[首發于智駕最前沿微信公眾號]隨著智能駕駛輔助系統的發展，汽車行業正在從傳統模塊化架構向端到端（End-to-End，E2E）模型邁進。端到端模型的核心理念是將感知、決策和控制功能整合到同一深度學習網絡中，讓系統直接從傳感器數據生成車輛控制指令。這種方法在提升系統響應速度、優化復雜場景表現以及減少模塊間誤差積累方面展現出顯著優勢，但同時，為了滿足足夠龐大的智能駕駛輔助需求，端到端模型也面臨數據量、算力需求、可解釋性和安全性等多重挑戰。2025年8月28日，在智能汽車大會2025上，華為云CloudVeo智能駕駛云服務正式發布，為端到端模型研發提供了強有力的基礎設施和算力保障，或將為行業發展帶來新機遇。

華為云CloudVeo智能駕駛云服務解決方案全景圖

端到端模型的技術價值與現實挑戰

傳統智能駕駛輔助系統采用感知、決策、規劃和控制分模塊處理，每個模塊通過明確接口傳遞信息。其優點在于可解釋性強、模塊獨立易于維護，但在復雜場景下，信息傳遞延遲、模塊間耦合問題和算法迭代不同步的缺陷就會凸顯。像是在城市交叉口、密集車流或雨雪天氣等邊緣場景中，傳統模塊化方法往往難以快速響應多變環境，容易產生決策滯后或路徑規劃不一致等問題。

端到端模型通過統一網絡直接映射傳感器輸入到車輛控制指令，整體優化車輛行為，使車輛在復雜場景下的表現更連貫自然。這種方式充分利用深度學習的優勢，將視覺、雷達、激光雷達等多模態數據輸入模型進行聯合訓練，系統可以同時學習道路特征、交通信號、周邊車輛行為以及潛在風險。這種整體優化減少了模塊間誤差累積，使得車輛在復雜環境下的行為更為連貫和自然。

端到端方案表面上看起來非常理想，因為它把感知、決策和控制全部整合在一起，實現了從傳感器輸入到車輛動作輸出的閉環。但在真實駕駛環境中，要讓這種方案可靠地工作，仍有不少挑戰。訓練端到端模型需要大量且多樣化的數據，這就要求覆蓋城市復雜路口、鄉村道路、高速公路，還要考慮暴雨、濃霧、夜間行駛和積雪等極端天氣的情況。每一種場景都有不同的視覺和雷達特征，模型需要學會從多種傳感器信息中提取關鍵特征，并在特殊情況下作出安全決策。如果數據不夠全面，模型在未見過的場景里就可能表現不穩定，這對安全是很大的隱患。

端到端模型對算力的要求也非常高。深度神經網絡通常要處理高分辨率圖像、激光雷達點云和毫米波雷達數據，信息量極大。訓練模型需要處理數十萬小時的駕駛數據，同時完成多模態特征融合、時序建模和決策優化。為了讓模型不斷迭代和升級，需要大規模GPU集群、高速存儲和高帶寬內存來支撐。而在車輛端，模型又必須在有限算力下快速做出決策，保證低延遲和高精度，這對模型壓縮和推理優化提出了很高要求。

還有一個問題就是可解釋性。端到端模型的決策是由大量參數的非線性組合產生的，內部邏輯不容易直接理解。對于安全敏感的駕駛任務，監管部門和車輛使用者都希望了解系統為什么會在某個場景做出某個動作。像是在復雜路口是否選擇變道或在濕滑路面是否要減速，這些決策邏輯在模型內部的權重是很難觀察的。這也讓測試、驗證和回溯分析變得復雜，需要通過仿真、對抗測試和因果分析等方法，確保模型在各種邊緣場景下仍然可靠。

