据盖世汽车11月16日报道,作为自动驾驶开源软件Autoware的核心推动者,提雅智行(TIER IV)宣布开发并开源了多款端到端(E2E)自动驾驶AI模型。从产业逻辑来看,这并非一次单纯的技术迭代,而是试图通过开源生态降低自动驾驶技术栈的研发门槛,将软件定义汽车的竞争焦点从“全栈自研”向“模块化集成”转移。
此次发布的端到端AI模型基于Autoware 2.0架构打造。根据原始信息源披露,这些模型能够适配不同的系统需求,涵盖了多种地图信息和传感器配置。具体而言,方案跨度从仅依赖摄像头的纯视觉路线,一直延伸到融合激光雷达(LiDAR)、雷达及高精地图(HD Map)的多传感器融合路线。这意味着开发者可以根据各自的性能需求和成本预算,挑选最合适的AI模型。
在技术架构层面,Autoware 2.0被定义为一种可扩展且具备适应性的架构,其核心特征在于能够将人工智能(AI)模型与传统的基于规则的技术灵活结合。这种混合架构设计解决了纯端到端模型在长尾场景下不可解释、难兜底的行业痛点。通过Autoware提供的开发环境,汽车制造商及技术合作伙伴可以对这些模型进行优化并将其集成至车辆系统中,从而开发并部署自主的自动驾驶技术栈。

值得注意的是,这一动作发生在车载AI算力快速演进的节点上。就在几天前的11月11日,英伟达正式推出了Alpamayo 2 Edge车载AI模型。据新经网报道,该模型采用约20亿参数的Nemotron推理骨干网络,属于视觉-语言-动作(VLA)模型,经过TensorRT等工具优化后,在DRIVE AGX Thor平台上的图像到行驶轨迹推理延迟约为160至190毫秒,闭环驾驶表现相比未经过强化学习训练的最佳模型提升48.9%。英伟达同样允许开发者下载模型权重并根据自身车辆和传感器配置进行微调。提雅智行的开源模型矩阵与英伟达的底层算力及开放模型策略形成了产业链上下游的呼应——芯片巨头提供算力底座与基础大模型,而中间件厂商则通过开源框架解决工程化落地与多传感器适配的问题。
放在整个自动驾驶产业链中观察,提雅智行的开源策略直指当前车企面临的研发成本高企困境。过去几年,头部车企为了掌握核心技术,纷纷投入数十亿元建立千人规模的自动驾驶团队,走全栈自研路线。然而,随着市场集中度提升和价格战加剧,维持高昂的研发现金流已成为多数车企的财务负担。提雅智行通过开源Autoware 2.0及端到端模型,实质上是在中游构建一个标准化的“软件Tier 1”基础设施。对于缺乏足够算法团队的二线车企或商用车企业而言,直接基于开源架构进行二次开发,可以将软件研发投入压缩数亿元,显著改善毛利率。
多方博弈正在这一生态中展开。对上游传感器供应商而言,提雅智行的模型同时支持纯视觉和多传感器融合方案,这意味着激光雷达和高精地图并未被开源社区抛弃,反而获得了更灵活的接入标准,有利于相关硬件供应商维持产能利用率。对下游车企而言,采用开源方案虽然降低了研发成本,但也引发了关于供应链安全和技术同质化的担忧——如果各家都使用同一套底层代码,产品的差异化体验将如何保证?此外,正如初创公司Plurai近期完成1300万美元融资时所指出的行业共识,端到端模型本质上是概率系统,在开放环境中面临长尾风险,需要借助仿真测试等手段不断加固。提雅智行的开源生态能否提供足够完善的验证工具链,将是决定其商业转化率的关键。
短期来看,Autoware 2.0及这批端到端模型的开源,将加速L2+至L3级辅助驾驶功能在中低端车型上的普及,推动国产替代进程中的软件标准化。中期而言,关键变量在于车企是否愿意将核心数据反哺给开源社区以换取更快的模型迭代,以及监管机构对开源自动驾驶软件的安全认证标准将如何界定。如果形成正向的数据飞轮,提雅智行有望成为自动驾驶时代的“安卓系统”;若车企因数据安全顾虑选择封闭,该生态的商业价值则会受限。
每一条汽车新闻背后都有产业逻辑。提雅智行开源端到端自动驾驶AI模型,本质上是用软件公共品的思路,去解构当前高度内卷且重复建设的自动驾驶研发体系。