談到自動駕駛，大家的第一反應就是自動駕駛系統“能不能把車開穩”，看似非常簡單的一個目標，其背后其實是對系統能否在各種現實場景下作出正確、可預期決策的一項嚴格要求。為了能讓自動駕駛汽車做出正確、安全且符合邏輯的行駛動作，端到端大模型被提了出來。

端到端大模型把從傳感器輸入到控制輸出的任務盡可能用一個大網絡來完成，其優點是能夠直接學習復雜映射，省去繁瑣的中間模塊，但代價是系統的行為變得更難以完全預測和驗證，也就是出現了“不確定性”。所謂“不確定性”，就是指在面對同一輸入或相似場景時，模型可能給出模糊、搖擺、或錯誤的輸出，并且我們對這種錯誤的發生概率或根源難以給出量化的解釋。自動駕駛端到端大模型為什么會有不確定性？

端到端大模型的不確定性到底是什么

“不確定性”這個詞聽起來抽象，但拆開來其實很好理解。對于端到端大模型來說，其一部分不確定性來自數據本身，有些場景天生難以判定，下大雨時遠處的物體輪廓模糊，夜間強逆光會把行人和背景融成一片，這類情況即便人也會猶豫，這類不可避免的噪聲叫做統計噪聲或“不可約的噪聲”。還有一類不確定性來自模型知識的不足，比如訓練數據沒覆蓋到的某些極端或罕見場景，模型在這些“從未見過”的輸入上往往會表現得自信卻錯得離譜，這就是模型的“認知盲區”。在技術角度中常把這兩類分別稱為“aleatoric uncertainty”（數據本身的隨機性）和“epistemic uncertainty”（模型知識有限導致的不確定性）。端到端大模型的“不確定性”同時包含這兩部分，而且還會被模型架構、大樣本偏差、訓練目標、優化不穩定性等因素放大。

端到端模型的輸出往往不是“一個明確的動作”那么簡單，而是一個概率分布或直接映射到控制量的連續值。如果模型的概率估計本身不靠譜（即所謂“誤校準”），系統可能對低置信度但實際危險的決策表現出過度自信。還有一個關鍵點是時序閉環，自動駕駛不是靜態把一幀圖像做分類然后結束，而是連續決策、車輛動作反饋到環境再生成新的輸入，錯誤會累積放大，導致原本小概率的偏差演變為嚴重后果。因此，端到端模型的不確定性不是單幀問題，而是閉環系統級的風險來源。

為什么端到端架構更容易暴露或放大不確定性

把感知、預測、規劃、控制都壓在一個大網絡上看似能讓效率得到提升，但會帶來諸多挑戰，從而放大不確定性。第一個是可解釋性差。在模塊化系統里，當車偏離軌跡，你可以追查是感知漏檢、軌跡預測偏移，還是控制執行延遲；而端到端模型的內部表示是高維且難以直觀解釋的，當出問題時工程師難以定位故障根源，進而難以有針對性地修復。第二個是驗證難度增加。傳統模塊各自有明確定義和指標（比如檢測的召回率、預測的軌跡誤差），可以逐項驗證；端到端模型的整體性能好壞更多依賴“端到端場景覆蓋”，單靠統計指標很難證明在所有長尾場景下安全。第三個是數據需求極大且對分布依賴強。端到端模型需要海量、覆蓋面廣的樣本來學習“從像素到操作”的映射，訓練集與實際運行環境一旦發生偏差（分布漂移），模型表現可能驟降。第四個是過度自信的風險，深度模型在沒有適當不確定性估計時，往往會對錯誤的輸出給出高置信度，這在安全關鍵系統中非常危險。

端到端模型往往優化的是一個經驗風險（例如平均損失），這會導致端到端大模型在常見場景上表現極好，而那些一旦出錯后果嚴重但出現概率低的場景表現就會足部。自動駕駛的風險不是均勻分布在所有場景上，長尾場景（復雜路口、極端天氣、異常道路設施等）雖少見卻更危險，因此單純優化平均指標會低估真實安全風險。

不確定性會給自動駕駛帶來哪些具體影響

端到端大模型的不確定性會在多個層面影響自動駕駛系統的安全性、用戶體驗和部署成本。端到端模型在未見或模糊場景中可能做出錯誤轉向或加速決策，而如果系統沒有可靠的置信度估計和安全接管策略，這類錯誤可能直接導致碰撞或事故。

行為的不可預測性也會降低公眾與監管機構的信任。即便平均事故率低，若偶發事件難以解釋，監管方、車主乃至公眾都會對系統安全性提出質疑，從而影響上路許可和商業化推進。還有就是運營和維護成本增加。不確定性意味著需要大量的實地數據采集、回放分析、補數據標注，以及更頻繁的軟件更新和回歸測試，這些都會顯著增加長期投入。

