端到端自动驾驶路线的兴起，正在将“数据”推向产业价值的中心位置。传统的模块化方案依赖大量手写代码和规则，而端到端方案则通过海量人类驾驶数据驱动系统自学。甬兴证券研究报告指出，2023年初特斯拉已输入1000万个经过筛选的人类驾驶视频，全球近200万车队每天提供约1600亿帧视频用于训练。端到端路线对数据质量和数量的要求指数级增长，数据飞轮的形成正在重塑智能驾驶产业的竞争格局。
数据量——从百万级到数十亿帧的跃升
端到端路线省略了前期大量代码铺垫的过程，只需要不断输入人类驾驶数据，系统即可完成自学。但整个过程对于数据质量及数量要求大幅提高——预计输入超过100万个视频后，基于神经网络的自动驾驶系统才开始表现良好。2023年初，特斯拉已向系统输入了1000万个经过筛选可供学习的人类驾驶视频；同时特斯拉在全球各地近200万辆的车队，每天提供约1600亿帧视频用于训练。特斯拉预计，未来用于训练的视频将达到数十亿帧。从数据来源看，特斯拉的“影子模式”是核心优势——量产车辆在人类驾驶时持续采集数据，传回云端用于模型训练，训练后的模型再通过OTA部署到车辆，形成数据采集→云端训练→模型部署→数据回流的飞轮闭环。这一飞轮运转时间越长、车辆越多、行驶里程越高，数据飞轮的壁垒就越深。
数据质量——从普通视频到高价值训练样本的筛选
端到端路线的数据不仅要求“量”，更要求“质”。特斯拉筛选1000万个视频的训练策略是从海量数据中精选高价值样本——极端天气、复杂路口、突发事件等“罕见场景”（corner cases）才是端到端训练中最关键的数据。端到端方案与传统方案的训练逻辑存在本质差异：传统方案通过代码解决特定场景的规则，端到端方案通过大量数据让网络“学会”处理复杂情况。因此，数据的覆盖广度（涵盖各类路况、天气、文化下的驾驶场景）和标注精度直接决定了端到端模型的上限。商汤UniAD、小鹏XNet等方案同样依赖高质量的驾驶数据。数据闭环成为端到端智驾方案商的核心能力——如何高效收集、清洗、标注、利用海量驾驶数据，将决定不同方案商的技术差距。数据标签化与多模态融合（视觉、雷达、地图）能力成为端到端方案商的关键竞争点。
数据飞轮——智能驾驶的数据要素价值重估
数据飞轮的形成正在重构智能驾驶产业的竞争壁垒。在端到端路线下，数据不再是辅助算法的“燃料”，而是算法本身的核心组成部分——模型性能直接取决于训练数据的规模和覆盖度。特斯拉的核心竞争力不再是硬件或单一算法，而是“全球最大规模的真实驾驶数据集+持续运转的数据飞轮”。这一飞轮效应意味着先发者的优势具有自我强化的特征：部署车辆越多→采集数据越多→模型性能越好→更多用户愿意使用→部署规模进一步扩大。对中国市场而言，车路协同V2X正在成为另一个重要的数据采集维度——路侧感知设备（摄像头、激光雷达、毫米波雷达）可采集更全面的交通流数据，为端到端模型训练提供更丰富的场景覆盖。数据飞轮的形成将驱动智能驾驶行业从“算法竞赛”走向“数据竞赛”，拥有数据规模和数据闭环能力的厂商将建立持续性竞争优势。
