最近，在智驾领域，“车位到车位”的概念火了起来。从词意来看，好像是从一个停车位到另一停车位，但其中还“折叠”了一段城市领航辅助驾驶（城市NOA）。自动泊车并不稀奇，城市NOA也已经历“开城大战”阶段，按理说“车位到车位”应该没什么难度和卖点，为何产业链上下游企业却以此屡屡宣介？
智驾落地场景贯通延展
2025年曾被行业预言将是城市NOA大规模爆发的元年，但现实发展得比想象还要快。
据媒体报道，1月13日，深圳机场成为国内首个正式允许“自主泊车代驾”商用试点的标杆案例；作为该项目的首个合作伙伴，华为乾崑智驾泊车代驾VPD（Valet Parking Driver）则成为国内首家拿下大型机场停车场官方许可的供应商。
按照计划，车辆配装华为乾崑智驾ADS 3.0系统的车主，在深圳机场指定区域将可以激活VPD的自主巡航泊车和一键召唤两大功能，实现到机场赶飞机快速停车、返程后快速上车的场景需求。
具体来说，当车辆到达机场停车场下客区，车主下车后通过手机App操控，选好目标车位即可奔赴候机厅。车辆通过VPD能够自主巡航并准确泊入目标车位。同时，在低速行驶过程中，车辆可自主会车避让、礼让行人，并在目标车位被占时自寻空车位，提高机场停车场内停车的效率。
同时，当车主飞行落地深圳机场时，车辆的VPD还支持一键召唤功能。车主可直接通过手机App让车辆自主泊出并智能巡航到停车场上客区，实现“召之即来”，提升寻车效率。
“华为乾崑于业界首个提出并实现VPD泊车代驾商用，此次在深圳机场的商用试点发布，是智能驾驶领域的里程碑事件，也是我们迈向无人驾驶非常关键的一步。”华为智能汽车解决方案BU首席执行官靳玉志强调。
相较于城市NOA“全国都能开”这一更宏观的发展规划，从“车位到车位”对终端用户而言更加实惠。“车位到车位”，从字面意思理解，就是从任意一个车位出发，经过各种复杂场景，最终到达另一个车位的全程自动驾驶能力。整个过程包含行车和泊车两部分。相比于行车，自动泊车功能是容易被大众忽略的部分，但恰恰是用户购车时更看重的因素。
就在2024年的倒数第三天，靳玉志与阿维塔科技总裁陈卓在直播中，通过智驾顺利实现了车辆从A停车场的非固定车位行驶至B停车场的任意车位，所演示的正是当月17日推送的ADS 3.2版本新功能。只见阿维塔12进入陌生停车场之后，系统自动识别周边车位并自行泊入，整个过程相对无缝且流畅，即使车位被占，车辆也能“漫游”找到附近的空车位停进去。
据悉，此次直播中的那辆阿维塔12，首次来到该停车场就实现了自动规划停车位的功能。这意味着华为乾崑的“车位到车位”无需记忆，首趟就可使用。
“车位到车位”产品密集发布
“车位到车位”这颗石子悄悄投入湖水后，炸醒了不少“装睡的人”。
时钟拨回到2024年广州车展开幕前一天，小米董事长兼首席执行官雷军通过直播展示了小米汽车“车位到车位”的智驾能力。而赶在2024年的最后一天，小米汽车正式官宣，“车位到车位”端到端全场景智能驾驶先锋版已开始推送，支持车辆自动驶出车位、到达目的地自动开启寻位泊车等功能。此次更新正式接入VLM视觉语言大模型，系统可识别复杂道路环境和特殊交通规则区域。
1月15日，理想汽车宣布，全新ADMaxV13.0即将随OTA 7.0全量推送。该版本无限接近零接管800万Clips训练模型，城市、高速全场景端到端，车位到车位，“丝滑无断点”。据试用过的理想用户反映，升级后的ADMax系统可直接从城市NOA切换到自主记忆泊车AVP，实现“丝滑”的转弯入库，而最令人惊喜的地方在于系统还能够自主过闸机。
原定去年年底推送的小鹏汽车，最终在2025年1月底才实现全量推送XOS 5.5.0，新增“车位到车位”智驾功能。小鹏汽车董事长何小鹏表示，基于小鹏图灵AI智驾体系，小鹏成为行业首家用一套智驾软件以及基于端到端大模型实现“车位到车位”的企业。据悉，该方案以一套软件逻辑，打通地库、闸机、城区道路等场景，并且轻地图、轻雷达，路线还能无感生成。
