智能驾驶和机器东说念主领域正在发生一些根人性的变化。一个象征性的事件，是特斯拉在它的 FSD 系统中，启动用一个端到端的神经网罗，去替代昔时由工程师编写的几十万行适度代码。

这种研发念念路的转动，不再依赖东说念主为设定的大批礼貌，而是让模子通过真实寰球的数据自行学习"如何驾驶"，这种式样正渐渐成为行业共鸣。不管是造车新势力，如故机器东说念主创业公司，越来越多的团队齐执政着这个标的探索。

这种作念法的公正很明显，它让机器在处理复杂、动态的环境时，弘扬得更像一个教会丰富的东说念主。但代价也相似弘大，对数据和算力的需求呈指数级增长。研发的难点，正从算法自己转向如哪里理和诈骗海量的数据。一个新的问题是，谁能为这场竞赛提供裕如平稳和强盛的底层撑握？

在刚刚终局的 2025 云栖大会上，阿里云暴虐了面向智能驾驶和具身智能的经管决策升级。这背后折射出一个更大的趋势，云平台正在和前沿 AI 应用设置更紧密的聚拢。从"写代码"到"喂数据"的转动，为什么险些不能逆？它给身处其中的公司，带来了哪些真实的工程远程？以及而作为基础设施的云平台，又会如何冒失这种变化？

为什么端到端可能是正确标的

在智能驾驶领域，传统的步调更像是搭建一条精密的活水线。工程师们把驾驶任务拆分红感知、决策、贪图、适度等好几个悠闲的模块，每个模块各司其职。这种步调在系统相对通俗时行之有用，但跟着车辆需要冒失的场景越来越复杂，它的局限性也渐渐显现。

卓驭 AI 首席技能官陈晓智将这个过程模样为"打地鼠"。团队需要赓续地为千般极点场景（corner case）补充礼貌。这种 case by case 的式样，不仅破费大批东说念主力，还容易产生"跷跷板效应"，经管了一个问题，却可能在另一个方位引入新问题。在他看来，这种模式仍是摸到了天花板，因为它内容上如故依赖工程师的先验常识去穷举统共可能性，这在复杂的真实寰球里险些是不能能的。

端到端的念念路则十足不同。它不再强调逐层界说礼貌，而是让一个调理的 AI 模子顺利学习从传感器输入（终点于眼睛看到的）到驾驶决策（动作怎么动）的好意思满映射。陈晓智将其模样为一种"一派一派经管问题"的式样，中枢是围绕数据和场景进行迭代，从而取得更强的泛化智商和更接近东说念主类的驾驶弘扬。

若是说智能驾驶遴荐端到端是为了冲破体验的上限，那么在具身智能领域，这险些是独一的遴荐。自变量机器东说念主的首创东说念主、CEO 王潜从第一性高兴会释了这少量。机器东说念主与物理寰球的交互远比车辆复杂，触及到摩擦、碰撞、物体的形变等等。在一个分层、模块化的系统里，每一个本领产生的微小缺欠，在传递到下一个本领时，齐可能会被快速累积和层层放大。最终导致机器东说念主的动作僵硬、失败率高。

此外，一个通用机器东说念主需要具备完成雨后春笋种不同任务的智商。若是每一种任务齐去单独拓荒一套算法，险些不能行。王潜觉得，必须有一个调理的模子，大致从海量、千般化的任务数据中，学习到物理寰球运行的"共性轨则"。而端到端的架构，是竣事这一宗旨的合理旅途。

是以不管是在路上跑的汽车，如故在工场、家庭里责任的机器东说念主，"端到端"齐正在成为阿谁业内公认的标的。研发的重点，也不单是是算法优化，而是转向了如何高效地耕作和运营一个确切数据驱动的体系，这当然引出了后续一系列更具体的工程挑战。

一个更依赖数据的寰球和它带来的险阻

转向一个更依赖数据的研发模式，就像从东说念主力伐木到工业化采矿。功课式样变了，对底层基础设施的条款也随之改革。关于车企和机器东说念主公司而言，这个体系的耕作至少面对着几个现实的险阻。

最顺利的，是数据和算力鸿沟的彭胀。当模子需要从海量视频中学习时，数据量级闲静就能达到 PB 以致 EB 级别。阿里云大数据 AI 平台奇迹部肃穆东说念主汪军华告诉硅星东说念主，部分客户的算力需求仍是达到了"万卡鸿沟"。卓驭的陈晓智也坦言，现时的算力、存储和带宽需求，"在昔时是不能设想的"。

比鸿沟更辣手的，是工程体系的脆弱性。一个端到端模子的考试，频频需要成百上千张计较卡并行责任数周以致数月。这个过程中，任何一个本领的狭窄波动，齐可能导致通盘任务失败，变成弘大的资源蓦地。陈晓智共享了卓驭早期自建数据平台的资格，那时最头疼的即是平稳性问题，"基本上天天齐会崩"，研发节拍因此鄙俗受阻。这类挑战也说明了为什么越来越多的企业遴荐将要津本领移动到云上，从而依赖更老练的平台智商。

自变量机器东说念主的王潜也暗意，具身智能的场景比自动驾驶更永诀、更极点，对底层"网、存、算"一体化协同的条款也更为尖刻。高频次的任务迭代，让基础设施的高可用性险些成为生命攸关的问题。

