自從ChatGPT橫空出世，似乎一瞬間，萬物皆可AI。眼下與智能化綁定頗深的新能源汽車，當然也不會錯過這個風口。在昨日（5月20日）的小鵬AI智駕發布會上，小鵬汽車就宣布，將在明年一季度之前，在旗下所有車型上完成AI系統的推送。但在高大上的AI概念背後，小鵬的AI系統對智能駕駛到底能帶來怎樣的效果，才是用戶更關心的部分。

結果對了就是好AI，那過程呢？

首先，AI並不是一個新概念。只是“人工智能”在近年來，在逐漸展露出自主學習能力上的天賦。落在汽車智能駕駛概念上，我們一般將其稱爲端到端的運行邏輯。在小鵬汽車的發布會上，也將其AI智駕描述爲“端到端大模型量産上車”。不過在解釋端到端的邏輯與效果之前，我們得複盤一下模塊化架構。因爲後者才是智能駕駛領域現階段的主流邏輯，包括華爲、百度等，在智駕方面都是采用該搭建方式。

模塊化，即將整個智能駕駛過程，拆分成多個組成部分。比如感知、追蹤、預測、判斷等等。然後每個部分由不同的模塊來處理，整套邏輯也就類似流水線效果。如果再類比一下，就像汽車的ECU模塊，然後通過總線連接在一起。只不過，智能駕駛的信息，除了感知，還有辨識、預測、計算等過程。在模塊化流水線邏輯下，上遊的數據吸收與信號輸出如果有誤差，那麽下遊根據該結果得出的結論，也會有偏差。而最終得出結論的決策部分，本質上是得不到“一手資料”的存在。這便是智能駕駛模塊化邏輯的局限性。

而端到端的邏輯，就等于從感知到決策，全部揉在一個模型中。當系統輸入圖像、速度等信息後，將會直接得到諸如轉向、刹車或加速等執行結果。因此，研發工作只需要圍繞這一個模型進行訓練和優化，資源集中度更高，系統的理論上限也更高。相對而言，模塊化邏輯伴隨需要增加的模塊越來越多，研發調試的壓力也會越來越大。這點與之前聊過的汽車ECU不斷累積，最終導致信號傳遞效率被局限的邏輯，是類似的。

看起來端到端有其先進性，但它並非眼下的主流邏輯，也就意味著肯定有無法克服的短板存在。簡單來說，輸入參數，得到結果，那麽端到端的過程在哪？答案其實是，沒有過程。整套邏輯就是一套“黑盒”，它不僅沒法傳授給其它汽車産品（除非將智能駕駛部分完全剝離，也就是“出賣靈魂”）。甚至對小鵬汽車本身而言，也沒辦法做到解釋清楚。

也就是說，即便系統做出了正確的判斷。但你不知道它到底是如何計算出來的，以至于在下次遭遇類似的環境下，或者改變一定參數後，系統是否還能得出正確的結論，也是未知。這就好像做數學選擇題，答案填對了，但並沒有解答題一樣清晰地解題過程。于是老師並不能完全判斷，在更改題幹信息之後，學生是否還能選出正確答案。然而對于ChatGPT這種語言信息類AI，即便是出錯了，大概率也就是博人一笑，成爲茶余飯後的談資。但對高階駕駛輔助功能而言，這就是安全隱患。

只拿來上下班，效果就是最好的？

當然，小鵬AI不可能放任這一隱患。但想要爲這套系統打補丁，就至少要做到兩點。第一，便是海量的學習過程。這個海量，既有對同一道路信息的不斷學習，又有對不同時期，同一道路的信息采集。其次，則是學習信息的限制。比如駕駛員過于激進，甚至違反法規的操作，都會被剔除出采樣目標。前者可以等同于“刷題”，雖然改卷老師不知道學生是否弄懂了一道題的底層邏輯，但通過對同類問題的海量的解答，老師最終可以默認學生的解題過程是完全正確的。後者則是對安全性的客觀鎖死，避免AI系統跟著駕駛員“學壞”，進而“青出于藍而勝于藍”。

但這套補丁的局限性也是顯而易見的。結合網絡上曝光的部分駕駛信息，小鵬AI往往需要對同一道路進行多次學習，也就是車主駕駛，AI像學員一樣記錄分析，才能逐漸叠代爲可用效果。而在遭遇環境變化時，比如環境車輛沒有按照法規行駛（未打轉向燈、加塞等），小鵬AI則會進入保守駕駛風格，直至下一計算周期（一定路程或時間後）。而在跳脫出日常駕駛路線後，整套學習流程便需要重新開始。也就是說，常走的固定線路，與不常走，甚至初次行駛的道路之間，小鵬AI的駕駛輔助效果，會出現較大的差距。

在此基礎上，我們再參考一下華爲現階段的ADS 2.0系統。兩者理論上都可以脫離高精地圖，但導航路況信息依舊是必需品。華爲在依托基礎導航信息的路線規劃上，再依靠自身攝像頭、雷達等感知信息，憑借較強的算力以及算法模型，對路況做出精確判斷，從而下達執行指令。結合具體情況來說，比如在下一路口需要左轉彎的情況下，華爲智駕可以提前觀察路況，適時並入左側車道，做到流暢安全行駛。但在擁有多條左轉彎道路的情況下，它依舊會選擇默認進入最左側車道。即便車主自己駕駛時，會根據排隊車輛的多少，選擇更有利的車道。

簡單來說，這個學習過程，必須經過工程師積累，然後納入算法模型中，才能爲華爲智駕系統所用。而小鵬AI自身就具備一定學習能力。那麽結論就很清楚了。如果是在長期反複行駛的路況條件下，比如上下班、接送小孩等場景下，小鵬AI的體驗效果大概率會優于現階段的華爲智駕。因爲前者處于不斷叠代中，且符合駕駛員自身的駕駛習慣。但在較陌生道路，甚至陌生城市環境中，華爲智駕積累的普適性算法模型，以及對自身算力的靈活應用，使其更具有廣泛適用的基礎。同時，華爲智駕的邏輯一致性，使得駕駛員在“合作”後，很容易拿捏其尺度。