华为 ADS3.0 智驾体验

智能辅助驾驶的「智能」表现，正伴随着新能源汽车渗透率的快速提升而变得日新月异。

在领航辅助驾驶确立了从「有图」到「无图」的技术路线迭代之后，「端到端」成为了智驾领域的新目标。

今年年初，特斯拉推送了首个搭载「端到端神经网络模型」的 FSD v12 Supervised 版本，紧接着包括鸿蒙智行、理想、小鹏在内的一众走在智驾前列的主机厂，都将量产推送「端到端」智驾作为了下半年的重要目标之一。

最近，董车会也在公开道路上，体验了最新的华为 ADS 3.0 的「端到端」智驾表现。

事实上，它的确令人印象深刻。

华为 ADS3.0「端到端」的实际表现：从一个车位智驾到另一个车位

不看广告，看疗效。

「端到端」的 ADS3.0 在路上开起来会有怎样的表现，应该才是用户们最为关心的事情。在实际的应用层面上，华为 ADS 3.0 实现了 「从车位到车位」的物理端到端。

在稍早前，我们提前试驾了首发搭载华为 ADS3.0 的享界 S9。得益于「端到端」的仿生神经网络模型，享界 S9 在「全国都能开」的基础上，获得了车位启动、路边启动、路边临停、目的地随时变更、自主过闸机等一系列智驾能力的升级，力求做到用智能辅助驾驶来贯通全场景，实现「有路就能开」。

官方规划的试驾路线也比较有趣，我们从苏州四季酒店的地库直接出发，目的地是太湖万丽酒店的地库，全程超过了 40 公里，耗时大约 1 个小时。

因为两地的地下停车场都已经被扫描过，都可以被导航识别为「常用车位」了，所以我们可以在四季酒店地库的静止停车位上，设定好到万丽酒店地库车位的导航，然后直接点下方向盘上的智驾按钮，享界 S9 就会智驾泊出车位，自己开出四季酒店的地库。

即便四季酒店的地库出入口是一个很窄的直角弯，但也没有难倒享界 S9，它自己紧贴着墙就熟练地开出去了。识别闸机也能做到自动减速，等抬杆之后再加速驶出。

酒店园区内的道路本来没有在导航地图上显示，但享界 S9 的环境感知和决策能力都有升级，不仅可以避让快递车辆，也能避让临时设立的障碍物。

面对环岛也很从容，以较快的车速就完成了绕环岛通行，方向盘也打得很迅猛。

以往需要接管的掉头场景，现在用 ADS3.0 也无需接管，智驾将方向盘丝滑一打，掉头弯就过去了。

识别红绿灯的感觉也变得更加敏锐，在绿灯闪烁的时候，车辆就已经捕捉到了，提前进行了预判并且自动地实现了舒缓减速，稳稳地停在红灯之前。

在面对一些复杂场景时，ADS 3.0 端到端的优势就体现出来了。在一个需要走最右侧车道的场景里，所需车道被占用，而且道路划线不清晰的情况下，享界 S9 很果断就取消了变道，选择了加速绕行，丝滑程度堪比真人老司机一样提前做了预判。

在高速路上，享界 S9 现在在上下匝道的时候也无需接管了，即便是连续变道也能快速响应。

唯一的缺点，就是变道一如既往地积极，即便是在标准状态下，我感觉有很多时候其实它都不需要特意变道的，变道过去还是得变道回来。考虑到享界 S9 的后排经常坐着老板，这样子的变道体验，应该会受到老板们的批评吧？

也许，享界 S9 可以考虑出一版不那么激进变道，稳妥驾驶的智驾特调版本？目前想要缓解这个情况，我们可以试着将 NCA 的变道偏好默认设置为「柔和」，这样它会降低变道超车的频率，也可以考虑将智驾的变道策略改成人工确认。但这样，就不太能实现完全零接管的智驾表现了。

最终，我们顺利抵达了导航目的地万丽酒店的门口，然后享界 S9 紧接着无缝地自动驶入了地下车库，并且自己找到了目标车位并自行泊入。在全程 NCA 且完全零接管的情况下，实现了从车位到车位的端到端智驾。

用车位到车位的这种物理端到端表现来衡量端到端智驾的含金量，我觉得是比较易于理解也比较全面的。

有了「端到端」模型加持，ADS 3.0 的智驾表现更加符合我们对智能驾驶的主观想象，它开起来更像人类司机，通行效率也有了长足的进步。

此时，若是余总再说一遍「（华为 ADS）无限接近于 L3」的话，质疑声音也应该会少了许多。

华为 ADS 3.0「端到端」的技术路线，有何不同？

在华为 ADS 2.0 智驾解决方案中，华为提出了基于激光融合的 GOD 网络，配合 RCR 道路拓扑推理网络来实现「有图无图都能开」的智驾表现，让车辆能够自行识别真实世界的通用障碍物，基本做到类人的感知能力，最终量产实现「全国都能开」的无图 NCA 智驾能力。

