点击下方卡片关注“自动驾驶之心”公众号戳我-领取自动驾驶近30个方向学习路线作者 | 圆周智行编辑 | 自动驾驶之心原文 | 端到端是面子含模量是里子——智驾公司的生死线自动驾驶前沿信息获取→自动驾驶之心知识星球★谁在真正进化谁在假装聪明。智驾行业卷到今天能卷的指标几乎都被卷遍了。卷激光雷达线数卷芯片算力卷端到端、VLA、世界模型。每个季度都有新词冒出来每场发布会都有新故事可讲。但就在这堆眼花缭乱的参数和概念背后千里科技提出了一个完全不同的指标——含模量。他们认为这才是判断智驾公司真实水平的底牌是所有显性指标背后被忽略的底层指标。所谓含模量是指智驾全栈流程中由AI模型驱动的模块占比。听起来有点抽象我们把它拆开来看。智驾的全流程——从数据采集、感知、预测、规划、控制到数据挖掘、仿真评测其实是一个极长的链条。其中的每一个模块既可以由人工规则完成又可以由AI模型完成。在传统架构里这些环节仍然大量依赖人工手写的规则和算法。而含模量衡量的就是这个链条上到底有多少环节已经被AI模型接管。说得更直白一点一个智驾系统里到底有多少部分是真的在靠AI自己思考、自己迭代而不是靠工程师一行一行代码堆出来的这不是一个能写在参数表里的指标但它决定了所有你能感受到的东西车开起来丝不丝滑遇到陌生场景会不会“罢工”是“新手”还是“老司机”。要理解含模量为什么如此关键首先得搞懂一个概念梯度回传。这是大模型训练中最底层的机制输入数据 → 模型预测 → 对比真实结果 → 计算损失函数。差异越大损失函数越大。训练的目标就是通过反向传播调整参数让损失函数降到最低。不断重复这个过程让模型越来越准这也是模型自我进化的核心机制。把这套机制放到智驾上摄像头、雷达监测到行人和障碍物输出一个驾驶决策。如果这个决策和人类老司机的正确驾驶行为有偏差系统就给自己“扣分”然后触发梯度回传重新调整参数直到做出正确决策。整个过程就像客服反馈做得不好就改进不断把损失函数降到最低不需要人工干预模型自己就能越跑越聪明。但要让这套机制真正跑通有一个巨大的障碍需要先清除掉——多传感器的数据冲突。各类传感器的数据格式五花八门。激光雷达是点云信息毫米波雷达是波状信息摄像头是像素信息。它们各自有独立的成像算法独立做感知。当两者对同一个场景的判断冲突时比如激光雷达说前方有障碍物相机说没有。系统该怎么办传统做法是人工手写规则“这种情况听激光雷达的那种情况听相机的。”这听起来很合理但问题在于现实世界的场景是无限的而规则是有限的。每遇到一个新场景就要写一条新规则。规则越写越多系统越来越复杂但永远有写不到的Corner Case——因为现实世界的场景是无限的。更重要的是这种架构天然割裂了梯度回传。因为规则是人工定的数据无法直接参与决策模型也就无法自我进化。写到后面系统就变成了一座永远在加高的违章建筑。而高含模量的系统用的是另一套打法把不同传感器的信息统一成同一种格式。比如 OCC 算法用网格判断空间是否被占据遇到障碍物时不纠结于识别物体到底是“塑料袋”还是“石头”只判定有没有障碍物。统一格式之后全部灌进同一个大模型让模型自己判断该怎么开。系统不再需要纠结“到底该听谁的”因为所有信息在进模型之前就已经对齐了。数据进来了模型输出了偏差被捕捉了参数更新了一个完整的闭环就形成了。在这条路上特斯拉是一个绕不开的参照系。特斯拉的 FSD 系统是高含模量的活样板。有黑客拆解过特斯拉 FSD 端侧芯片发现其是由多个小网络模块组成看似是割裂模块拼接但实际上这些小模块都能向主决策模型回传特征与信息在统一框架下协同推理、整体对齐。它不是传统意义上分段拼接的“端到端”而是真正统一的智能系统。它的运作逻辑也非常简单8个摄像头纯视觉数据格式统一。视频流被切分成统一的Token输入一个大模型。模型最终只输出两个参数速度和转向。摄像头每秒能产生海量 Token数据量极大。上下文越多计算量和显存占用就越高。但特斯拉能在这种极限条件下实现高效处理与极简输出堪称“真・大脑”。特斯拉能做到这一点难度极高。车端需要在极短时间内完成统一表征、模型推理、决策输出对芯片、显存带宽、算法效率的要求都是天花板级别。再加上在仿真环境里跑海量Corner Case让模型自己“见过”所有场景。这套体系不是靠堆人堆规则能堆出来的。如果把特斯拉看作高含模量的标杆那么行业里的大多数企业走的是另一条完全不同的路。现阶段行业还在大量使用手工规则所谓一段式、两段式大多是噱头。自动标注、仿真训练大部分还在靠手写规则。有些模块很难模型化或者模型化效果不如人工精准。很多车企吹嘘数据量庞大但大量都是平稳驾驶的无效数据靠人工筛选、标注效率极低、成本极高即便对外宣传“全自动标注”行业远未成熟。这也呈现出产品体验的差异特斯拉决策一气呵成边减速边转向连贯流畅而规则主导的系统常常出现卡顿、犹豫——因为每遇到一个场景系统都要在无数条规则里“查找答案”决策延迟不可避免。这不是某一家公司的问题而是整个行业在拥抱“含模量”这个概念之前的普遍现状。正如Momenta曹旭东所言智驾真正的核心竞争力不在于单点算法而在于架构整合能力即把多个算法整合成合力。相比于混合技术路线(Rule-based 深度学习)纯端到端架构能带来更强的飞轮效应迭代速度更快。这一切指向的正是含模量背后的本质——系统是否具备自成长能力。规则系统是加法每多一个Corner Case工程师多写一条规则。人力成本线性增长但场景是无限的永远追不上。模型系统是指数每多一批高质量数据模型泛化能力可能跃升一个台阶。只要数据量够大、算力够强、含模量够高效果会持续增长。这就是大语言模型的Scaling Law也被普遍认为是自动驾驶领域的Scaling Law。长期来看坚持数据驱动、放弃规则堆砌的厂商会形成技术代差。“含模量”撕开了智驾行业最隐秘的伤口——最终能活下来的一定是那些能“长”出大脑的公司。自动驾驶之心求点赞求分享求喜欢