智驾端到端，不养闲人

“端到端，不养闲人。”

做自动驾驶相关研发五年的王军，说自己的焦虑从端到端技术开始走热就有了，今年1月，特斯拉发布“端到端”的技术，一句“更像是人类在驾驶汽车”，让自动驾驶的江湖，再起风云。

“端到端”来了，技术路线变了，打破了传统架构中模块化方案的解决思路，原有的规则被抛弃。作为规控工程师，王军也没预料到不到两年的时间，自己从年薪百万的香饽饽变成了难保饭碗的“闲人”。

王军说，他不是个例。端到端的秋风，吹向了智驾工程师们，焦虑着自己何时被“被秋风扫落叶”。工程师们的焦虑有两层，一层来自自己，一层来自公司。

来自自己，是因为一旦端到端方案向全行业普及，积累多年的技术栈将面临被淘汰的风险，多数工程师都要卷铺盖走人。“自己能不能成功切换赛道，加入端到端，很未知。”

来自公司，是因为端到端技术需要持续的高昂研发成本，以及与时间赛跑的量产竞赛，这是一个漫长且费钱的过程，传统技术栈在端到端架构中能否有用武之地，企业能否保持竞争力，也是未知。

所以，就像硬币的AB面。A面是端到端的概念炒得热火朝天，B面是智驾工程师们的自问。“端到端，会‘杀死’多少自动驾驶工程师？”

王军的答案是，端到端的风口，不会让所有人都能走过这道窄门。

曾被需要，又将被抛弃？

特斯拉用“端到端”再次搅动自动驾驶江湖之前，车企的路线，都在用模块化做自动驾驶。

这个路线，对中国车企来说，是契合的，可以用人海战术，处理各种corner case。就像激光雷达，中国企业用工程师人数红利和供应链优势，就把欧美玩家卷到“破产”的比比皆是。

在端到端技术走热之前，一位特斯拉FSD工程师曾这样形容华为的智驾团队，“华为自动驾驶有6千个工程师，主要用来写各种规则，因为 rule-based （基于规则）环境太复杂，总有新的 task （任务）出现。”

这几年，自动驾驶的人才市场可谓是兴盛，智驾的工程师们只要有过一两个量产项目的经验，年薪百万级别都很常见。曾有自动驾驶领域的猎头说，“地平线和禾赛这样的公司，研发团队的人均薪资基本到百万了。”

就算人力资本昂贵，每家的智驾团队规模都很庞大。头部公司有四五千人，六七千人都不意外，“穷一点”的公司，也有上千人。

为什么需要这么多人？

因为在端到端之前，自动驾驶的研发有一个难解的困顿。模块化的自动驾驶，由于感知、规划、决策各个模块是单独开发和优化的，系统的集成就变得非常复杂，自动驾驶写规则需要面对所有的Corner case。

比如，算法工程师告诉机器这是侧翻的卡车，遇到了要提前避让，但是万一遇到的侧翻的轿车，就需要打新的补丁。理论上来说，只要设定的规则足够多，覆盖的场景就足够多。

奈何，Corner case实在太多，且复杂。比如，“道路上的积水”、“飘来的塑料袋”，等等一些复杂环境理解能力的场景，很难用规则准确描述，有些开发工程量很大。

所以，业内有言，“有多少人工，就有多少智能”。底层逻辑在于，通过代码解决问题时，需要工程师研究所有的场景数据，甚至于需要1-5个工程师一周的时间去解决几个问题。

“工程师的人效，决定着系统的智能程度。”王军说，想在自动驾驶赢到最后的企业，团队规模都不在少数。

手里握着庞大的智驾团队规模的余承东曾说压力很大，华为自动驾驶每年花费10亿美元，累计支出超百亿。腾势汽车销售事业部总经理赵长江曾透露，比亚迪在智能驾驶领域拥有超过4000人的团队，软件工程师就有3000人，一个月发工资，自动驾驶团队要10亿元。就连此前在自动驾驶上投入不高的理想，也曾有过1300人的智驾团队。

“在模块化的架构下，一位工程师一天只能处理10多个case，效率不高。”自动驾驶企业元戎启行CEO周光说，算法工程师们，不可能把所有的 corner case 都穷举完。原因是，工程师写代码的速度，赶不上场景中出现问题的速度。

