繼「全國都能開」后，「車位到車位」成為智駕最新的評價標(biāo)準(zhǔn)。

具體分兩個維度，「有沒有」以及「強不強」，就此區(qū)隔強者與恒強者的身份。

放眼全球范圍內(nèi)，特斯拉、華為、理想、小鵬、小米、極氪六名智駕玩家，都進(jìn)入了「車位到車位」的競爭場域。

一場更嚴(yán)苛的像素級競爭開啟后，新舊勢力們追趕第一梯隊的弦崩得更緊了。

優(yōu)勝劣汰下，有人離終點更近一步，就意味著有人離淘汰也更近一步。

01 當(dāng)智駕談?wù)摗杠囄坏杰囄弧箷r，到底在談?wù)撌裁?/span>

端到端落地后，比拼關(guān)鍵在于用戶體驗。

從營銷視角著眼，用戶體驗是一個很籠統(tǒng)的詞，車企/供應(yīng)商需要借助一個強有力的論據(jù)，讓用戶看到擊穿痛點的價值。

由此，各玩家盯上了「車位到車位」。

華為率先提出了這個概念，按照字面含義，它指向了從任意車位出發(fā)到目的地車位的全程智駕。

如果說此前「全國都能開」是從面上證明開城規(guī)模廣，現(xiàn)在的「車位到車位」就是從點上明確使用價值強，把「從 A 點開到 B 點」的底層邏輯映射到現(xiàn)實層面。

在華為打出樣本之后，小鵬、理想、極氪、小米都心照不宣地將「車位到車位」提上日程。

大洋彼岸的特斯拉，最近也將「車位到車位」功能更新到智駕最新版本 FSD V13.2 中。

我們試圖從六名玩家對于這一功能的敘事中，解讀其背后的隱含意義，主要有三點。

一是全場景覆蓋。

「車位到車位」打通了停車場到公開道路、公開道路到園區(qū)、園區(qū)地面到地下車庫等多種場景，其中，「過閘機」能力成為了表述關(guān)鍵詞。

理想強調(diào)在端到端大模型應(yīng)用下，系統(tǒng)可以自主通行 ETC，且不限范圍、無需學(xué)習(xí)，全國超 1 萬個收費站均可識別通行。

極氪則表示該功能具備行業(yè)首個「四抬杠」能力，能夠毫秒級精準(zhǔn)捕捉抬杠狀態(tài)，自動識別并通過地庫閘機、高速 ETC 閘機、園區(qū)閘機等。

二是應(yīng)對復(fù)雜路況。

此前車企在闡述智駕能力時，往往把應(yīng)對多個極端場景作為重點論據(jù)。但極端場景多樣化無法窮盡。

而在「車位到車位」的語境下，則強調(diào)了智駕應(yīng)對復(fù)雜路況的連貫性與完整性。

小鵬就強調(diào)了車輛在「車位到車位」整個過程中，能夠應(yīng)對復(fù)雜路口、匯流變道、識別并避讓特種車輛，實現(xiàn) U 型掉頭等特殊操作，做到全程無接管。

三是連接泊車功能。

車企在自動泊車能力上已經(jīng)卷到了厘米、分秒級別。

這邊小鵬表示，系統(tǒng)可以泊入比車身寬僅 30cm 的極窄車位，號稱側(cè)方位、斷頭位、刁鉆車位「一把到位」；

那邊極氪跟上，聲稱其泊車功能支持車寬+左右 20cm 的窄車位泊入，平均泊車時長 36 秒，在壓線情況下能實現(xiàn)智能偏移。

現(xiàn)在，在「車位到車位」的應(yīng)用場景中，這種出色的泊車能力與車輛行駛之間沒有斷點。用戶坐進(jìn)車內(nèi)，就可以啟動智駕，系統(tǒng)可以在自動駕駛與泊車無縫協(xié)作下，到達(dá)下一個車位。

由此，跨過「車位到車位」這道大坎的玩家們，正在新的度量衡中開啟競速。

目前，理想已經(jīng)在 11 月底全量推送了「車位到車位」功能，華為、小米、小鵬、特斯拉都開啟了不同程度的內(nèi)測，都預(yù)計明年開啟全量推送，極氪則預(yù)計明年一季度分批推送，二季度全量推送。