其中，GOD 网络（General Obstacle Detection，通用障碍物检测网络）可以通过激光雷达+摄像头，来识别通用障碍物白名单外的异形物体，像游戏《我的世界》那样，用 3D 像素块来构建出障碍物的轮廓，从而对路上的障碍物进行精细识别，不但能够识别障碍物的动静态，而且也能匹配区分出救护车、警车、行人等等。

有了 GOD 网络，智驾系统对路上障碍物的识别不再存在上限，真正地做到了 「看得懂物」。

而 RCR 网络（Road Cognition & Reasoning，道路拓扑推理网络）是为了进一步让智驾摆脱高精地图的依赖，结合普通导航地图来与现实进行匹配和印证，再实时通过传感器来拓补绘制一幅可用的行车地图。

有了 RCR 网络，智驾系统能够做到「具体路况具体分析」，真正地做到了 「看得懂路」。

可见，以往的智驾都是基于「感知 — 规划（决策）— 控制」的研发逻辑，就是将感知数据传输到规控进行匹配识别，再输出控制指令来操控车辆驾驶。

如果传感器感知到的「这道题」（路况信息）是题库里面有做过的（训练过的特征信息），那么控制端就能给出一个「正确答案」（正确的决策方案），让车辆完美地应对好当前的路况。

毕竟道路千万条，安全第一条。路面状况瞬息万变，遇到一些未曾训练好的场景，智驾系统就会手足无措，只能提示人类驾驶者去接管车辆了。

要想提升智驾的控制表现能力，让智驾能像人类一样开车，就需要智驾系统能够像人类一样思考。

由此，智能驾驶开始引入了像 ChatGPT 这样，基于庞大神经网络而构建的大语言模型，智驾系统直接由一个「端到端模型」来全流程地处理从传感器接收到的感知数据，并完成判断和决策，最终输出控制指令。

在 ADS 3.0 当中，华为将 GOD 和 RCR 都神经网络化，并将这部分算法纳入到一个完整的 GOD 感知神经网络之中，而后再将感知数据交由 PDP 决策神经网络来规划行车路线，输出「思考」结果。

构建好的 GOD+PDP 神经网络模型之后，华为再利用自己的云端 AI 训练平台进行大量的数据训练，让模型得以快速迭代升级。

ADS3.0 提升了 GOD 大网的多维立体感知能力并使用「端到端」决策的 PDP 之后，就能实现去 BEV 化，从原来的「看得懂物」升级到「看得懂路」，让智驾系统更高效且精准地「理解驾驶场景」，以低延时的决策速度，自主地处理好复杂路况，更多时候会给用户带来一种平稳、放心、无需接管的智驾体验。

只不过按照目前的初见成效的训练效果来说，让 AI 直接坐在驾驶位去开车，还是过于激进。目前华为的端到端模型之中，还加入了一个 「本能安全网络」进行智驾的下限兜底，确保决策神经网络不会逾越安全红线。

吴新宙曾经提到，端到端将在长期与传统自动驾驶堆栈并行运行，最初端到端模型将在影子模式下运行，以便在相同的场景下比较人类驾驶、传统堆栈和端到端算法三者输出的行为差异，并根据人类反馈进行微调；之后端到端可以和传统技术堆栈并行，两者形成互补；成熟之后则可以逐步淘汰传统堆栈。

端到端算法像襁褓里的天才少年，尽管未来可能成为博士，但成长过程中需要小学、初中老师去带教，这便是当前传统堆栈起到的作用，随着时间的推移，端到端将最终成长成为强大的可以独挡一面的「专家」。

所以，无论是华为 ADS3.0 的端到端仿生大脑，还是理想 AD 的快/慢系统，以及小鹏的 Xnet+Xbrain+Xplanner 架构，都在端到端决策和车辆控制之间，做了相当多的约束和冗余措施。

普遍来看，当下端到端智驾的目的，就是为了简化智驾系统架构，通过单一的神经网络模型来完成整个智驾系统的感知和决策任务，减少对海量场景规则代码的依赖，从而提升智驾的实际效果，满足用户真正的智驾需求。

换作是之前的智驾策略，别说从一个车位到另一个车位的智驾零接管，单拎绕环岛通行和掉头场景来说，智驾甚少能够正常自主行驶的，大多数时候都得提醒人类驾驶员去接管行驶。

简单来说，结合 ADS 3.0 端到端的实际体验来看，用大模型来将智驾变得更类人化。从全国都能开，升级到有路就能开。

大势所趋的端到端智驾，车企争先恐后迎头而上

中国汽车在电动化和智能化方面的一日千里，正在重塑消费者对汽车的偏好与选择。其中，智驾已成为新能源汽车智能化的显著特征，消费者对于汽车智驾的了解程度、价值感知正日益提升。

