当端到端成为执念，我们是否误解了自动驾驶的进化之路？

在自动驾驶领域,端到端似乎已经成了一种“正确”，从感知到决策规划，一套神经网络包打天下，这种简洁的架构吸引了无数的算力、资本和顶礼膜拜，人们嘲笑传统的基于规则的方案，认为那是过时的、人力无法穷尽的“手工作坊”。

在狂热的语境下,提出质疑需要一点勇气，但真正的工程进步往往始于对“神话”的祛魅，我想说的是一个可能有些刺耳的观察：在现有技术条件下，对规划控制而言，一味的追求端到端可能真的没什么用。

这不是一种反智的倒退,而是对自动驾驶安全逻辑的深度回归。

不可解释的“黑暗森林”

传统的预测规划是“白盒”逻辑：感知输入，预测轨迹，基于规则和优化求解出一条安全路径，这中间出了任何问题，工程师可以直接溯源：“为什么刹车？因为预测模块判断那个行人要横穿，置信度95%。”

但在端到端模型里,从像素直接到油门刹车方向盘转角，中间是数十亿个浮点参数构成的“黑暗森林”，当车辆在路口莫名犹豫，或在高速上发生危险的侧偏，我们听到的解释往往是：“可能是训练数据里见过类似的场景，模型‘认为’该这么做。”

这种“认为”对L4级自动驾驶是致命的，真正的运力运营商和监管机构，无法将乘客的生命托付给一个不可解释、不可审计的玄学体，如果连工程师都不知道这辆车下一秒会不会因为一个奇怪的影子而急刹，所谓的“量产”就只是一场豪赌。

规划的本质不是模仿，是博弈与底线

端到端的核心是模仿学习——让模型学习海量的人类驾驶数据，这听起来很美好，但它隐含了一个巨大的陷阱：你最终得到的，是一个试图模仿人类、却永远无法成为顶尖老司机的“平均人类驾驶员”。

而人人都会犯错,人类的驾驶行为充满了不规范、分心甚至微小的违章，端到端模型在学习“如何开车”时，往往分不清哪些是合理的博弈，哪些是该被剔除的陋习。

这就引出了规划控制中最关键的“长尾问题”——零碰撞的底线逻辑，传统的规划模块里，安全是硬约束，是一个写在代码里的数学不等式，但端到端模型的安全是在损失函数里“训”出来的，是一种软性的统计规律，当面对训练数据中从未出现过的极端场景，能写出“如果碰撞不可避免，优先保护车内乘客”的，是工程师；而端到端模型大概率只会输出一个无法预料的插值结果。

纯血端到端的“致盲效应”

很多端到端支持者会反驳：我们不是纯黑盒，我们加入了自车状态、高精地图作为引导，甚至做了隐式的中间表征。

但这恰恰走向了另一种尴尬,为了完成从感知直接到轨迹的映射，网络需要隐式地理解场景的物理约束、交通参与者的交互意图，这种“理解”是基于视觉特征相似的归纳，而非演算，当两个场景在像素级看起来相似，但在交通规则或物理临界点上截然不同时，端到端模型极易产生灾难性的误判。

相比之下,分模块的预测规划虽然繁琐，但其优势在于高度有序的因果链，预测模块输出多模态的未来轨迹，规划模块在此基础上进行冲突检测和决策择优，这个过程不仅用了数据，更融入了人类百年来积累的物理学定律和博弈论逻辑——这些都是端到端网络难以内化进稠密向量的硬通货。

该聊聊“端到云”了，而不是“端到端”

我们并非否定神经网络在规划中的价值,更不是要退回纯规则的原始社会，恰恰相反，该探讨的是更好的分工。

“端到端”的真正价值不在车端那一个极致精简的黑盒，而在于云端的数据闭环，我们应该用AI去辅助传统预测规划中的效率瓶颈：比如用大模型去挖掘长尾场景，用神经网络去生成更拟人化的候选轨迹，或是用学习的方法去动态调整规划器的代价函数权重。

这才是AI对预测规划“有用”的姿势——它应该是传统架构的增强插件，而非替代品。 把神经网络作为解决所有问题的唯一榔头，非要把所有物理约束都塞进反传梯度里去，这不仅在工程上是低效的，在安全上是危险的，在逻辑上更是一种偷懒。

让感知归感知,让预测归预测，让规划回归逻辑和约束，在自动驾驶这场长跑中，我们需要的是能够被严格验证的安全，而不是一场无法解释的、端到端的仿生学梦境。