问题——复杂城市道路对智能驾驶提出更高工程与安全要求；随着城市道路参与者多、行为不确定性强，智能驾驶系统既要“看得见”，更要“做得对”。传统技术路径中，感知、预测、规划与控制往往由大量规则与模块化程序拼接完成，能够在特定场景下实现可控表现，但面对城中村、临停占道、非标准交叉口等非结构化场景，规则覆盖难、维护成本高、迭代周期长等矛盾逐步显现。陈亦伦在访谈中提到，彼时团队系统规模已较大，代码量与维护压力成为继续提升能力的现实掣肘。 原因——闭环规划的难点在于“动作改变世界”，规则难穷举。业内普遍认为，相较“看见”（感知），真正难点在“决策与规划”环节：车辆每一次加速、刹车、并线都会改变周边交通参与者的反应，进而改变环境状态，形成闭环博弈。此类动态交互难以通过静态规则穷尽；而当系统规模扩张，规则堆叠带来的耦合与边界条件冲突，会让工程维护与安全验证成本同步攀升。在此背景下，采用神经网络学习人类驾驶策略、以数据驱动方式逼近“可泛化”的规划能力，成为部分团队探索的方向。 影响——从“代码工程”转向“数据工程”，研发范式发生变化。陈亦伦透露，团队尝试以端到端网络替代部分传统规控代码，并形成“感知端到端+规控端到端”的两段式架构，重点指向规划与控制的学习化。该叙述折射出智能驾驶从依赖规则与手工特征的开发方式，向依赖数据质量、训练体系与验证闭环的方式转变：一上，代码量并非唯一指标，关键于系统可解释性、可验证性与可复现性；另一上，端到端方法若要走向工程化，离不开高质量数据采集、统一驾驶行为标准、训练-回放-再训练的持续迭代体系。其所述以百辆测试车采集数据、由团队现场定义驾驶行为标准，反映了端到端路线对组织协同与数据治理的高要求。 对策——以安全为底线，强化标准、验证与冗余机制。端到端探索带来效率潜力，也对安全提出更高门槛：其一，需建立可度量的驾驶行为评价体系，把“像人开车”转化为可检验的指标；其二，必须完善场景库与回放平台，覆盖长尾风险，避免少量样本上“看起来很聪明”；其三，在实际产品化中仍需冗余与分级策略，包括最小风险机动、故障降级与多源感知校验，确保在模型不确定时系统可控。业内也需在法规框架下推进测试验证与数据合规，明确责任边界与运行条件，避免“技术叙事”替代“安全叙事”。 前景——端到端将成为重要方向，但落地节奏取决于数据、算力与制度三重约束。随着智能网联汽车产业加速发展，端到端在提升场景泛化能力、降低规则维护成本上具备吸引力，特别是复杂城市道路与人车混行区域更具潜在价值。但其工程化仍面临三上考验：数据侧要实现规模化、结构化与高一致性标注或弱监督体系；算力侧需要训练与车端部署的协同优化；制度侧需要更完备的道路测试、功能边界与安全评估机制。可以预见，未来一段时期，“端到端+安全冗余+场景验证”的组合路线或将成为主流选择，技术竞争也将从单点能力转向系统工程能力与安全可信能力的综合比拼。
从规则化工程到数据驱动学习，智能驾驶技术的演进正在进入“系统能力竞争”阶段；无论采用何种技术路径，安全始终是底线、验证必须先行。如何在创新速度与安全治理之间找到可持续平衡，既考验企业的技术积累，也考验产业协同与制度供给能力。只有把技术进步置于更严格的标准与更透明的边界之内，智能驾驶才能走得更稳、更远。