在自动驾驶技术的浩瀚星空中，各路大佬纷纷发声，一个共识逐渐浮出水面：端到端结合大模型，或许正是自动驾驶技术发展的终极形态。然而，正如世间万物千姿百态，端到端与大模型的具体实现路径同样没有固定答案。
技术，如同流水与兵法，无常势亦无常形。在真实世界的舞台上，技术展现出高度的可重构性，随着时间流转与新技术涌现，它不断进化，持续改进。自2022年底OpenAI推出ChatGPT大语言模型以来，生成式AI大模型逐渐分化为两大流派：语言模型与世界模型。
语言模型在数字世界中深耕细作，从单一的文本模态扩展到包含图片、视频的多模态，实现了文生图、看图说话、图生图、文生视频的能力。典型的代表如今年2月发布的Sora和4月发布的GPT4-o，它们在数字世界中游刃有余。
而世界模型则跨越数字与物理的界限，从一维的数字智能迈向三维的空间智能。据AI领域的传奇人物、生于北京、成就于美国的李飞飞所言，空间智能意味着AI能在三维空间和时间中以三维方式感知、推理与行动，与现实世界无缝交互。
两大流派的核心差异在于，大语言模型基于文本序列对世界进行一维表示，即便多模态语言模型能够理解图像和视频，也不过是将这些数据Token化，强行融入文本的一维序列中。而空间智能则将三维作为表达的核心，是对物理世界的深度理解与交互。
从自动驾驶大模型的赛道来看，小鹏汽车的全域大语言模型和理想汽车的视觉语言模型，均是在文本基础上叠加了图片和视频模态的语言模型。而蔚来汽车与特斯拉的世界模型，则属于空间智能阵营，它们旨在理解并掌握物理规律，与现实世界产生真实交互。
智能电动汽车行业的竞争，不仅仅是产品、技术与渠道的较量，营销层面的明争暗斗同样激烈。在7月31日的智能驾驶系统发布会上，何小鹏对理想汽车数据为王的观点提出质疑，强调在新的端到端范式下，数据需要重新标注，即便是自动标注工具的帮助，也是一项繁重的任务。
在端到端与大模型的背景下，数据标注的需求发生了新的变化。语言模型需要海量的数据标注工作，以构建预测与规划数据集。而世界模型则采用无监督学习，无需数据标注，能够应对更海量的数据驱动新范式，从此告别劳动密集型的人工智能。
语言模型与世界模型，如同东北大哥与湖南老表，前者先声夺人，给出对当前驾驶场景的理解，但不直接输出决策结果；后者则干脆利落，直接给出车辆的行驶轨迹。理想汽车的VLM给出的是中间层面的建议，而蔚来汽车的世界模型则推演万千平行世界，选择最优解，生成行驶轨迹，直接控制车辆的驾驶行为。
世界模型的两大优势显而易见：一是直接给出行驶轨迹，二是通过无监督学习训练出对驾驶场景的深度理解能力，实现从感知到认知的跃升。相较于BEV+OCC的感知能力，世界模型能够更细致地理解场景，包括光照条件、天气情况等关键要素，为安全、舒适、高效的完全自动驾驶提供有力支撑。
随着算力的不断提升，采用不同技术路线的车企或将逐步趋同。理想和小鹏从语言模型过渡到世界模型，或许只是一个时间问题。在这场自动驾驶技术的变革中，谁将最终问鼎巅峰，让我们拭目以待。
