在自動駕駛技術(shù)的浩瀚星空中，各路大佬紛紛發(fā)聲，一個共識逐漸浮出水面：端到端結(jié)合大模型，或許正是自動駕駛技術(shù)發(fā)展的終極形態(tài)。然而，正如世間萬物千姿百態(tài)，端到端與大模型的具體實現(xiàn)路徑同樣沒有固定答案。
技術(shù)，如同流水與兵法，無常勢亦無常形。在真實世界的舞臺上，技術(shù)展現(xiàn)出高度的可重構(gòu)性，隨著時間流轉(zhuǎn)與新技術(shù)涌現(xiàn)，它不斷進(jìn)化，持續(xù)改進(jìn)。自2022年底OpenAI推出ChatGPT大語言模型以來，生成式AI大模型逐漸分化為兩大流派：語言模型與世界模型。
語言模型在數(shù)字世界中深耕細(xì)作，從單一的文本模態(tài)擴(kuò)展到包含圖片、視頻的多模態(tài)，實現(xiàn)了文生圖、看圖說話、圖生圖、文生視頻的能力。典型的代表如今年2月發(fā)布的Sora和4月發(fā)布的GPT4-o，它們在數(shù)字世界中游刃有余。
而世界模型則跨越數(shù)字與物理的界限，從一維的數(shù)字智能邁向三維的空間智能。據(jù)AI領(lǐng)域的傳奇人物、生于北京、成就于美國的李飛飛所言，空間智能意味著AI能在三維空間和時間中以三維方式感知、推理與行動，與現(xiàn)實世界無縫交互。
兩大流派的核心差異在于，大語言模型基于文本序列對世界進(jìn)行一維表示，即便多模態(tài)語言模型能夠理解圖像和視頻，也不過是將這些數(shù)據(jù)Token化，強(qiáng)行融入文本的一維序列中。而空間智能則將三維作為表達(dá)的核心，是對物理世界的深度理解與交互。
從自動駕駛大模型的賽道來看，小鵬汽車的全域大語言模型和理想汽車的視覺語言模型，均是在文本基礎(chǔ)上疊加了圖片和視頻模態(tài)的語言模型。而蔚來汽車與特斯拉的世界模型，則屬于空間智能陣營，它們旨在理解并掌握物理規(guī)律，與現(xiàn)實世界產(chǎn)生真實交互。
智能電動汽車行業(yè)的競爭，不僅僅是產(chǎn)品、技術(shù)與渠道的較量，營銷層面的明爭暗斗同樣激烈。在7月31日的智能駕駛系統(tǒng)發(fā)布會上，何小鵬對理想汽車數(shù)據(jù)為王的觀點提出質(zhì)疑，強(qiáng)調(diào)在新的端到端范式下，數(shù)據(jù)需要重新標(biāo)注，即便是自動標(biāo)注工具的幫助，也是一項繁重的任務(wù)。
在端到端與大模型的背景下，數(shù)據(jù)標(biāo)注的需求發(fā)生了新的變化。語言模型需要海量的數(shù)據(jù)標(biāo)注工作，以構(gòu)建預(yù)測與規(guī)劃數(shù)據(jù)集。而世界模型則采用無監(jiān)督學(xué)習(xí)，無需數(shù)據(jù)標(biāo)注，能夠應(yīng)對更海量的數(shù)據(jù)驅(qū)動新范式，從此告別勞動密集型的人工智能。
語言模型與世界模型，如同東北大哥與湖南老表，前者先聲奪人，給出對當(dāng)前駕駛場景的理解，但不直接輸出決策結(jié)果；后者則干脆利落，直接給出車輛的行駛軌跡。理想汽車的VLM給出的是中間層面的建議，而蔚來汽車的世界模型則推演萬千平行世界，選擇最優(yōu)解，生成行駛軌跡，直接控制車輛的駕駛行為。
世界模型的兩大優(yōu)勢顯而易見：一是直接給出行駛軌跡，二是通過無監(jiān)督學(xué)習(xí)訓(xùn)練出對駕駛場景的深度理解能力，實現(xiàn)從感知到認(rèn)知的躍升。相較于BEV+OCC的感知能力，世界模型能夠更細(xì)致地理解場景，包括光照條件、天氣情況等關(guān)鍵要素，為安全、舒適、高效的完全自動駕駛提供有力支撐。
隨著算力的不斷提升，采用不同技術(shù)路線的車企或?qū)⒅鸩节呁?。理想和小鵬從語言模型過渡到世界模型，或許只是一個時間問題。在這場自動駕駛技術(shù)的變革中，誰將最終問鼎巔峰，讓我們拭目以待。