与智驾有关的新名词、新技术，多半离不开特斯拉的带动作用，此次的“车位到车位”也是特斯拉率先拉动引绳。
2024年12月，特斯拉正式向外部用户推送了FSD V13.2版本，支持“车位到车位”，并预计2025年一季度向中国用户同步推送。根据官方的说明，与前一个版本相比，最新的V13针对AI4（HW4）平台的车辆提供了非常多关键改进。有不少用户在更新FSD V13.2后发现，新系统即便是在雪地行驶也能做到零接管，并且车辆可以准确驶入和泊出车位，点到点的智能驾驶能力并未受到影响，在夜晚也能够自主驶入超级充电站充电。而且，特斯拉FSD V13.2也是无需记忆就可以实现点到点。
经历了2022年的高速公路NOA，2023年的城市NOA，2024年“全国都能开”，2025年“车位到车位”成为新的智驾高地。放眼全球，特斯拉、华为、理想、小鹏、小米、极氪等聚焦高阶智驾的企业，都进入了“车位到车位”的竞技场。
从技术角度来看，“车位到车位”是一个复合的场景，包括停车场泊车代驾、城区和高速NOA、自动进出闸机等。从技术角度来看，无需固定车位意味着系统已具备强大的“世界感知”能力，自行漫游、自行定位、自行泊入更是感知与规控的完美结合。因此，业内也有观点认为，“车位到车位”的竞赛，本质是智驾企业“端到端”的博弈。
打通技术底层逻辑是关键
“‘车位到车位’没什么稀奇的，实际就是智能驾驶的全部场景。”同济大学汽车学院教授朱西产向记者解释道，“原来的智驾针对单个场景拆分成各个功能，现在融合到了一起。”
华为乾崑智能驾驶业务前工程师刘源也证实：“‘车位到车位’功能的实现，主要逻辑就是从技术上打通了AVP代客泊车辅助和城区NOA，场景上合二为一，进一步简化消费者的操作。”他告诉记者，虽然不少车企都宣布拥有“车位到车位”的智驾功能，但底层逻辑存在差异。“有的厂家两段技术栈不同，要拼接到一起才能实现。华为的逻辑则是打通端到端这一个技术栈的两个场景。”据介绍，实现端到端从场景能力上的打通后，以前AVP是AVP技术，NOA是NOA技术，现在多个场景都可在整体NOA能力的延展上直接复用。
自动泊车和城市NOA技术都已量产落地，那么“车位到车位”无非是将两种功能实现“A＋B＋A”的结合，难点何在？在刘源看来，“车位到车位”场景的“拼接”并不难，难的是打通端到端的底层逻辑。
不难发现，此番宣布实现“车位到车位”的车企，基本都是端到端技术路线的拥护者。这是偶然，也是必然。朱西产认为，如果不采用人工智能端到端技术，无法实现“车位到车位”这种复杂的应用。端到端一定是智能驾驶的现在和未来，是实现自动驾驶惟一的计算路线。
朱西产还强调，端到端模型的优势，在于减少各模块之间信息传递过程中的丢失问题，通过Transformer构成一个更大的网络，训练过程中实现更多参数的全局最优；另外，还可以提升开发效率，实现全局优化及更强的泛化性等。“上限很高，但难度也很大。”他直言，要真正实现“全场景都能开”，目前的端到端模型还差得很远，尤其是达到“一段式端到端”，几乎不可能。
其实，业内对于“一段式端到端”还是“两段式端到端”的争议由来已久。有市场分析人士认为，目前在做“一段式端到端”的企业凤毛麟角，大多数企业的技术和产品还是分段式。
据了解，“两段式端到端”方案的信息经过感知模型过滤后，再到规控模型，有两个信息处理环节。而“一段式端到端”方案将智驾的感知、预测决策、规划多个模块合为一体，直接从传感器输入外部环境信息，并输出车辆的行驶轨迹，使得端到端模型像人类大脑一样，具备更高的理解力和进化能力，能够掌握新的工具并应对未曾见过的场景。
“安全是汽车不可忽视的最重要原则。”朱西产表示，如果要做“一段式端到端”，就要拿掉安全准则模型，车辆将传感器采集到的信息直接发送到一个统一的深度学习神经网络，神经网络经过处理之后，输出自动驾驶汽车的驾驶命令，即算法直接将系统的输入端连接到输出端。虽然信息无损程度更低，但其“黑盒”属性（模型的决策过程不公开或难以理解）存在更大的安全挑战。
