【ITBEAR】在自动驾驶技术的快速发展中，数据规模与质量已成为决定模型能力的关键因素。尤其在端到端自动驾驶系统全面模型化的背景下，训练数据的海量性被推向了新的高度。这不仅要求数据规模庞大，更需确保数据质量上乘且分布丰富。
随着智驾里程的增长，训练数据量也在持续攀升。蔚来、小鹏及特斯拉等领先企业已积累了数千万个视频训练片段。而特斯拉更是每日迭代小版本，假设每日训练20频次，相当于训练10亿个clips，对训练算力的需求极为惊人。
自动驾驶的数据闭环不仅消耗训练算力，还包括推理算力。在数据标注逐渐自动化的同时，推理算力的需求也大幅增加。尤其是在端到端时代，视频训练片段的数据标注工作量巨大，使得推理算力的重要性愈发凸显。
在自动驾驶领域，关于纯视觉与多传感器融合的争议一直存在。尽管端到端方案大幅提升了视觉神经网络的能力，但激光雷达在提供感知冗余、提升系统安全方面仍具有不可替代的作用。因此，端到端方案并不排斥激光雷达，而是需要在安全方面进行冗余设计。
华为和比亚迪等企业在端到端方案中加入了安全网络，以提供安全兜底保障。这种做法既发挥了端到端方案在常规场景下的优势，又弥补了其在非常规场景下的安全风险。
尽管数据训练和标注工作量巨大，但这是自动驾驶技术发展的必经之路。而安全下限低则是端到端方案需要正视的问题。在更好的训练范式出现之前，以规则代码或安全网络兜底仍是必要的中间阶段。
