去年8月，世界上首个基于神经网络的端到端自动驾驶系统FSD V12问世，算是第一次实现了真正意义上的“由 AI 来开车”。在FSD V12的首秀视频里，马斯克驾驶着特斯拉行驶在在一条号称从未跑过的线路上，全程只接管了一次，体现了端到端架构的潜力。
而目前行业已量产的智能驾驶，绝大多数采用的是模块化架构。这种架构下，智能驾驶被拆分为感知、规划等一个个典型任务，后由专门的AI模型或模块分别处理这些任务。
这意味着，一个智驾系统里包含了多个模型，车企要投入大量人力、财力分别对不同模型进行训练、优化、迭代。而且随着模型进化，参数量提高，所需的研发人员和研发投入将有增无减。
但再多的投入也难以消除模块化架构生来自带的Bug。
在模块化架构中，下一级模块的输入参数通常是上一级模块的输出结果，一旦前一级模块出现误差，误差便会在信息传递时被逐级放大。除此之外，不同模块间的信息交互、接口制定等往往难以顺畅地实现，这就好比在团队协作过程中，团队成员间多少总会存在沟通上的障碍。
拥有神经网络模型Transformer的端到端架构则能够很好地解决这个Bug。这种架构下，由于感知到的信息是被送到类似人脑的神经网络中枢进行处理，后直接生成驾驶指令，因而只需一个模块便可实现上述多个模块的功能，车企省下了一笔研发投入的同时，智驾系统的流程更简洁，系统做出的决策更拟人化，整车的智驾水平也将大幅提升。
但端到端架构也有难以逾越的壁垒，它对数据、算力、芯片都提出了较高的要求。
特斯拉之所以能在端到端技术上走在行业前列，依托的是全球数百万的特斯拉汽车保有量，那些每天在路上行驶的特斯拉汽车向马斯克的端到端模型投喂了海量数据。据特斯拉方面公布的消息，为保证模型性能的稳定，特斯拉采用了近1000w视频序列数据。但对其他车企而言，它们很难采集到这么多数据样本，即使采集到了，为这些数据做标注也要耗费巨大的时间、金钱、人力成本。
此外怎么训练出一个可靠的模型也是个问题。抛开如何工程化这个问题不谈，要在千万级视频数据中训练一个大模型，需要的是天量算力。特斯拉的端到端能落地，是因为它有自研的超级计算机Dojo，专用来训练自动驾驶汽车人工智能模型。据其官方数据显示，每个Dojo都集成了120个训练模块，内置3000个D1芯片，拥有超过100万个训练节点，算力达到1.1EFLOP。