テスラはこのほど、来年第1四半期に中国市場でFSD（全自動運転）機能を発売すると発表した。このニュースは再び自動車業界の「エンドツーエンド」技術への関心を集めている。現在のテスラのFSD V 12スキームは、「エンドツーエンド」技術に基づいて反復的に推進されている。挑戦に対応するため、今年に入ってから、「蔚小理」などの自動車企業やファーウェイ、スカイラインなどのサービス業者を含め、多くの企業がエンド・ツー・エンドの自動運転技術を追加している。ある業界関係者は、「エンド・ツー・エンド」が現在の自動運転の終局に通じる唯一の実行可能な方案だと考えている。
しかし、筆者は、今のところこの結論を下すのはまだ早いと考えている。
「エンド・ツー・エンド」とは、実際には深さ学習における概念に由来し、AIモデルを指し、元のデータを入力するだけで最終結果を出力することができる。自動運転分野への応用は、カメラ、ミリ波レーダ、レーザレーダなどのセンサが収集した感知情報を、車両のハンドルの回転角度、アクセルペダルの踏み込み深さ、ブレーキの力加減などの具体的な操作指令に変換し、自動車を自動走行させるためのモデルを1つだけ必要とすることを意味する。
従来の「知覚−意思決定−制御」スマートドライブシステムに比べて、「エンド・ツー・エンド」技術は中間に規則的な介入がないため、本来の知覚、予測、計画など複数のモデルを組み合わせたアーキテクチャを「知覚意思決定一体化」の単一モデルアーキテクチャに簡略化し、情報伝達、推理計算、モデル反復においてより優位である。同時に、「エンドツーエンド」アーキテクチャはデータ駆動のモジュールによって構築され、その人がメンテナンスのためのモジュールの割合を減少させるため、「エンドツーエンド」システムは計算効率を大幅に向上させるだけでなく、メンテナンスコストを削減することができる。
しかしながら、これらの利点は、「エンドツーエンド」技術には短板がないことを意味するわけではない。実際、「エンドツーエンド」自動運転は量産着地と普及を実現する上で多くの挑戦に直面している。
まず、「エンドツーエンド」モデルのトレーニングコストは非常に高く、メーカーがGPUの購入規模を絶えず向上させる必要があり、これは「プレイヤー」の参入障壁を高めている。テスラを例にとると、現在FSDが累積的に学習している人間の運転動画の断片は2000万個を超え、収集コストだけで50億元から80億元が必要となる。
次に、「エンドツーエンド」モデルの訓練には大量のデータが必要であるが、マスデータの収集、洗浄、スクリーニングは、企業にとって非常に挑戦的な仕事である。強力な計算力は大量のデータをリアルタイムで処理し、データ伝送の遅延を低減し、高レベルの自動運転の着地に有利であるが、現在、「蔚小理」を含む複数の自動車企業は計算力の増加に大きな挑戦に直面している。
また、現在の「エンドツーエンド」スマートドライブの安全性は完全に保障されておらず、特に一般的ではないまたは極端なシーンのデータについては、知覚モデルの汎化性能に極めて高い要求が出されている。エンドツーエンド技術では、どのような状況でも適切に対応できるように、これらのロングテールシーンを処理する必要があります。
現在、業界の「エンドツーエンド」技術の探索は始まったばかりで、多くの基礎的な問題についてはまだ深い議論が不足している。そのため、「エンド・ツー・エンド」が自動運転の最終的な解決策であり、他の経路を排除することはできない。異なる技術路線が同台競技と共に発展してこそ、自動運転のより安全で、より迅速により高い段階への発展を推進することができる。