對于用戶體驗來說，不確定性通常表現為車輛行為不夠連貫或者過分保守。為了避免事故，系統可能在不確定時傾向剎車或降速，這會讓乘客感覺自動駕駛汽車開起來“優柔寡斷”、影響舒適性和通行效率。或者在另一些不確定情況下系統又過于自信、不做必要的減速或避讓，這種“自信卻錯誤”的行為反而更危險。對商業化產品來說，既不能太保守以至影響使用體驗，也不能魯莽，這中間的平衡需要對不確定性有精細的量化和工程控制。

有哪些方法可以測量和估計不確定性？

既然端到端大模型的不確定性一定會存在，那是否有量化和監測不確定性的方法？其實有多個方法可以測量。其一是基于模型的概率輸出做校準檢測，例如通過期望校準誤差（ECE）來判斷模型給出的置信度與實際正確率是否匹配。如果不匹配，就說明輸出概率不可信。其二是使用集成或貝葉斯方法估計epistemic uncertainty。較為簡單方式是模型集成，通過訓練多個模型或使用不同隨機種子和數據子集，觀察輸出分歧，分歧越大說明模型知識越不確定。更正式的做法有貝葉斯神經網絡、貝葉斯近似（例如MC Dropout）等，它們能給出后驗不確定性估計。其三是開發專門的異常檢測或脫域檢測模塊來識別與訓練分布差異較大的輸入。這類方法可以在在線運行時提供“我不認識這個場景”的警告。其四是直接訓練模型輸出不確定性量化，如深度證據學習或學習輸出分布參數（例如回歸時同時預測均值和方差），從而把不確定性內嵌在模型輸出中。

不過要注意的是，測不等于可用。很多不確定性估計在學術數據集上表現良好，但在真實車輛的動態閉環下會出現失準。因此除了采用這些估計手段，還需要有系統級評估，驗證這些估計在實際運行中的可靠性和對安全決策的幫助程度。

決策與控制如何處理不確定性信息？

即便能估計不確定性，對于自動駕駛來說的核心問題仍然是把這個信息合理地傳遞給決策與控制。簡單直接的辦法是讓規劃器把不確定性視為額外的“成本”或風險項，當感知或預測置信度下降時，規劃器就執行更保守的軌跡、減速或拉開橫向間距。這種做法能在很多情況下減少事故發生概率，但也可能帶來效率下降。在更系統化的框架里，可以把駕駛看作部分可觀測馬爾可夫決策過程（POMDP），用貝葉斯濾波器維護一個“信念狀態”，并在規劃時同時考慮狀態的不確定性和目標的收益/風險權衡。雖然理論上完整的POMDP求解能兼顧不確定性和決策，但在現實車輛上計算量大且實現復雜，因此常用近似方法或使用模型預測控制（MPC）結合不確定性邊界來做風險控制。

當然，不管決策多復雜，都應當內置一套例如限制最大橫擺角速度、緊急停車的最小安全距離等硬性安全約束。即便主模型出現錯誤，這些硬性規則可以在極端情況下接管，形成所謂的運行時保障（runtime assurance）。在混合架構中常見的做法是把端到端模型作為建議器，而讓傳統控制或規則模塊作為最終的安全過濾器。

如何緩解端到端大模型的不確定性？

想緩解端到端大模型的不確定性需要從數據、訓練、架構和運行四個維度同時入手。在數據層面，要系統地構建覆蓋長尾場景的數據集，不僅要被動收集，還要采用主動學習策略定向采集高風險或高不確定性的場景。合成數據和域隨機化也是補充手段，可以在模擬環境中生成稀有極端條件，緩解現實數據難以覆蓋的問題。在訓練層面，可以引入不確定性感知的損失函數、證據學習、或多任務學習來讓模型在輸出時攜帶不確定性信息，提升模型在罕見場景下的魯棒性。

在架構上，可以嘗試選擇混合方案，把端到端網絡與模塊化子系統結合，或者采用“端到端+模塊化”的并行方案，這樣不僅可以保持端到端模型的學習優勢，同時可以保留傳統感知/定位/規劃模塊作為校驗或冗余。還可以在車端部署輕量級的不確定性檢測器與規則性安全網，一旦檢測到高不確定性，立即切換到保守策略或請求遠端服務（若車云協同可行）。在運行時，要有完備的監控與回放體系，把所有高不確定性和異常情況記錄下來，用于離線分析和針對性數據補充。

最后的話

不確定性并非端到端模型的“致命病”，而是通向成熟自動駕駛必須面對的現實。對于這一問題的關鍵在于不要把模型當作黑箱，而要把不確定性作為設計變量，有目的地測量、傳遞并在決策層面做出合理的風險權衡。通過數據策略、混合架構、實時監控和形式化的安全約束，逐步把“未知的風險”變成“可管理的風險”。

-- END --

       原文標題 : 自動駕駛端到端大模型為什么會有不確定性？