02「車位到車位」水面之下，暗流交相涌動

當(dāng)各家都亮出「車位到車位」大招時，如何評判功能優(yōu)劣的問題接踵而至。

理想汽車技術(shù)專家文治宇曾一針見血指出，車位到車位做的好不好，主要看兩個核心要素。

一是體驗連貫性，即在啟動這個功能前是否需要多次學(xué)習(xí)，學(xué)習(xí)完成后能否立即開啟使用；

二是產(chǎn)品完整性，即對于一些復(fù)雜起步場景，如多層車庫能，是否也能夠駕馭，做到全程無斷點。

圍繞這兩點，把目前這些玩家的「車位到車位」功能放進(jìn)審視場域中，可以明顯看到共性與差異。

共性在于，無論內(nèi)測還是全量推送，目前國內(nèi)玩家在地庫、封閉停車場場景時由于沒有導(dǎo)航信息，需要先由用戶跑「圖」。

具體建圖方式還不一致，有玩家要求車企把地庫所有路線全部跑一遍，相當(dāng)于給地庫建一次全面、清晰的地圖后，方可使用「車位到車位」；

另一種思路是，用戶僅需按照系統(tǒng)要求，完成起點、目的地的車位駛?cè)脒M(jìn)口、駛出出口的路線學(xué)習(xí)，即可啟動該功能。

當(dāng)然，系統(tǒng)也會結(jié)合用戶常駕駛路線數(shù)據(jù)，通過靜默學(xué)習(xí)，自動生成通勤路線的「車位到車位」。

所以，唯一區(qū)分點在于，「車位到車位」功能能否適用于初次行駛場景，即用戶在陌生路段不建圖，也能全程使用智駕。

目前似乎只有特斯拉做到了。

在國外用戶實測 FSD V13.2 版本的視頻中，用戶把車輛開進(jìn)多樓層、甚至標(biāo)識不清晰的停車場頂樓后，還故意繞了很多圈迷惑 FSD，但開啟智駕后，系統(tǒng)在未提前學(xué)習(xí)路線的情況下，沒有出現(xiàn)無目的繞圈、跟車行為，而是很快找到正確路線，并從出口處駛離停車場。

如果說國內(nèi)玩家「車位到車位」功能需要學(xué)習(xí)路線后才能開啟，就意味著它目前適用于固定、高頻率的出行路線，而特斯拉把這一先驗條件摘除后，用戶則可以通過從車位開啟智駕，去往任何「無圖」區(qū)域。

另一差異點在于，玩家們的對于「車位到車位」的具體解題思路還不一致：

一派以理想為代表，遵循「VPA+NOA+VPA」的技術(shù)路徑。

即在停車場路段，驅(qū)動系統(tǒng)行駛的是記憶泊車/代客泊車模式，而駛?cè)牍_道路后，則立刻轉(zhuǎn)變?yōu)橹邱{領(lǐng)航模式。從 SR 畫面可以直觀看出，當(dāng)系統(tǒng)進(jìn)入停車場景時，從泊車界面會絲滑切入智駕界面。

這一路徑，也成為了目前多數(shù)玩家的選擇。

另一派以特斯拉、小鵬為代表，用一套模式打通全場景。

即無論是在園區(qū)封閉路段、地下停車場區(qū)域還是在公開路段，SR 界面一直保持智駕 NOA 畫面，不會隨場景變化切換軟件系統(tǒng)。

小鵬自動駕駛產(chǎn)品高級總監(jiān)袁婷婷表示，這種方式的優(yōu)點在于，當(dāng)行駛到停車場與公開道路的交匯點時，系統(tǒng)不會因切換軟件導(dǎo)致卡殼現(xiàn)象，相當(dāng)于從汽車起步時，就切換到 NGP 系統(tǒng)上，保證體驗一致性。

行泊一體的邏輯，還使得 XNGP 大模型在封閉場景及停車場區(qū)域，可以更好應(yīng)對繞柱、避障、極窄通道會車、連續(xù)急彎等場景。并且，相比兩套模型，一套模型的更新、維護在成本、效率上似乎是更優(yōu)解。

總之，盡管目前特斯拉 FSD V13.2 內(nèi)測版本看似領(lǐng)先一步，但距離其入華還有一段時間。

在此期間，國內(nèi)玩家的技術(shù)飛輪正瘋狂轉(zhuǎn)動，不斷優(yōu)化「車位到車位」功能，更新到最終全量推送的版本上。

在真正同臺競技的時刻之前，勝負(fù)依然未定。

03 端到端進(jìn)化到 2.0 時代

「車位到車位」，可以看作各玩家對于「端到端」方法論的具體演繹。

「端到端」上車，本就指向了 AI 系統(tǒng)擁有類人駕駛的能力，一張神經(jīng)大網(wǎng)囊括了從感知到規(guī)控所有模塊，從而在應(yīng)對極端場景時，不再被生硬的規(guī)則控制，而是像人類司機一樣觀察、思考、決策、執(zhí)行。