第三个远程，则落在暴露层面，如何正确地意会和使用数据。资格最先的狂热事后，从业者们很快坚贞到，"鼎力出遗迹"是有前提的。王潜强调，数据的质地和散布，频频比比单纯的数目更进军。他以致觉得，一条高质地的真实寰球数据，和一条闲居数据之间，对模子考试的有用性可能进出"几千倍、几万倍"。这意味着，昔时那种随意式"投喂"数据的模式仍是不能握续，拔帜树帜的是细致化的数据运营。

正因如斯，行业也启动探索如何更科学地掂量这套重型体系的投资讲演率。自变量机器东说念主里面留情的中枢目的是"数据成果比"，即一条真实数据能顶替些许条其他源头的数据。而卓驭则设置了一套名为" TTE "（Time to Experience）的评估模子，中枢是看两个数字：一是平均经管一个问题单需要多长久间，二是每个版块能迭代些许个问题。

这些来自履行的险阻和念念考，指向了一个共鸣，在 AI 的新周期里，一个平稳、高效且能撑握细致化运营的大数据 AI 平台，不再是"加分项"，而是决定一家公司研发成果和最终家具体验的要津。

云平台的解法：一个" Data+AI "一体化地基

面对这些从履行中暴披露来的真实痛点，作为基础设施的云平台，也在尝试新的阵势。阿里云暴虐的决策，是一个" Data+AI "一体化平台。这个听起来有些概括的见地，翻译过来实质上是但愿从三个层面切入。

最基础的，是提供一个裕如平稳、可靠的算力底座。关于动辄需要运行数月的大模子考试任务来说，平稳性压倒一切。这背后依赖长久的技能蕴蓄，阿里云的大数据平台 ODPS，从 2009 年就启动服务阿里里面复杂的电商、金融业务，并资格过"双 11 "等极点场景。用阿里云大数据 AI 平台经管决策肃穆东说念主魏博文的话说，他们通过软硬件一体优化（比如自研的交换机）、Serverless 架构解耦，以及一套自愈运维体系，来尽可能保证基础设施的平稳，以致在底层硬件发生故障时，也能作念到对表层用户的"无感替换"。

这种平稳性带来的价值，作为客户方的陈晓智也有体会，卓驭在将数据平台移动到阿里云后，昔时反复出现的存储问题得到经管，研发进程顺畅了很多。自变量机器东说念主首创东说念主王潜也提到，他们的业务需要处理复杂的异构数据管线和异构计较，阿里云为这种复杂性提供了很好的技能基础。

在平稳的基础上，需要追求极致的工程成果。数据量以 PB 级别计较时，传统的数据处理式样不胜重任。阿里云的作念法是构建一条高度智能化的"数据活水线"。举例，通过 MaxFrame 这么的数据加快技能，以及极致弹性的并发处明智商，来大幅裁汰数据坐褥的周期。这就像是把昔时需要东说念主工搬运、加工的矿石，变成了一条自动化、高蒙眬量的选矿坐褥线。

终末是保握平台的怒放性和前沿性。AI 技能迭代飞快，莫得任何公司能悠闲完成统共翻新。阿里云的遴荐是"共建生态"。举例，在此次云栖大会上与 NVIDIA 软件器具层的结合，在东说念主工智能平台 PAI 上集成了 Physical AI 软件栈和寰球模子，匡助客户不错更快地完成研发的"冷启动"和仿真测试。同期，PAI 也为拓荒者提供了从数据经管、模子拓荒、考试到最终部署的全链路器具，并针对智驾和具身智能模子的脾性，提供了成心的性能优化技能。

一个平稳可靠的底座，一条高效智能的活水线，再加一个怒放前沿的器具箱，三部分结合，组成了一个大致承载智能驾驶和具身智能研发需求的" Data+AI "一体化地基。这种一体化智商的耕作凯旋也响应在了市集的遴荐上，现时向上 80% 的中国车企以及多家头部机器东说念主企业，仍是将其数据处理与模子训推链路跑在阿里云大数据 AI 平台上。

启动进入物理寰球的 AI

端到端成为详情趣的标的，智能驾驶与具身智能的发展，也随之进入了新的阶段。若是说上半场的焦点是模子算法，那么下半场则需要更多围绕数据处理、工程成果和闭环迭代智商。

在这场握久战中，一个强盛的" Data+AI "一体化平台的价值比以往愈加杰出。它的作用已不再局限于算力供给，而是需要潜入到数据闭环、模子迭代乃至安全考据的通盘链条之中。

在本年的云栖大会上，阿里巴巴集团 CEO 吴泳铭判断，AI 要从"援助东说念主"走向"特出东说念主"，要津前提是大致聚拢并意会"真实寰球的全量原始数据"。他以自动驾驶为例新一代的自动驾驶，恰是依靠学习海量原始录像头数据，才竣事了智商上的跃升。

这少量也揭示了为什么如今的车企和机器东说念主公司，齐在握续加大对数据闭环的插足。从这个角度看，阿里云平台正在构建的，仍是不单是传统真谛上的 IT 基础设施，更像说吴泳铭所界说的"超等 AI 云"，一个 AI 时间新的计较体系。在这一体系中，数据是养料，而平稳、高效的"数字地基"则是其运行的前提。

最终，更高阶的自动驾驶意味着更安全的出行足球投注app，更通用的机器东说念主则意味着东说念主类不错从叠加职业中目田出来。AI 的价值如故要体现时对产业与日常生存的实验改善上。而这一切的最先，恰是为 AI 铺设一条坚实可靠的数据之路。