2026年6月的深圳晚高峰，一辆搭载华为ADS 4.0的问界M9在滨河大道自动跟车。右侧车道，一辆电动自行车突然违规切入，系统瞬间急刹——车内手机飞了出去。这并非个案，而是当下“端到端”智驾系统最真实的写照：虽然技术光环耀眼，但“幽灵刹车”与异形障碍物识别的痛点，依然让驾驶者不敢真正放手。
过去两年，车企们热衷于宣传“无图NOA”开通了多少个城市，或者智驾累计行驶了多少亿公里。然而，正如我们在《实测A19 Pro：跑70B大模型，iPhone终于不烫了》中看到的，算力堆料只是第一步，真正的瓶颈在于系统如何高效利用这些算力。在自动驾驶领域，同样的道理适用：单纯的模型参数规模，并不等同于驾驶体验的线性提升。
根据2026年Q2多家独立第三方评测机构（如AutoLab和智车情报局）的综合路测报告，一个尴尬的事实浮出水面：虽然端到端模型（End-to-End）确实让车辆在高速和简单城市场景下的平顺度有了质的飞跃，但在复杂城区，平均接管率（MPI，即每接管一次行驶的里程）的改善幅度远低于预期。
以特斯拉FSD v13（2026年初推送版）为例，虽然在北美封闭测试中其处理“鬼探头”的能力有所提升，但在中国市场的实际路测中，面对外卖电动车突然切入的非标准场景，其决策延迟依然比人类老司机高出0.3-0.5秒。这0.5秒的延迟，足以让乘客感到明显的顿挫。
“幽灵刹车”并未根除，只是换了个名字
端到端模型的核心逻辑是“感知-规划-控制”一体化，试图模仿人类神经网络的直觉反应。理论上，这能解决传统模块化架构中“感知不准导致规划错误”的顽疾。但现实很骨感。
华为ADS 4.0在2026年3月正式发布后，主打“全场景智能”。但在针对一线城市早晚高峰的实测中，我们发现其在隧道出口光影剧烈变化时，依然会出现误判车道线的情况。这不是感知模块的失误，而是端到端模型在训练数据分布外（Out-of-Distribution）的“幻觉”。这就好比《AGI元年还是幻觉之年？首届国际AI大会上的三大争议焦点》中提到的医疗AI困境一样——通用大模型在特定领域如果没有足够的领域知识约束，极易产生看似合理实则危险的输出。
小鹏XNGP同样如此。尽管其引入了更强的BEV（鸟瞰图）Transformer架构，但在面对施工围挡、倒塌树木等“异形障碍物”时，系统往往需要多次尝试不同的绕行策略，导致车辆在城市主干道走走停停。这种“犹豫不决”，比坚决的错误更让乘客感到不适。
成本账：激光雷达的生死博弈
在端到端大模型的浪潮下，车企们在传感器配置上也出现了严重分化。一方面，特斯拉坚持纯视觉路线，认为激光雷达是“拐杖”；另一方面，华为和小鹏等国内头部玩家，则选择“多模态融合”——既有端到端的视觉大模型，又保留了高线束激光雷达作为安全冗余。
这种选择的背后，是冰冷的经济账。据界面新闻此前的报道，端到端架构虽然降低了对高精地图的依赖，但对算力的要求呈指数级上升。英伟达Thor芯片虽然算力强劲，但单个域控制器的成本依然高昂。相比之下，纯视觉方案虽然省去了激光雷达的硬件成本，却在软件研发和数据闭环上烧掉了更多真金白银。
这就回到了《2026液冷选型：从风冷极限到TCO算账》中提到的TCO（总体拥有成本）思维。对于车企而言，智驾的竞争不再是单一技术的比拼，而是整个供应链和数据生态的较量。谁能在保证安全的前提下，把算力成本控制在合理区间，谁才能在这场马拉松中笑到最后。
安全红线：从“可用”到“可信”
端到端大模型的上车，让自动驾驶从“规则驱动”转向了“数据驱动”。这意味着，AI的表现取决于它见过多少种路况。然而，现实世界是无限复杂的。你永远无法收集到所有可能的极端案例。
因此，2026年的智驾安全，正在从“追求低接管率”转向“追求高可解释性”。正如《AGI大会后的冷思考：医疗AI如何跨过“幻觉”这道坎》中所述，唯有引入领域知识约束，让推理过程透明可解释，AI才能真正跨过临床落地的生死线。在自动驾驶领域，这也是同样的逻辑。
我们期待看到更多像“行为存证”这样的技术被引入智驾系统，让每一次接管都有迹可循，每一次事故都能回溯原因。只有这样，端到端大模型才能从“黑盒”变成“白盒”，真正赢得公众的信任。
结语：内卷的下一站
2026年，端到端大模型已经不再是新鲜事，而是标配。但标配并不意味着完美。幽灵刹车还在，异形障碍物依然棘手，接管率下降得不如宣传中那么显著。
但这并不意味着技术停滞。相反，这正是行业从“炫技”走向“务实”的标志。未来的竞争，将不再是谁的模型参数更大，而是谁能更好地处理长尾场景，谁能在成本和安全之间找到最佳的平衡点。
对于消费者来说，不妨保持一点耐心。毕竟，让AI学会像人类一样“直觉驾驶”，还需要更多的时间和数据去喂养。而在这一天到来之前，双手握紧方向盘，或许是最明智的选择。
