最近，在智駕領域，“車位到車位”的概念火了起來。從詞意來看，好像是從一個停車位到另一停車位，但其中還“折疊”了一段城市領航輔助駕駛（城市NOA）。自動泊車并不稀奇，城市NOA也已經歷“開城大戰”階段，按理說“車位到車位”應該沒什么難度和賣點，為何產業鏈上下游企業卻以此屢屢宣介？

智駕落地場景貫通延展

2025年曾被行業預言將是城市NOA大規模爆發的元年，但現實發展得比想象還要快。

據媒體報道，1月13日，深圳機場成為國內首個正式允許“自主泊車代駕”商用試點的標桿案例；作為該項目的首個合作伙伴，華為乾崑智駕泊車代駕VPD（Valet Parking Driver）則成為國內首家拿下大型機場停車場官方許可的供應商。

按照計劃，車輛配裝華為乾崑智駕ADS 3.0系統的車主，在深圳機場指定區域將可以激活VPD的自主巡航泊車和一鍵召喚兩大功能，實現到機場趕飛機快速停車、返程后快速上車的場景需求。

具體來說，當車輛到達機場停車場下客區，車主下車后通過手機App操控，選好目標車位即可奔赴候機廳。車輛通過VPD能夠自主巡航并準確泊入目標車位。同時，在低速行駛過程中，車輛可自主會車避讓、禮讓行人，并在目標車位被占時自尋空車位，提高機場停車場內停車的效率。

同時，當車主飛行落地深圳機場時，車輛的VPD還支持一鍵召喚功能。車主可直接通過手機App讓車輛自主泊出并智能巡航到停車場上客區，實現“召之即來”，提升尋車效率。

“華為乾崑于業界首個提出并實現VPD泊車代駕商用，此次在深圳機場的商用試點發布，是智能駕駛領域的里程碑事件，也是我們邁向無人駕駛非常關鍵的一步。”華為智能汽車解決方案BU首席執行官靳玉志強調。

相較于城市NOA“全國都能開”這一更宏觀的發展規劃，從“車位到車位”對終端用戶而言更加實惠。“車位到車位”，從字面意思理解，就是從任意一個車位出發，經過各種復雜場景，最終到達另一個車位的全程自動駕駛能力。整個過程包含行車和泊車兩部分。相比于行車，自動泊車功能是容易被大眾忽略的部分，但恰恰是用戶購車時更看重的因素。

就在2024年的倒數第三天，靳玉志與阿維塔科技總裁陳卓在直播中，通過智駕順利實現了車輛從A停車場的非固定車位行駛至B停車場的任意車位，所演示的正是當月17日推送的ADS 3.2版本新功能。只見阿維塔12進入陌生停車場之后，系統自動識別周邊車位并自行泊入，整個過程相對無縫且流暢，即使車位被占，車輛也能“漫游”找到附近的空車位停進去。

據悉，此次直播中的那輛阿維塔12，首次來到該停車場就實現了自動規劃停車位的功能。這意味著華為乾崑的“車位到車位”無需記憶，首趟就可使用。

“車位到車位”產品密集發布

“車位到車位”這顆石子悄悄投入湖水后，炸醒了不少“裝睡的人”。

時鐘撥回到2024年廣州車展開幕前一天，小米董事長兼首席執行官雷軍通過直播展示了小米汽車“車位到車位”的智駕能力。而趕在2024年的最后一天，小米汽車正式官宣，“車位到車位”端到端全場景智能駕駛先鋒版已開始推送，支持車輛自動駛出車位、到達目的地自動開啟尋位泊車等功能。此次更新正式接入VLM視覺語言大模型，系統可識別復雜道路環境和特殊交通規則區域。

1月15日，理想汽車宣布，全新ADMaxV13.0即將隨OTA 7.0全量推送。該版本無限接近零接管800萬Clips訓練模型，城市、高速全場景端到端，車位到車位，“絲滑無斷點”。據試用過的理想用戶反映，升級后的ADMax系統可直接從城市NOA切換到自主記憶泊車AVP，實現“絲滑”的轉彎入庫，而最令人驚喜的地方在于系統還能夠自主過閘機。

原定去年年底推送的小鵬汽車，最終在2025年1月底才實現全量推送XOS 5.5.0，新增“車位到車位”智駕功能。小鵬汽車董事長何小鵬表示，基于小鵬圖靈AI智駕體系，小鵬成為行業首家用一套智駕軟件以及基于端到端大模型實現“車位到車位”的企業。據悉，該方案以一套軟件邏輯，打通地庫、閘機、城區道路等場景，并且輕地圖、輕雷達，路線還能無感生成。