智駕最前沿以為，對于智能駕駛行業而言，端到端模型的發展已成為不可逆的趨勢，其結構可能會在多模態信息融合和時空特征建模方面不斷演進。像VLA（Vision-Language-Action）與世界模型的結合，可以讓系統在復雜道路環境中獲得更精準的感知和預測能力，實現對周圍動態場景的深度理解。同時，云端與車端的協同模式將逐漸成為主流，高性能算力集中在云端，車輛端運行輕量化模型，使復雜計算能夠在保證實時響應的前提下落地到每一輛車上。端到端模型的可解釋性和驗證機制也將不斷完善，通過仿真驗證、行為約束建模以及可解釋AI方法，可以對系統決策進行深入分析和安全保障。華為云CloudVeo智能駕駛云服務針對這些趨勢就提供了全面支持，依托超強算力和全國分布式汽車專區，為端到端模型的訓練、迭代和落地提供高效、穩定的技術保障，使智能駕駛輔助系統能夠更可靠地應對實際道路場景。

CloudMatrix384超節點與云端算力加速

端到端模型對算力的依賴極其強烈，單靠車端算力難以完成大規模深度學習訓練和復雜多模態數據處理。華為云推出的CloudMatrix384超節點計算架構，為端到端模型訓練提供了行業領先的算力平臺。今年4月，該架構在蕪湖數據中心實現了規模化部署并率先投入商用，成為國內首個真正落地的大規模超節點集群，為智能駕駛模型的快速迭代和高效訓練奠定了堅實基礎。

CloudMatrix384超節點計算架構

該平臺將384顆昇騰NPU和192顆鯤鵬CPU通過全新高速網絡MatrixLink全對等互聯，形成一臺超級“AI服務器”，支持高帶寬緩存和大容量存儲，為模型訓練提供了充足的資源，在端到端和VLA模型上，其性能優于H100 GPU，使得大規模訓練成為可能。現階段，已有100萬輛智能車依托云上昇騰算力支持得到了落地。

云端算力不僅優化訓練階段，還會顯著加速仿真驗證過程。傳統生成式仿真場景構建通常需要一周時間，而在CloudMatrix384超節點算力平臺上，這一過程可縮短至5分鐘，版本迭代周期從月級縮短至周級。這意味著開發團隊能夠更快速地測試端到端模型在極端場景、低速泊車及緊急避障等多樣化條件下的表現。結合AI-Native智算存儲，高性能緩存容量達128PB，緩存帶寬提升至12TB/s，大幅提升了數據讀取和模型訓練效率，為復雜模型提供了穩定、可擴展的算力支持。

“以云助車”的方案也會使端到端模型在車端運行時更為輕量化。車輛主要承擔實時數據采集和控制指令執行，而復雜計算和模型推理遷移至云端，實現云端模型訓練與端側應用的高效協同。這種模式不僅優化了端到端模型的實際表現，還在泊車和低速巡航場景中提高了成功率和操作平滑度。華為云方案通過云端模型輔助，讓泊車成功率提升15%，端到端泊車效率顯著優化。

全國多專區布局，全國覆蓋都可行？

算力優化必須依賴網絡與基礎設施的高效布局。華為云在全國布局了貴安、烏蘭察布和即將上線的蕪湖三大汽車專區。本次貴安專區上線實現跨越南北的雙專區布局，與烏蘭察布專區形成聯動，為端到端模型訓練與應用提供低時延、高可用的分布式環境。

華為云貴安汽車專區發布儀式

多區域多活架構的設計，使得端到端模型在跨區域出行時，能夠獲得一致的智能駕駛輔助體驗，車云時延可降低60%，系統可用性將達到99.999%，為端到端模型的商業落地和大規模部署提供堅實基礎。分布式布局還允許多地資源協同調度，大幅提升端到端模型訓練效率，支持不同車型、不同應用場景的快速迭代。這種全國一體化算力網絡，使華為云在智能駕駛輔助系統領域從算力提供者升級為產業賦能者，為車企模型研發和技術創新提供全方位支撐。

