端到端大模型正在从根本上重构智能驾驶的技术范式。国联证券研究所报告指出，特斯拉FSD V12将城市街道驾驶堆栈升级为端到端神经网络，取代超过30万行显式C++代码，2024年3月从Beta版升级为Supervised监督版。特斯拉累计智能驾驶里程已超13亿公里，国内理想、小鹏、华为等头部玩家加速跟进。端到端大模型通过神经网络简化运算步骤，打通从感知到决策的全过程，将智能驾驶的核心生产力从研发人员转向数据和算力，有望凭借算力积累实现功能迭代。2025年或成为智能驾驶垂直类大模型大规模落地的关键节点。
端到端范式革命：从30万行代码到神经网络
端到端大模型正在从根本上改变智能驾驶的研发范式。传统智能驾驶系统依赖“感知—决策—执行”的模块化架构，特征提取和数据转换需要大量人工干预，包括人类标注、边缘检测等手动设计方法，需要大量人力参与训练。一个成熟的城市NOA系统可能需要数十万行人工编写的规则代码。
端到端神经网络通过多层神经元结构，将输入数据逐步转化为更高层次的特征表示，网络通过反向传播算法自动调整权重。智能驾驶应用中，端到端大模型可以从传感器数据直接学习驾驶策略，去除过去“感知—决策—执行”的传统链路，充分提升数据和训练效率。特斯拉FSD V12取代了超30万行C++代码，将城市街道驾驶堆栈升级为在数百万个视频剪辑上训练的单个端到端神经网络。端到端大模型在功能表现上有更高上限，受益于数据规模持续扩张，未来有望加速落地。
核心要素转型：从研发人员到数据和算力
端到端大模型将智能驾驶的核心竞争力从研发人员数量转向数据和算力规模。功能迭代基于数据驱动，流程包括车端数据生成、数据存储、场景识别和清洗、数据认知和模型构建、模型升级和车端OTA。过去以规则为基础的方案在数据认知和模型构建中以研发人员能力和数量为导向；当下大模型落地后，标注上通过自动标注算法降低人工成本，训练上通过云端大量驾驶里程数据训练提升准确性。
算力和数据逐步转化为智能驾驶未来发展的核心生产要素。算力对比来看，特斯拉领跑达15EFLOPS，华为建设速度较快达3.5EFLOPS，理想超1400PFLOPs。云端合作上，华为使用华为云，蔚来使用腾讯云，小鹏和吉利与阿里云合作，理想和长城使用火山引擎。百度作为H100持有量较大的互联网企业保持算力优势。车企域架构车型保有量、算力建设情况、云端投入成为智能驾驶端到端大模型评价的重要外部指标。
落地时间表：2025年垂直类大模型加速落地
大模型进入细分化阶段，各行业垂直类大模型进入加速落地期。结合其他行业垂直类大模型进展，智能驾驶端到端大模型作为具备标准体系和安全规范的重要垂直类模型，2025年有望迎来大规模功能迭代和使用体验升级。
车企算力硬件部署接近完成，数据体量作为依托将加速功能落地。特斯拉软件版本从FSD Beta V11.4到V12.5持续迭代，国内新势力加速跟进——理想OTA6.0后部署端到端大模型和VLM模型，小鹏XNGP实现100%无图覆盖全国283城，华为ADS城区NCA覆盖超40000城乡镇。从域控制器、芯片到算法，国内智能驾驶技术路线与特斯拉基本一致。2025年智能驾驶端到端大模型有望从“技术验证”进入“大规模商用”阶段。
数据飞轮：累计里程决定模型上限
累计里程数据是端到端大模型迭代的根本燃料。新增智能驾驶有效里程=车型销量×单车单日行驶里程×智驾付费率。存量数据看，特斯拉13亿公里领跑（含2亿公里端到端数据），理想ADAS 19亿公里，蔚来8.5亿公里，小鹏10亿+公里（含2.16亿仿真测试），华为赛力斯2.65亿公里，百度阿波罗保持1亿公里。
国内头部新势力蔚来、理想、小鹏均接近10亿公里里程数据积累。按照“数据规模→模型效果→用户付费→销量提升→数据增长”的正循环逻辑，数据规模领先的车企将在端到端大模型竞争中占据先发优势。特斯拉累计里程从2023年3月的约5亿公里跃升至2024年7月的13亿公里，数据飞轮的加速效应已经显现。国内车企端到端大模型有望在2024-2025年迎来加速训练和功能落地的拐点。
主要车企智能驾驶端到端大模型关键参数对比| 车企 | 端到端模型 | 累计里程 | 云端算力 | 域架构车型销量（万辆） |
|---|
| 特斯拉 | FSD V12 | 13亿公里 | 15EFLOPS | 全球535.6 |
| 理想 | Drive-VLM | 19亿公里 | 1400PFLOPs | 47.7 |
| 小鹏 | X-Brain | 10亿+公里 | — | 14.9 |
| 蔚来 | — | 8.5亿公里 | 600PFLOPs | 19.3 |
| 华为 | ADS 3.0 | 2.65亿公里 | 3.5EFLOPS | 15.4 |