與智駕有關的新名詞、新技術，多半離不開特斯拉的帶動作用，此次的“車位到車位”也是特斯拉率先拉動引繩。

2024年12月，特斯拉正式向外部用戶推送了FSD V13.2版本，支持“車位到車位”，并預計2025年一季度向中國用戶同步推送。根據官方的說明，與前一個版本相比，最新的V13針對AI4（HW4）平臺的車輛提供了非常多關鍵改進。有不少用戶在更新FSD V13.2后發現，新系統即便是在雪地行駛也能做到零接管，并且車輛可以準確駛入和泊出車位，點到點的智能駕駛能力并未受到影響，在夜晚也能夠自主駛入超級充電站充電。而且，特斯拉FSD V13.2也是無需記憶就可以實現點到點。

經歷了2022年的高速公路NOA，2023年的城市NOA，2024年“全國都能開”，2025年“車位到車位”成為新的智駕高地。放眼全球，特斯拉、華為、理想、小鵬、小米、極氪等聚焦高階智駕的企業，都進入了“車位到車位”的競技場。

從技術角度來看，“車位到車位”是一個復合的場景，包括停車場泊車代駕、城區和高速NOA、自動進出閘機等。從技術角度來看，無需固定車位意味著系統已具備強大的“世界感知”能力，自行漫游、自行定位、自行泊入更是感知與規控的完美結合。因此，業內也有觀點認為，“車位到車位”的競賽，本質是智駕企業“端到端”的博弈。

打通技術底層邏輯是關鍵

“‘車位到車位’沒什么稀奇的，實際就是智能駕駛的全部場景。”同濟大學汽車學院教授朱西產向記者解釋道，“原來的智駕針對單個場景拆分成各個功能，現在融合到了一起。”

華為乾崑智能駕駛業務前工程師劉源也證實：“‘車位到車位’功能的實現，主要邏輯就是從技術上打通了AVP代客泊車輔助和城區NOA，場景上合二為一，進一步簡化消費者的操作。”他告訴記者，雖然不少車企都宣布擁有“車位到車位”的智駕功能，但底層邏輯存在差異。“有的廠家兩段技術棧不同，要拼接到一起才能實現。華為的邏輯則是打通端到端這一個技術棧的兩個場景。”據介紹，實現端到端從場景能力上的打通后，以前AVP是AVP技術，NOA是NOA技術，現在多個場景都可在整體NOA能力的延展上直接復用。

自動泊車和城市NOA技術都已量產落地，那么“車位到車位”無非是將兩種功能實現“A＋B＋A”的結合，難點何在？在劉源看來，“車位到車位”場景的“拼接”并不難，難的是打通端到端的底層邏輯。

不難發現，此番宣布實現“車位到車位”的車企，基本都是端到端技術路線的擁護者。這是偶然，也是必然。朱西產認為，如果不采用人工智能端到端技術，無法實現“車位到車位”這種復雜的應用。端到端一定是智能駕駛的現在和未來，是實現自動駕駛惟一的計算路線。

朱西產還強調，端到端模型的優勢，在于減少各模塊之間信息傳遞過程中的丟失問題，通過Transformer構成一個更大的網絡，訓練過程中實現更多參數的全局最優；另外，還可以提升開發效率，實現全局優化及更強的泛化性等。“上限很高，但難度也很大。”他直言，要真正實現“全場景都能開”，目前的端到端模型還差得很遠，尤其是達到“一段式端到端”，幾乎不可能。

其實，業內對于“一段式端到端”還是“兩段式端到端”的爭議由來已久。有市場分析人士認為，目前在做“一段式端到端”的企業鳳毛麟角，大多數企業的技術和產品還是分段式。

據了解，“兩段式端到端”方案的信息經過感知模型過濾后，再到規控模型，有兩個信息處理環節。而“一段式端到端”方案將智駕的感知、預測決策、規劃多個模塊合為一體，直接從傳感器輸入外部環境信息，并輸出車輛的行駛軌跡，使得端到端模型像人類大腦一樣，具備更高的理解力和進化能力，能夠掌握新的工具并應對未曾見過的場景。

“安全是汽車不可忽視的最重要原則。”朱西產表示，如果要做“一段式端到端”，就要拿掉安全準則模型，車輛將傳感器采集到的信息直接發送到一個統一的深度學習神經網絡，神經網絡經過處理之后，輸出自動駕駛汽車的駕駛命令，即算法直接將系統的輸入端連接到輸出端。雖然信息無損程度更低，但其“黑盒”屬性（模型的決策過程不公開或難以理解）存在更大的安全挑戰。