智驾老兵小鹏也表达过一样的观点。“小模型时期，环岛、窄路、小路、调头、大路口等场景非常难，可能要花3~5 个月。”小鹏汽车副总裁、自动驾驶负责人李力耘表示。

通过各个小模型规则的耦合是无法解决所有问题的，因为模型之间本身要传递更多信息。但是场景复杂多变，被车企推崇的城区智驾一直处于成本、体验和效率的“不可能”三角当中。

在车企一边苦恼自动驾驶的钱投入越来越多，一边苦恼补丁越打越慢，成本难以收回的时候，特斯拉又充当了“鲶鱼”。

端到端，三个字，让烧钱却无解的情况有了改变。

“不需要养几千人去搞corner case”

知乎上，有个自嘲的调侃，“没想到，最先被自动驾驶技术优化掉的，并不是司机们，而是为自动驾驶技术掉光头发的算法工程师们。”

算得上一个地狱笑话了。王军说，这个笑话他一点也不敢笑。

虽然，还在争论什么系统才是真正的端到端，也没有明确的量产落地路线，但是传统智驾技术栈，已经被归为“冷兵器时代”。这个名词，一听还有点“上个世纪”的味道。

“端到端”本质上是一个黑盒，以往模块化的、规则驱动主导的技术体系，被推倒重构。英伟达汽车事业部副总裁吴新宙认为，端到端正是智驾三部曲的最终曲，同济大学汽车学院教授朱西产表示，“端到端”是实现自动驾驶唯一的计算路线。

触觉敏锐的小鹏迅速改弦易辙，自动驾驶团队的重心转向端到端路线。李力耘曾在采访时被问到，在传统技术栈积累的那么多“武林高手”，还用得上吗？

李力耘也承认，原来工程化能力拼的是招募和堆砌各种方向的工程师，只要凑齐了就可以打。但是，进入端到端，玩法变了，“AI大模型”，就是对此前积累的扬弃。

朱西产表示，“人工准则模型”拼人力，“AI模型”的训练测试拼数据和云平台算力。端到端最直接的变化是，不再需要穷尽算法解决Corner Case 。

马斯克在直播中表示提到过，FSD Beta V12从头到尾都是通过AI实现。“我们没有编程，没有程序员写一行代码来识别道路、行人等概念，全部交给了神经网络自己思考。V12的C++代码只有2000行，而V11有30万行。”

就是说，从传统模块化转向端到端后，特斯拉的FSD所需要的代码，不到原来的1%。与此同时，在信息传递过程中，再也不用为了能让感知和规控必须“对齐颗粒度”，费尽心思。

“对神经网络来说，不同模态的数据都可以被表示成一种标准结构，只要把时间同步做好，甚至不对齐也可以，因为它可以自己学。”一家头部科技公司工程师表示。

成为多家车企供应商的商汤科技提出的一体化方案，整个系统中需要人工手写代码维护的比例，降到了最低，总共只有几千行代码的体量。

不需要那么多代码，自然也就不需要那么多“写规则”的工程师了。“端到端大模型本身不需要这么多人”，这个认知，让数量庞大的工程师们感到焦灼。

据悉，特斯拉自动驾驶算法团队300人左右，除去芯片设计端的100多人，软件端只有不到200人，负责规划控制的负责人离职了。之前，特斯拉一直不愿意向中国团队开放代码阅读权限，端到端之后，已经不需要国内工程师了，国内只需要标注即可。

“不需要养几千人的团队去搞Corner case”。理想创始人李想认为，所有自动驾驶团队，每天干的活都是靠人工去调试各种各样的corner case，而且放的人越多，corner case越多，和真正的自动驾驶就越遥远。

这话也从侧面印证了智驾团队正在被“优化”。小鹏、蔚来、比亚迪等车企智驾部门都成立了独立的端到端团队，随之而来的是“不被需要”的重石，砸在了自动驾驶工程师的头上。

由于过去小模型方式，导致一些工程师都只擅长自己专精的领域，“被优化掉”的危机，逼迫到了眼前。从猎头方面给出的信息是，现在很多智驾团队的招聘，都是僵尸岗位，车企智驾团队也不再放出新岗位。

不过，对于不同领域的工程师而言，端到端技术带来的冲击深浅不一。从目前的局面来看，传统做Rule-Basd算法的人员，还没有发生大规模裁员，剧烈的职位动荡发生在规控岗位。

