端到端之后，自动驾驶真正的竞争才刚刚开始？

[首发于智驾最前沿微信公众号]自动驾驶进入2026年，端到端的技术路线已经成为共识，几乎所有头部玩家都完成了端到端架构的切换。

但端到端的普及并没有带来想象中的技术跃迁，数据在爆炸，车队规模在扩大，系统的进步速度却在放缓。

很多企业已经进入一种看起来在进步但用户体验却没有质变的状态。

其实在自动驾驶领域，端到端之后的竞争才刚刚开始。

01堆数据这条路还能走多远

端到端自动驾驶，就是让摄像头像素输入，方向盘转角输出，中间没有人工定义的模块边界。

这套架构绕开了传统模块化架构中级联误差的问题，但问题也随之而来。

在很多的开放环评测中，模型性能与数据量之间呈现明显的幂律关系，但这一规律在更贴近真实驾驶的闭环评测中并不成立。

有研究在1400段复杂驾驶任务中进行了开放环与闭环仿真两类测试。

结果显示，仅扩大数据规模并不足以解决自动驾驶问题，数据分布质量与场景覆盖度同样至关重要。

少量长尾场景数据的增加，就能够显著提升模型在对应复杂场景中的表现。

图片源自：网络

还有研究发现，闭环评测中数据规模规律存在不一致性，这意味着自动驾驶领域的研究的焦点应该从单纯扩大数据量转向数据的分布。

之所以会这样，是因为端到端模型本质上是一个模仿学习系统，它学习的是人类怎么开，而不是为什么这么开。

面对训练数据中从未出现的长尾场景，它的表现会急剧退化，也就是说，它是见过才会，而不是懂了就会。

此外，车端每天会产生海量的视频数据，但真正对模型训练有价值的片段占比极低。

大量正常驾驶数据不仅贡献不大，反而会稀释模型对关键样本的学习能力。

英伟达在CVPR 2026上提出的MOSAIC框架提供了一种新的解决思路。

它是先把数据按照场景类型进行聚类分组，再分别估算每个数据群对各项驾驶指标的收益曲线，最后按照边际收益从高到低的顺序，逐个把数据簇加入训练集。

这套机制做的就是在有限的计算资源下，优先选择那些能带来最大提升的数据。实验结果显示，MOSAIC用80%更少的数据就能达到甚至超过传统方法全量训练的基准表现。

除了数据效率问题，自动驾驶端到端训练还面临另外两重制约。

清华大学李升波教授在2026年4月的智能电动汽车发展高层论坛上指出，除了数据筛选效率之外，数据规模不足和算力受限同样是突出的瓶颈。

他给出了一个具体的参照，自动驾驶领域大约需要1亿段视频片段才能迈过模型训练的入门门槛，模型参数量达到1B到10B级别基本可以支撑起智驾功能。

当前行业的数据积累和模型规模离这个门槛还有相当的距离，提升空间依然很大。

02从看见到理解，VLA与世界模型带来了什么？

单纯的端到端模型缺乏对物理世界的理解。

它不知道路面湿滑意味着制动距离延长，不知道树枝悬空可能掉落，不知道积水下面可能藏着深坑。

它可以通过大量数据拟合出一些表面规律，但无法建立因果推理的能力。

这正是VLA和世界模型在端到端出现后发展起来的原因。

VLA将视觉、语言和动作统一到同一个模型框架中，系统直接从视频流和导航指令等输入生成驾驶动作，它解决的是该怎么做的问题。

世界模型则通过预测下一帧画面、下一时刻的状态，从海量视频中学习交通环境的运动规律、空间关系和因果结构，它解决的是这么做之后会发生什么的问题。

图片源自：网络

由于端到端模型缺少对为什么的理解，世界模型可通过预测未来状态来建立这种理解，VLA则把理解转化为具体的驾驶动作。

当两者结合在一起时，系统既能看懂世界运行的逻辑，也知道该怎么做。

沿着这个方向，多家企业和研究机构在2026年推出了新的工作，试图在统一框架内同时实现世界预测和动作决策。

比亚迪汽车新技术研究院发布的HyWorldVLA论文就是一个典型代表。

这篇论文的核心创新在于采用了混合世界模型，在预训练阶段同时使用像素级世界模型和隐空间世界模型，发挥两条技术路线的长处。