無法與人工準則模型進行“組裝”，也是“一段式端到端”不可忽視的缺點，尤其是涉及安全的準則模型。另外，還有數據要求質量高＋數量大、算力難題、算法難題、可解釋性難題、模型設計難題、上車難題等挑戰。同時，“一段式端到端”系統，比分層的端到端更難收集“長尾問題”數據，也會影響模型迭代。

朱西產承認，“一段式端到端”大模型的表現非常驚艷，但他估計近兩年上車的可能性不大。朱西產表示，根據國內車企目前在智能駕駛領域的數據能力和AI訓練算力，做感知端到端，融合激光雷達的感知方案，在規控算法上保留安全準則模型，這種分段式端到端模型是比較合理的技術路線。

行業還應理性發展端到端

無論哪種技術路線，端到端模型的自研難度都不容小覷。

具體難在哪？朱西產給記者算了一筆賬，持續開發訓練端到端大模型，首先需要高算力的人工智能芯片，其次離不開海量的數據支持，再次需要建設高算力的訓練平臺，還得有懂人工智能的高級人才來構建模型。“算法、數據、算力都要靠芯片來支撐，包括車端推理算力及云端的訓練算力，都需要高算力人工智能芯片驅動，這些芯片成本高昂，以英偉達A100為例，一顆大概價值25萬元，而這樣的芯片在大模型的訓練中至少需要1萬顆，總共需要約25億～30億元，這是一筆不小的投入。在美國對華發布新一輪芯片禁令后，這些高算力芯片恐怕將更難獲得。”

除了高算力芯片外，大批量優質數據的獲取也是一大難題。理想汽車用戶張先生在OTA 7.0更新前，使用城市NOA功能的頻率非常高。作為一名老司機，他對老版本略有微詞。“雖然在大部分情況下，智駕的表現令人滿意，但在一些復雜路況和極端路口，我還是不敢使用智駕系統。”張先生舉例說，“我家住胡同，道路狹窄，路邊不規則障礙物多，有時候就識別不出來。另外，在多車交匯路口，智駕系統的邏輯過于保守或者說太守規矩，其實是不太符合‘老司機’的駕駛邏輯。”

如何將車輛訓練得更像“老司機”，幾乎是研究端到端模型自動駕駛企業要面對的共同難題。而除了收集更多優質的數據不斷訓練，似乎目前也沒什么更好的辦法。馬斯克曾在社交平臺X上回帖道：與V12.5.4相比，13.2版本能力提升了5倍；模型參數量增加3倍，讓基于時序的推理能力大幅提高。

理想汽車智能駕駛研發負責人郎咸朋此前也表示，要達到500公里的綜合MPI（城市＋高速綜合接管里程），預計需要2000萬Clips（視頻片段）的水平。如果2000萬Clips從不到5％的老司機中篩選，這里隱含的數據量，要達到50億公里甚至上百億公里的水平。這種等量級的數據需求將卡住不少智駕企業。

知行科技創始人兼首席執行官宋陽認為，智駕行業對端到端似乎有些過于神話的傾向，認為其無所不能。事實上，行業對基本常識還需有一定的認知。端到端并非萬能，其“黑盒”特性決定了無法通過簡單明確、可解釋的規則約束系統的安全邊界，因此存在安全性挑戰。模型能力評測從模擬環境到真實環境，系統的適應能力和泛化能力有待更廣泛的驗證。

凱聯資本研究院院長由天宇更是直言，整個行業都得了“AI焦慮癥”，大部分從業者只模糊認識到AI是大趨勢，但實際并不明確AI的發展方向、底層邏輯，也不知道AI將如何重構產業，甚至不清楚自己要做什么，只是被裹挾著不得不做。

車企一窩蜂扎向端到端的行為并不理智，也不現實。但隨著一些新創品牌的倒塌，業界都意識到未來的市場競爭必將更加激烈，尤其是智能化競爭的下半場，端到端幾乎成為下一輪決賽圈的“入場券”。

對于大部分車企來說，不做端到端可能會“死”，做端到端但是做不好可能也會“死”，站在“分岔路口”何去何從。

對此，業內專家認為，車企擁有第三條路的選擇，那就是“抱團取暖”。“我們并不建議車企都去自研端到端，這條發展道路投入大、難度高、收效慢，明智的做法是選擇與華為、大疆、地平線、Momenta等企業合作賦能。”朱西產表示，目前，國內如華為、地平線、黑芝麻智能等企業已經小有成績，尤其在車端計算芯片方面，像華為在車端和云端計算都有著很強的實力，可以直接為車企賦能，讓專業的人做專業的事，車企專心做車，這樣會更有利于整個行業的資源集中，形成良好的持續發展態勢。

消息來源：中國汽車報