕駛的開發流程也在發生著一場靜默但深刻的范式轉移。
傳統開發范式以數據為起點，采取“采集數據-訓練模型-測試驗證”的開環流程。
在新范式下，開發的起點從“準備訓練數據”轉移到了“發現問題”上，形成了“仿真測試-針對性生成數據-閉環訓練”的迭代循環。
自此，在云端世界模型的推動下，自動駕駛的開發范式完成了從“有什么數據就學什么”到“缺什么能力就造什么數據”的根本性轉變。
且不談在虛擬世界中完成高風險測試的極致安全，單就學習方式而言，這種針對能力短板定向生成訓練數據的范式可以極大地加速發現問題-解決問題的迭代效率，從根本上破解數據的難題。
畢竟，自動駕駛行業缺的不是泛泛的數據，缺的是能夠暴露和修補自家特定模型能力短板的針對性數據，只有這樣的數據，才能稱得上真正的高價值、高質量！
在尺度定律的指引下，在算法范式、數據范式革命的技術洪流中，傳統L4玩家賴以筑起高墻的規則編碼的護城河，已經在數據驅動的端到端范式面前悄然瓦解。
他們堅信的L2與L4之間存在巨大技術鴻溝和不可飛躍的天塹的認知，也在VLA與世界模型面前被徹底證偽。
通往L4的道路，不再是Robotaxi玩家的專屬賽道了，它們能卷得過那些如狼似虎的L2賽道老玩家嗎？
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