传统的规控算法工程师主要有几个方向：路径预测、路径优化、规则后处理，以及车辆控制。对规控算法工程师而言，如果要加入端到端，几乎是重新切换赛道。

端到端之后，华为乾崑ADS 3.0采用全新架构，这一架构去掉BEV，只保留一张GOD网络，决策、规划合为一张PDP网络。类似的整合，频繁发生。

王军所在的工程师团队也被进行了分化，一部分去做量产交付，另一部分转向端到端。让那些只会写规则人在短时间内向端到端演进，有难度。但是不想被优化，只能学，不转的话就已经被落下了。

“传统技术栈被淘汰的会越来越多。”王军很焦虑。

传统技术栈“不能完全抛弃”

端到端之下，转型期已经开启。为了穿越窄门，自动驾驶团队都牟足了劲。

虽然，端到端的技术风口，不会等待岔路口上的每一个人，要么拥抱端到端，要么几年后离开智驾行业，但也不意味着完全抛却这些智驾老兵。

与传统的技术方案相比，端到端往往被认为上限高、下限低。目前的端到端路线尚且明确，是一体化更犀利，还是分段式更锋芒？各说纷纭。

一位自动驾驶公司产品负责人曾表示，“分段式会向一段式发展，代价是，需要进行更多数据处理，以及更多训练资源。从分段式到一张网，需要很长时间，要看有没有足够的钱。”

现在的局面是，特斯拉摸着石头过河，别人摸着特斯拉过河，无论是一体式，还是分段式，现阶段的端到端还是一个需要老师傅手工打磨的工艺，并不是完全输入信息，输出结果的自动工厂。

虽然，很多玩家都表示要ALL IN端到端，但是真正的端到端系统需要三要素，团队领头羊、数据和算力。

车企需要收集庞大的数据，用于解决场景问题的大量数据当模型，再训练。只要上千小时的视频数据，就可以训出来一个端到端demo。但是，从demo到量产，还有相当大的差距，训练出来的模型的质量能否完成量化、部署、仿真验证、上车，整个链条非常长。

“数据收集之外，工程能力还体现在大数据体系的建设、算力部署能力，这都不是一件容易的事。”李力耘表示。端到端智驾需要的视频数据获取成本和难度极高，数据质量要求也很严苛。

一位自动驾驶工程师提到，在训练端到端模型时发现，已有路测数据只有2%可以用。模仿学习面临的最大挑战是，数据匮乏带来的误差累积和泛化问题。

再加上，端到端大模型输出的轨迹还不够成熟，仍需要工程师要写规则兜底，传统的技术栈在新架构下仍然会有用武之地。

比如，和BEV有关的技术栈仍然在被当下前沿的架构所应用，油门和刹车的控制模块，目前也是采用传统的方式来做，车企还是需要在基于传统规则的安全模块上投入、兜底。

“端到端部门都还刚起步，目前还需要传统智驾部门做算法场景覆盖，保证自动驾驶安全的下限。”有车企的自动驾驶工程师表示。

“对现阶段智驾而言，每个细节的转弯、避让、减速，靠Transformer或端到端做不到。要靠大量工程师在大量场景里，去做苦活脏活累活，才能去真正地构建护城河。”地平线表示，愿意趴在地上，去干充满“泥泞”的事情。

虽然，在干充满“泥泞”的事情中，工程师也会抱怨，“即便进入端到端方案中，也是为新的方案兜底，不是核心岗位。”但王军觉得，得先把端到端的知识点吃透。

不能否认的是，新的技术路线之下，车企减少传统技术栈对外招人，但对智驾团队人才的画像，有了新的变化。

李力耘说，小鹏对内，会培养“冷兵器时代”优秀的算法工程师积极转型，对外会持续招聘优秀的人才，牵引他们的转型。这就要提到端到端的第一要素，“驾驭全局”的高阶智驾人才来当“领头羊”。

小米挖来前图森中国CTO王乃岩加盟，华为智驾通过相关专利来锚定人才，做定点挖掘。比亚迪引入百度舱驾融合智驾技术负责人周鹏，负责端到端大模型规控算法开发。

技术尚未落地，颠覆已经开始。一旦特斯拉这条鲶鱼将FSD引入国内，端到端走向量产，会不会“杀死”5万名工程师？

虽然未知。但是，端到端不养闲人已是事实。