像素级预测能提供精细的时空推理，但对噪声敏感；隐空间模型抗干扰能力强，但可解释性受限。

HyWorldVLA试图在这两者之间找到平衡，该模型在NAVSIM v1基准上取得了90.59的PDMS分，达到公开结果中的领先水平。

图片源自：网络

此外，还有很多类似的工作。

WCogVLA提出了一个双层次的世界认知VLA框架，将语义世界预测与生成式世界演化结合起来。

CoWorldVLA则是一个多专家世界推理框架，用世界表征作为显式条件来指导动作规划。

这些工作的共同点是，不再将VLA和世界模型当作两条独立的技术路线，而是试图在表征层面将它们紧密整合。

03数据闭环，从训练一次到持续进化

如果说VLA和世界模型解决的是模型理解能力的问题，那么数据闭环解决的是模型进化能力的问题。

过去数据从采集到模型部署，流程是线性的。车端采集数据，人工标注，训练模型，最后部署上车，整个链条的周期很长，从采集到部署需要数天甚至更久。

车队规模扩大后，数据量虽然上来了，但处理能力的瓶颈让这种延迟被进一步放大，最终造成数据越积越多，模型的认知却更新得很慢。

现在新的思路是把线性流程变成一个循环。

车辆在行驶中采集数据，系统自动从中挖掘出值得关注的困难场景，这些场景可直接用于模型训练，训练完成后再通过OTA推送给车队，车队带着新模型上路，继续采集新的数据。

循环每转一圈，系统就可以进化一次。

图片源自：网络

这个闭环的效率取决于每个环节的自动化程度。

采集环节能否在车端做初步筛选，减少无用数据上传；挖掘环节能否准确识别出对模型提升最大的场景；训练环节能否快速完成迭代；OTA环节能否安全高效地部署。

这些环节串联在一起，任何一个卡住，整个循环就会慢下来。

我们在很多地方都可以听到数据闭环能力这个说法，其指代的就是让这套循环运转得足够快、足够稳。

在数据挖掘环节，Mobileye在CVPR 2026上介绍了Meteor与Genario这两款AI工具。

Meteor是基于假设驱动型数据挖掘引擎，Genario是定向场景仿真器，两者旨在通过系统化的方法识别并解决自动驾驶中的长尾问题。

Meteor是Mobileye专为自动驾驶打造的多智能体AI数据分析平台，汇聚了不同国家、天气、道路类型和交通环境下的数百万小时驾驶数据。

它能自动识别可复现故障、推导成因假设、检索同类场景并生成训练样本，全程自动化规模化运转。

Genario则基于Meteor的输出结果，生成照片级逼真的合成驾驶情景，通过切换光照、天气、障碍物位置等受控变量，扩展定向训练数据的覆盖范围。

这些工具的核心思路不是被动地等待长尾场景出现，而是主动地从海量数据中挖掘出那些安全关键的罕见案例。

在标注环节，AI预标注与人工精修的结合正在改变传统的数据生产方式。

图片源自：网络

无监督、弱监督、少监督技术的融合，正在打造一种不标、少标、精标的半自动标注模式，较传统人工标注效率可提升70%以上。

在迭代环节，OTA则成为标配。

当这套链路中各环节的自动化程度足够高时，它就不再是一个项目，而是一个能够自我迭代、持续进化的系统。

04最后的话

端到端自动驾驶的竞争正在从算法竞赛转向系统运营竞赛。

过去比的是谁能设计出更好的网络结构、谁能先跑通端到端。

现在比的是谁的数据闭环转得更快、谁的长尾场景挖掘得更准、谁能在VLA和世界模型的融合上走得更远。

头部企业的技术差距正在以月为单位波动，没有谁能够靠一次技术突破建立长期优势。

对于这些企业来说，真正的壁垒不在于某一个模型，而在于一整套从数据采集、场景挖掘、模型训练到OTA部署的闭环体系。

这套体系的运转效率决定了模型进化的速度。

虽然数据规模仍然重要，但如何用好数据比有多少数据更关键。

VLA和世界模型提供了让模型理解世界的可能，但前提是有足够高质量的数据和足够高效的闭环来支撑它们的持续进化。