這反映到「車位到車位」的實際場景中，系統(tǒng)可以應(yīng)對各類極端情況，駕駛水平愈發(fā)出色，由此構(gòu)成了技術(shù)-應(yīng)用的完整閉環(huán)。

在數(shù)據(jù)閉環(huán)迭代過程中，「端到端」技術(shù)也演化到了 2.0 階段。

這時，投身于端到端浪潮的頭部玩家們，從路徑收斂走到了路徑分野的十字路口。

一邊從感知規(guī)控模塊劃分，「兩段式端到端」向「一段式端到端」奔涌。

前者將感知模塊視為一段，預(yù)測到?jīng)Q策模塊視為另一段；后者則是將感知與規(guī)控端到端模塊全部打通。

「兩段式端到端」典型代表為華為乾崑 ADS3.0，由 GOD+PDP 網(wǎng)絡(luò)組成，GOD 網(wǎng)絡(luò)負(fù)責(zé)感知、識別障礙物，PDP 網(wǎng)絡(luò)則根據(jù)感知信息迅速做出決策。

而「一段式端到端」主要玩家有 Momenta、商湯科技等，將感知端到端與規(guī)控端到端都集成到一個大模型中，使系統(tǒng)能夠更直接、高效地處理信息并作出反應(yīng)。

一段式端到端是兩段式端到端的進(jìn)化形態(tài)，由于其打通感知、規(guī)控端到端環(huán)節(jié)，使得模型感知信息更準(zhǔn)確，規(guī)控反應(yīng)可以更為順暢，靈活，智駕水平更強。

Momenta 已經(jīng)踐行了這一演進(jìn)路徑，在 2023 年量產(chǎn)兩段式端到端后，在今年上半年又實現(xiàn)了一段式端到端落地。

據(jù)媒體報道，華為車 BU 也在攻入一段式端到端方案，這或?qū)⒊蔀?ADS 4.0 版本的重要能力。

另一邊從技術(shù)路線思考，「端到端+VLM」朝「VLA」路徑開始迭代。

理想以「快慢系統(tǒng)」理論為基礎(chǔ)，先設(shè)計出一套「端到端+VLM（視覺語言大模型）」系統(tǒng)。

兩個模型分工協(xié)作，端到端模型基于快思考，負(fù)責(zé)處理常規(guī)的駕駛行為，VLM 模型通過慢思考，應(yīng)對高難度的極端場景。

而 VLA 模型是近期走上技術(shù)神壇的關(guān)鍵詞，由元戎啟行率先提出。

VLA 即視覺-語言-動作模型，顯然，從名稱中可以發(fā)現(xiàn)，它是「端到端+VLM」系統(tǒng)的一整個融合體。

這種一體化方式，使系統(tǒng)接受到數(shù)據(jù)后，不再由「快慢」系統(tǒng)進(jìn)行多次交互與調(diào)整，而是一次性生成最終駕駛指令，提高信息處理、決策的效率，并能夠應(yīng)對一些更具挑戰(zhàn)性的長尾場景，如幾十秒路況的長時序推理等。

最近理想發(fā)布的高級工程師招聘細(xì)則中，清晰提到的一條「負(fù)責(zé)研發(fā)和落實理想汽車下一代自動駕駛端到端 VLA 大模型算法」，再次證實了 VLA 模型將成為未來方案。

事實上，無論是「一段式端到端」還是「VLA」模型的新型進(jìn)化，背后都是對 AI 資源的進(jìn)一步消耗。

模型參數(shù)越大，對硬件算力、數(shù)據(jù)閉環(huán)的迭代能力要求越高。

據(jù)悉，部署 VLA 模型，對芯片算力等級直接來到了 NVIDA DRIVE Thor，算力高達(dá) 1000+TOPS。

資源戰(zhàn)打響后，智駕第一梯隊與其它玩家的分水嶺變得更大了。

在端到端 2.0 時代，性能體驗與成本都在朝不同方向無限延伸：

性能走向高處，「車位到車位」成為衡量智駕水平的核心維度；

成本走向低處，高階智駕正快速落地 20 萬元以內(nèi)的新車。

其它智駕玩家們在前后夾擊下，「性價比」的擔(dān)子更重了。

這也意味著，智駕「第一梯隊」走的越來越快，掌握了更多資源，一場馬太效應(yīng)正在行業(yè)默默蓄勢。

市場很現(xiàn)實，如果不想被規(guī)則淘汰，那就只能改寫規(guī)則。