北邮李伊娜想想之前，那时候还没有去高精地图，没有占用网络，没有开城大战，没有去激光雷达，也没有全国都能开，端到端更是无从谈起。

　　在智能驾驶行业的我们，就像其他行业千万个普通工程师一样，遵循着顶层设计的方案，补上一块块砖头。

　　每个团队都认为，智能驾驶行业版图里会有自己的一部分。不论团队大小，也不论方案选择。

　　自动驾驶走向量产之后，变成一个巨大工程问题。感知，规划，测试，平台，仿真，系统，安全等等，每个团队都有自己必须扩张的理由。

　　各家给AD的预算高企，自动驾驶猎头们推波助澜，从上海到苏州，从深圳到广州，从杭州到北京。

　　还有各家泛滥成灾却又形同虚设的竞业协议，跳槽的工程师们化名，以其他公司的名义签订合同，缴纳社保。

　　可是没有想到，所有这些招聘，到了2024年，行业急剧切换，陡然变成了负累。

　　人工智能的Scaling Law出现了，马斯克说靠着海量的路试数据，可以自动化进行问题的解决。

　　2023年众人对此嗤之以鼻，端到端自动驾驶不够安全，天方夜谭；到了2024年，全员切换，端到端是目前最先进的技术，是未来的希望。

　　在这次切换里，行动效率极高的理想AD团队获得了最大的红利，同样，也是上一轮自动驾驶疯狂期扩张最谨慎的团队。很难不把这两者发生关联。

　　自动驾驶行业因为端到端对算力要求预期越来越高，小鹏提出自动驾驶的竞争是云端的竞争，小米不甘落后给出了一个天量的算力储备。

　　而昔日在行业金字塔顶端的RoboTaxi公司们，面对端到端趋势，有了一种神奇的拧巴感。

　　我无法跟随端到端，因为车辆量级和算力跟不上；但是我无法不跟随端到端，因为行业趋势如此。

　　我无法跟随端到端，因为确实端到端达不到L4量产所要求的安全性；但是我无法不跟随端到端，因为作为人工智能公司，至少目前Scaling Law还是共识，目前的技术栈很难跟Scaling Law发生关联。

　　以前我们想要证明的“小而美的团队，用精致的算法将自动驾驶推向世界”的愿景，似乎一去不复返。

　　那么先要证明端到端是有局限的，然后再抛出一个新的解决办法，证明每个团队的解法都有存在的价值。

　　小马智行这么做了，端到端的模仿学习让人绝望，无法超越人类。需要主动的接近强化学习的方法论，才能让RoboTaxi能力大大进化。

　　不依赖真实世界的传感器数据，而是建造交互式的世界模型，让算法在里面进行虚拟交互式学习。这与蔚来NIOIN提出的NSim，也有着非常相似的地方。

　　不论是什么模型，在真实世界的学习一定是受限的，在虚拟世界里进行学习和进化是必须的选择。

　　所以大家或许也注意到了，从今年开始，虚拟仿真技术成了各家团队重点宣传对象，3D重建，世界模型，Gaussian Splatting等等开始搬上PPT。

　　自然，在一个没有前人的道路上进行努力，不是什么讨巧的事情。只有成功者才能证明自己正确。

　　不过新的故事还没有证明，火热的端到端已经开始逐步压榨原有工程师们的空间。

　　多家自动驾驶团队开始裁员，不论是资本失望后逐步降低期待的RoboTaxi，还是证明了端到端技术之后的团队开始主动瘦身。

　　从千军万马中厮杀中获得先机的供应商Momenta和大疆卓驭，华为引望的能力也在拷问每一个内部自研团队的意义，盛宴已过，桌上只有残羹冷炙。

　　好在也有新的风口开始出现，具身智能，一个几乎相当于2016年的自动驾驶概念。

　　一切都是新的，没有方法论共识，也没有工具链共识，每家都有自己的想法，每家都想把自己的硬件推向市场。

　　这意味着每一种方案都有胜出的空间。珍贵的不确定性和未来的美好愿景交织，开始吸引投资人的注意。

　　自动驾驶，有着天生广泛群众基础的应用场景，可以用已经非常稳定的车辆形态进行算法迭代，而具身智能，第一个应用场景会在哪里，形态是否必须是人形，怎么能够进行低成本的数据收集，等等。过于不确定的答案也让不够耐心的资本止步于门口。

　　新的机会，新的挑战，智能驾驶们躬身入局，创始人的背景，集结了现在几乎所有的头部智能驾驶团队。

　　不少从业者相信，自动驾驶多年来的经验，可以为这个混沌的领域注入一点确定性。

　　智驾的推动有时很慢，有时也可以很迅速，在智能汽车遍地跑的中国，势必会出现一个个跑遍全球的智驾汽车。