当特斯拉FSD V12.5在北美街头自主完成“无保护左转”时，其背后的“端到端”AI模型正以每秒100万亿次运算的速度处理摄像头输入，直接输出方向盘转角与油门刹车信号，跳过传统算法中“感知-规划-控制”的分层架构。

这一变革标志着自动驾驶技术从“规则驱动”向“数据驱动”的范式转移——通过海量真实驾驶数据训练神经网络，使系统具备类似人类的“直觉决策”能力。技术层面，华为ADS 3.0的“GOD网络”与小鹏XNGP的“XBrain”形成差异化竞争：前者采用“激光雷达+视觉”融合架构，在复杂城市场景中表现稳健；后者则依赖纯视觉方案，通过“世界模型”模拟长尾场景，降低对高精地图的依赖。数据规模成为核心竞争力：特斯拉拥有超500万辆车的实时数据流，每日新增1600万公里驾驶数据；

而中国车企则通过“影子模式”收集用户驾驶行为，小鹏汽车累计数据量已突破10亿公里。商业化落地中，“端到端”模型显著提升用户体验：萝卜快跑第六代Robotaxi的“急刹次数”较上一代减少70%，乘客晕车率下降40%；卡尔动力自动驾驶卡车则通过“预测性驾驶”策略，将燃油效率提高12%。然而，挑战依然严峻：黑箱模型的可解释性不足导致事故责任认定困难，数据偏差可能引发“算法歧视”（如对非机动车的过度保守决策），而极端场景（如道路施工、临时障碍物）仍需人工接管。专家呼吁，需建立“数据-算法-伦理”的三重监管框架，推动自动驾驶向“可解释、可信赖、可进化”的方向发展。