而端到端的逻辑，就等于从感知到决策，全部揉在一个模型中。当系统输入图像、速度等信息后，将会直接得到诸如转向、刹车或加速等执行结果。因此，研发工作只需要围绕这一个模型进行训练和优化，资源集中度更高，系统的理论上限也更高。相对而言，模块化逻辑伴随需要增加的模块越来越多，研发调试的压力也会越来越大。这点与之前聊过的汽车ECU不断累积，最终导致信号传递效率被局限的逻辑，是类似的。
看起来端到端有其先进性，但它并非眼下的主流逻辑，也就意味着肯定有无法克服的短板存在。简单来说，输入参数，得到结果，那么端到端的过程在哪？答案其实是，没有过程。整套逻辑就是一套“黑盒”，它不仅没法传授给其它汽车产品（除非将智能驾驶部分完全剥离，也就是“出卖灵魂”）。甚至对小鹏汽车本身而言，也没办法做到解释清楚。
也就是说，即便系统做出了正确的判断。但你不知道它到底是如何计算出来的，以至于在下次遭遇类似的环境下，或者改变一定参数后，系统是否还能得出正确的结论，也是未知。这就好像做数学选择题，答案填对了，但并没有解答题一样清晰地解题过程。于是老师并不能完全判断，在更改题干信息之后，学生是否还能选出正确答案。然而对于ChatGPT这种语言信息类AI，即便是出错了，大概率也就是博人一笑，成为茶余饭后的谈资。但对高阶驾驶辅助功能而言，这就是安全隐患。
只拿来上下班，效果就是最好的？
当然，小鹏AI不可能放任这一隐患。但想要为这套系统打补丁，就至少要做到两点。第一，便是海量的学习过程。这个海量，既有对同一道路信息的不断学习，又有对不同时期，同一道路的信息采集。其次，则是学习信息的限制。比如驾驶员过于激进，甚至违反法规的操作，都会被剔除出采样目标。前者可以等同于“刷题”，虽然改卷老师不知道学生是否弄懂了一道题的底层逻辑，但通过对同类问题的海量的解答，老师最终可以默认学生的解题过程是完全正确的。后者则是对安全性的客观锁死，避免AI系统跟着驾驶员“学坏”，进而“青出于蓝而胜于蓝”。
但这套补丁的局限性也是显而易见的。结合网络上曝光的部分驾驶信息，小鹏AI往往需要对同一道路进行多次学习，也就是车主驾驶，AI像学员一样记录分析，才能逐渐迭代为可用效果。而在遭遇环境变化时，比如环境车辆没有按照法规行驶（未打转向灯、加塞等），小鹏AI则会进入保守驾驶风格，直至下一计算周期（一定路程或时间后）。而在跳脱出日常驾驶路线后，整套学习流程便需要重新开始。也就是说，常走的固定线路，与不常走，甚至初次行驶的道路之间，小鹏AI的驾驶辅助效果，会出现较大的差距。