消费市场的需求选择，也反过来促使车企更加紧密地拥抱电动化和智能化，唯有做好智能座舱和智能驾驶，才能在智能化的下半场站稳脚跟。

所以，那些在智驾方面竞争优势不太突出的车企，正在使出浑身解数，试图补齐智驾短板。

就像近期饱受争议的极氪，在 2024 款极氪 001 上市数月之后，马上就迫不及待推出了 2025 款车型，新款计算平台由双 Mobileye EyeQ5H 升级到了双英伟达 OrinX。两者相比之下，24 款只有 48Tops 的算力， 25 款的算力则达到了 508Tops，足足强了十倍。

虽然此举引发了不少老车主的不满，但对于极氪来说却是不得已而为之。

按照极氪的回应，此时就推出 2025 款极氪 001，是为了满足更多的潜在用户：

极氪 007 搭载的浩瀚智驾受到了广泛的用户和行业好评，很多极氪 001 的潜在用户呼吁能够选择浩瀚智驾方案，同时我们自己的品牌 NPS（Net Promoter Score，净推荐值）调研也发现，智驾是影响用户选择极氪 001 的一个因素。因此，内部决策立项自研智驾方案上车，给用户多一种选择。

相较于 Mobileye 的智驾方案，自研的浩瀚智驾方案显然能够在智驾体验上挽回一些用户口碑，只是恐怕切换成自研智驾还是来得太晚，加上这样的换代更新频率，势必会从保值的角度影响到潜在用户的信心。

正当成绩偏科的同学在决心勤能补拙，而排名靠前的优等生们已经开始研读新学期的课题了。

对于那些已经将「智驾」做成品牌显著标签的车企，像是鸿蒙智行、小鹏、理想等等，都已经量产推送了「全国都能开」的无图智驾，现在更是着手布局端到端的大模型智驾方案。

他们都有一个相近的目标，就是完全覆盖用户从出门到进门之间的通勤，完全交给 AI 智驾来开车。与循规蹈矩的传统智驾方案相比，端到端的智驾方案，将推动智驾从算法工程转变为数据工程。

要坐到端到端智驾的牌桌上，需要足够多的筹码

从 ADS1.0 迭代到 ADS2.0 的时候，华为 ADS 团队就曾经披露过他们全栈自研的 AI 训练体系。

构建智驾大模型最坚实的基础和底气，来自于华为拥有自己的云端 AI 训练平台。彼时他们就已经用领先于大多数同行的超高算力，24 小时不间断地进行模型训练，实现了五天迭代一次的升级速度。

来到 ADS3.0 的端到端，学习训练的算力已经从半年前公布的 3.5E FLOPS 更新到 5E FLOPS（余总还说 3.5E 算力当时已经是中国第二名和第三名的总和），模型每天训练的里程数达到了 3500 万公里。而且这个算力数字对于华为 ADS 来说并非一个终点，而是会继续去加大投入，持续提升。

随着智能驾驶步入深水区，智驾 AI 大模型的训练离不开海量的、多样化的优质数据，同时自动化、高水平的数据处理体系也至关重要。可以说数据，将会占据端到端智驾开发中高达八成的研发成本。

正如大语言模型之前已经强调过参数量之大那样，端到端的多模态模型也对数据有着旺盛需求。特斯拉在 FSD V12 上率先实用了端到端模型，马斯克曾经对此说过：

用 100 万个视频切片训练，勉强够用；200 万个，稍好一些；300 万个，就会感到 Wow（惊叹）；1000 万个，那就难以置信了。

所以，车企量产的智能驾驶车辆正成为最佳的数据采集工具。当足够多的量产智驾车辆在道路上行驶时，它们所收集的真实数据将成为智驾算法不断优化和迭代的关键资源。

根据车企公布的数据，特斯拉在北美拥有约 300-400 万辆车组成的用户车队；预计到 2024 年年底，搭载华为智能驾驶系统的车辆数量将超过 50 万辆；截至 2024 年第一季度，理想已累计交付超过 70 万辆汽车，所有车型均标配 AD 智能驾驶功能；截止 2024 年 4 月份，蔚来智能驾驶总用户数达 49.53 万人，NOP+ 总用户数达 24.58 万人。

所以说，浩瀚的算力背后，是自研实力和充沛资金以及高额市占率的相辅相成。

华为 ADS3.0 的量产，足以证明一个可以量产商用的端到端智驾大模型，是需要掌握数据资源、充裕资金、技术积累的头部厂商，坚定正确的技术路线并付诸长期投入才能实现。

从这个角度来看，软硬实力一体构建起来的「端到端」智驾模型，将会成为智能驾驶的一道「AI 技术墙」。

有路就能开的端到端智驾，显然是智驾领域的新标杆，但在技术墙之外，其实仍有大量车企的车型，无法如期兑现全国都能开的智驾承诺。

最终能够下场「端到端智驾」牌桌竞争的玩家，非但需要前瞻的勇气，也需要足够多的筹码，短期内也只会有寥寥数家。