无法与人工准则模型进行“组装”，也是“一段式端到端”不可忽视的缺点，尤其是涉及安全的准则模型。另外，还有数据要求质量高＋数量大、算力难题、算法难题、可解释性难题、模型设计难题、上车难题等挑战。同时，“一段式端到端”系统，比分层的端到端更难收集“长尾问题”数据，也会影响模型迭代。
朱西产承认，“一段式端到端”大模型的表现非常惊艳，但他估计近两年上车的可能性不大。朱西产表示，根据国内车企目前在智能驾驶领域的数据能力和AI训练算力，做感知端到端，融合激光雷达的感知方案，在规控算法上保留安全准则模型，这种分段式端到端模型是比较合理的技术路线。
行业还应理性发展端到端
无论哪种技术路线，端到端模型的自研难度都不容小觑。
具体难在哪？朱西产给记者算了一笔账，持续开发训练端到端大模型，首先需要高算力的人工智能芯片，其次离不开海量的数据支持，再次需要建设高算力的训练平台，还得有懂人工智能的高级人才来构建模型。“算法、数据、算力都要靠芯片来支撑，包括车端推理算力及云端的训练算力，都需要高算力人工智能芯片驱动，这些芯片成本高昂，以英伟达A100为例，一颗大概价值25万元，而这样的芯片在大模型的训练中至少需要1万颗，总共需要约25亿～30亿元，这是一笔不小的投入。在美国对华发布新一轮芯片禁令后，这些高算力芯片恐怕将更难获得。”
除了高算力芯片外，大批量优质数据的获取也是一大难题。理想汽车用户张先生在OTA 7.0更新前，使用城市NOA功能的频率非常高。作为一名老司机，他对老版本略有微词。“虽然在大部分情况下，智驾的表现令人满意，但在一些复杂路况和极端路口，我还是不敢使用智驾系统。”张先生举例说，“我家住胡同，道路狭窄，路边不规则障碍物多，有时候就识别不出来。另外，在多车交汇路口，智驾系统的逻辑过于保守或者说太守规矩，其实是不太符合‘老司机’的驾驶逻辑。”
如何将车辆训练得更像“老司机”，几乎是研究端到端模型自动驾驶企业要面对的共同难题。而除了收集更多优质的数据不断训练，似乎目前也没什么更好的办法。马斯克曾在社交平台X上回帖道：与V12.5.4相比，13.2版本能力提升了5倍；模型参数量增加3倍，让基于时序的推理能力大幅提高。
理想汽车智能驾驶研发负责人郎咸朋此前也表示，要达到500公里的综合MPI（城市＋高速综合接管里程），预计需要2000万Clips（视频片段）的水平。如果2000万Clips从不到5％的老司机中筛选，这里隐含的数据量，要达到50亿公里甚至上百亿公里的水平。这种等量级的数据需求将卡住不少智驾企业。
知行科技创始人兼首席执行官宋阳认为，智驾行业对端到端似乎有些过于神话的倾向，认为其无所不能。事实上，行业对基本常识还需有一定的认知。端到端并非万能，其“黑盒”特性决定了无法通过简单明确、可解释的规则约束系统的安全边界，因此存在安全性挑战。模型能力评测从模拟环境到真实环境，系统的适应能力和泛化能力有待更广泛的验证。
凯联资本研究院院长由天宇更是直言，整个行业都得了“AI焦虑症”，大部分从业者只模糊认识到AI是大趋势，但实际并不明确AI的发展方向、底层逻辑，也不知道AI将如何重构产业，甚至不清楚自己要做什么，只是被裹挟着不得不做。
车企一窝蜂扎向端到端的行为并不理智，也不现实。但随着一些新创品牌的倒塌，业界都意识到未来的市场竞争必将更加激烈，尤其是智能化竞争的下半场，端到端几乎成为下一轮决赛圈的“入场券”。
对于大部分车企来说，不做端到端可能会“死”，做端到端但是做不好可能也会“死”，站在“分岔路口”何去何从。
对此，业内专家认为，车企拥有第三条路的选择，那就是“抱团取暖”。“我们并不建议车企都去自研端到端，这条发展道路投入大、难度高、收效慢，明智的做法是选择与华为、大疆、地平线、Momenta等企业合作赋能。”朱西产表示，目前，国内如华为、地平线、黑芝麻智能等企业已经小有成绩，尤其在车端计算芯片方面，像华为在车端和云端计算都有着很强的实力，可以直接为车企赋能，让专业的人做专业的事，车企专心做车，这样会更有利于整个行业的资源集中，形成良好的持续发展态势。