智能驾驶领域近年来经历了一场翻天覆地的变化，其发展速度之快，令人咋舌。
回望过去，智能驾驶尚未涉足高精地图，无需依赖网络，没有城市间的激烈竞争，激光雷达也还未成为标配，全国范围内的自动驾驶更是遥不可及，端到端的自动驾驶概念更是无从谈起。那时的我们，作为智能驾驶行业的一员，如同其他行业的工程师一样，遵循着既定的顶层设计，一步步添砖加瓦。
然而，自2020年起，智能驾驶领域迎来了疯狂扩张的时期，各大团队纷纷加入，资本涌入，人才流动频繁。随着自动驾驶技术逐渐走向量产，一系列复杂的工程问题也随之而来，包括感知、规划、测试、平台、仿真、系统、安全等，每个团队都为了自身的扩张找到了充分的理由。
“我们即将量产，任务会越来越多，为了提高效率，必须招聘。”这成为了当时行业的普遍共识。
一时间，自动驾驶领域的预算飙升，猎头公司推波助澜，从一线城市到新兴城市，无论优秀还是普通，只要能出活的工程师都搭上了这趟发展的快车。甚至出现了工程师化名跳槽，以其他公司名义签订合同、缴纳社保的现象，竞业协议变得泛滥且形同虚设。
然而，谁也没有料到，这场招聘热潮在2024年突然遭遇了行业的急剧切换，原本的招聘优势瞬间变成了负担。
人工智能的Scaling Law开始显现其威力，马斯克凭借海量的路试数据，成功推动了自动驾驶技术的自动化问题解决。尽管2023年时，端到端自动驾驶的安全性还备受质疑，但到了2024年，端到端技术已成为最先进的技术，被视为未来的希望。这种变化之快，让行业内外都感到难以理解。
在这场技术切换中，行动效率极高的理想AD团队成为了最大的受益者，同时也是上一轮自动驾驶疯狂扩张期中最为谨慎的团队。这两者之间的关联，不禁让人深思。
随着技术切换浪潮的到来，过去的投入很可能成为沉没成本。自动驾驶行业对算力的要求越来越高，小鹏提出了自动驾驶的竞争是云端的竞争，小米也不甘落后，给出了巨大的算力储备。而曾经处于行业金字塔顶端的RoboTaxi公司们，面对端到端趋势，却陷入了纠结。
他们既无法跟上车辆量级和算力的要求，又无法忽视行业的这一趋势；既认为端到端技术无法达到L4级自动驾驶的安全性要求，又不得不面对人工智能领域的Scaling Law这一共识。过去“小而美的团队，用精致的算法将自动驾驶推向世界”的愿景，似乎已成往事。
为了应对这一挑战，小马智行等团队开始探索新的解决方案。他们发现，端到端的模仿学习存在局限性，无法超越人类。因此，他们需要采用更接近强化学习的方法论，让RoboTaxi能力得到大幅提升。这需要通过建造交互式的世界模型，让算法在其中进行虚拟交互式学习，这与蔚来NIOIN提出的NSim理念不谋而合。
虽然这条路并不简单，但却是无法回避的选择。因为无论哪种模型，在真实世界中的学习都是受限的，必须在虚拟世界中进行学习和进化。因此，虚拟仿真技术成为了各家团队的重点关注对象，3D重建、世界模型、Gaussian Splatting等技术开始被广泛应用。
