以特斯拉为例，FSDV12.3版城市每次关键接管前行驶里程已上升至240公里，无关键接管率也达到空前的71%。在向全美特斯拉车主推送免费试用一个月之后，4月的一次或无接管率达到90%，无接管率为73%，5月和6月，这一数字略有回落为87%/68%，87%/70%。
在非端到端版本前，这一数据的历史最好值为去年8月的87%/65%。
但从《电动汽车观察家》了解到的信息来看，目前业内尚无人做到马斯克所表述的“原教旨主义”端到端，包括特斯拉自己。
02
有代码的端到端
“他们说没有必要不用规则。红绿灯等都是人类现成的规则，没必要通过看别人红灯刹车，才学会刹车。”
一位接近特斯拉北美FSD团队的业内人士表示：“所以V12应该是一个大的神经网络，从头到脚。只有底下重新做了一个兜底的东西。出现极端情况，或者没必要（用神经网络学习）的，就用这套东西去兜底了。”
另一个论据是FSD V12的车端算力使用情况。
特斯拉工程师现场估算，70Tops（HW3.0）中有一些固定的道路、红绿灯、兜底规则的算力消耗，约20Tops左右。实际自动驾驶系统的算力在50Tops左右。“所以反推出它的自动驾驶模型也不大，可以说是一个小模型。”上述业内人士表示。
前述工程师也认为，特斯拉的规划使用深度学习是为了加速树搜索（人工智能问题中做出最优决策的方法,一般是在组合博弈中的行动规划形式），“而不是直接端到端黑箱出轨迹。因为出了问题短时间根本修不好，也没人知道要多少数据可以修好。”
但另一位工程师另有看法。他认为，特斯拉FSD在V10.9时，已经完成了感知的纯数据驱动。如今V12的架构和V11没有很大的差别，最大区别在于换掉了整个决策规划模块。
基于AI DAY的信息，特斯拉规控部分在2021、22年就已经是一个混合模型，在当中使用了数据驱动的方法与规则融合。“显然，没有办法通过这种方法（模型+规则）来达到V12的效果。”
目前国内极少数实践一段式端到端自动驾驶系统的商汤绝影，也表示其系统目前仍需要有安全兜底规则。
商汤绝影自动驾驶系统演进图
商汤绝影推出的端到端自动驾驶系统UniAD，通过感知端的模型和特征提取器，得到周围环境、目标，以及目标未来行为预测的一系列特征，并以此进行之后的规划轨迹输出。整个架构内都由神经网络构成，模块间的交互也都是通过特征来传递。
“实际上，我们在（系统）中间有加入之前传统模块间的一些监督，但整体目标还是希望学到最优的最终路径。对于最后的路径规划，我们会通过传统的方法进行安全性的检查和确认，确保环境中最底线的安全保障。”
商汤绝影智能汽车事业群智能驾驶副总裁石建萍表示：“现阶段的端到端，首先是从感知到规控是一个完整的数据驱动方案，通过灵活的数据积累和scaling laws使系统更快迭代到更加智能的状态。但在一些安全性问题上，还是要跟规则一起做一些相互确认。
这是我们认为端到端可能较为合理的方案。”
小鹏汽车创始人何小鹏也在此前的采访中说过：目前没有一家企业敢说自己的端到端是完全没有代码的。
对于国内头部玩家来说，感知部分的模型化程度已经很高，切换端到端的主要难度在于之前几乎完全由规则组成的规控制部分。
上述规控工程师表示，据其了解，目前国内头部玩家的规控大部分仍是混合架构。
具体而言，模型给出若干轨迹参考后，用传统方法全部进行优化。工程师会写一些规则和评价函数，对每个优化完的结果打分，之后选出分最高的轨迹落地。其中，评价函数也可能会部分结合神经网络。
所谓传统的方法，并非简单的if else（If else 是C语言中的条件语句。if后面加一个条件,如果条件成立,则执行if语句里面的内容,如果不成立,则执行else语句内的内容），而是众多数学方法。包括马尔科夫决策过程、博弈论、utility theory、优化理论等。
马尔科夫决策过程
2023年4月，还担任小鹏智驾负责人的吴新宙就曾表示，在穷尽数学方法的可能性之前，不会在决策部分大规模渗透神经网络。
在上述规控工程师看来，完全依靠深度学习达到高安全性的智能/自动驾驶系统，成本要比使用科学方法高得多。更合理的方法是打造一个科学的决策规划理论和计算架构，其中能够兼容机器学习。一方面表征了规控结果的合理性和基本正确性，另一方面依靠机器学习，实现系统的智能和灵活性。