此外，多專區協同還為未來數據聚合、模型遷移學習和仿真場景擴展提供了基礎。通過分布式資源調度，端到端模型可在全國范圍內共享高質量訓練數據和優化經驗，實現跨車型、跨場景的快速泛化，降低單一車企研發成本，提高整體產業效率。

行業合作與端到端模型落地實踐

端到端模型的研發和應用離不開產業鏈的協同，華為云通過與長安科技、廣汽集團、奇瑞、一汽豐田等頭部車企的深度合作，把CloudMatrix384超節點、AI-Native智算存儲以及多區域汽車專區的基礎設施優勢，真正轉化成了可落地的成果。

華為云EI服務產品部部長尤鵬與長安科技人工智能基礎與應用副總經理梁鋒華在智能汽車大會2025上聯合發布了“搭載華為云CloudMatrix384超節點的長安天樞智駕”，這款智駕方案首次搭載CloudMatrix384超節點，使長安成為首個依托國產算力開展智能駕駛研發的央企。依托華為云提供的高帶寬和大容量存儲集群，雙方不僅實現了自動駕駛模型的高效訓練，還在VLA、端到端等多種模型上完成了適配，展示了AI技術推動汽車產業智能化發展的新可能。

華為云CloudMatrix384超節點的長安天樞智駕發布儀式

廣汽集團通過“星云空間-廣汽X華為云”云車機技術，將座艙算力上云，實現車機性能提升、卡頓問題解決，同時降低核心芯片成本20%，應用集成周期下降50%。這說明智能座艙模型不僅依賴算力和算法，還需要整體系統架構的優化，包括車端與云端的協同計算、數據傳輸優化以及軟件集成能力。

端到端未來會如何發展？

在智能駕駛領域，端到端模型的發展正在朝著更高復雜度和多模態融合方向演進。隨著車輛配備的傳感器類型不斷增加，道路環境也愈發復雜，端到端模型必須能夠同時處理視覺、雷達、激光等多模態信息，并結合時空信息建模，從而準確理解周圍環境。

VLA模型與世界模型的結合，為系統提供了長時序的環境預測能力和優化的行為決策能力，這在復雜交叉路口、高速行駛及多車混行等場景中，能夠顯著提高安全性和決策的可靠性。

與此同時，云端與車端的協同模式逐漸成為主流。端到端模型在訓練和推理階段對算力的需求極高，云端可以提供集中化的大規模計算資源，用于訓練復雜模型、構建高精度仿真場景以及加速模型迭代，而車端則承擔實時數據采集和控制任務，保證車輛在道路上的低延遲響應和穩定表現。這種云端與車端協作的模式，不僅讓復雜模型能夠在實際駕駛中穩定運行，也為智能駕駛輔助系統的大規模落地提供了技術支撐。

可解釋性和驗證體系的完善也是端到端模型發展的關鍵環節。端到端模型的決策邏輯本質上較難直觀理解，因此需要借助可解釋AI方法、模型仿真驗證以及行為安全約束建模等手段，構建完整的驗證體系，確保模型在各種道路場景下的可控性和安全性。

華為云通過CloudVeo智能駕駛云服務，正順應這些技術趨勢，提供強大算力、低延遲分布式架構和產業鏈協同支持，助力車企高效研發端到端模型，實現智能駕駛輔助系統的規模化應用。

最后的話

端到端智能駕駛輔助系統正引領智能駕駛技術的發展方向。通過統一網絡直接映射傳感器數據到控制指令，系統在復雜場景中展現出連貫性和高效性優勢。華為云CloudVeo智能駕駛云服務通過CloudMatrix384超節點和全國三大汽車專區，提供了從訓練到仿真、從算力到分布式部署的完整技術支撐，推動端到端模型從實驗驗證向產業化落地轉化。未來，隨著模型復雜度提升、云端協同模式普及以及可解釋性與驗證體系完善，端到端模型將在智能駕駛輔助系統中發揮核心作用，為行業智能化升級提供持續動力。

審核編輯 黃宇