一直以來(lái)，智能駕駛功能“王不見(jiàn)王”的局面，如今要有變化了。

本月初，有特斯拉員工在進(jìn)行直播時(shí)“無(wú)意”中泄露，F(xiàn)SD（Full-Self Driving，“完全自動(dòng)駕駛”功能）的內(nèi)測(cè)版V12疑似正在中國(guó)進(jìn)行測(cè)試。顯然，在解決了信息安全合規(guī)問(wèn)題之后，在美國(guó)大殺四方的FSD，終于有望來(lái)中國(guó)和華為城區(qū)NCA一決高下了。

不過(guò)對(duì)于兩家企業(yè)的高階智駕產(chǎn)品，究竟誰(shuí)在中國(guó)的表現(xiàn)會(huì)更厲害這個(gè)問(wèn)題，外界一直有不少爭(zhēng)論。一些人認(rèn)為，中美兩國(guó)的道路環(huán)境、交通規(guī)則和用戶習(xí)慣都存在不小的區(qū)別，因此FSD來(lái)到中國(guó)注定會(huì)水土不服，在華為面前落得下風(fēng)。

但是，幾乎每一個(gè)交流的技術(shù)人士都告訴筆者，特斯拉在端到端架構(gòu)上取得的領(lǐng)先優(yōu)勢(shì)，絕對(duì)不容小覷。因?yàn)樵诿绹?guó)，已經(jīng)實(shí)現(xiàn)量產(chǎn)的FSD BETA V12給到了全球車企與科技公司足夠大的震撼。

那么問(wèn)題來(lái)了，由特斯拉率先量產(chǎn)，且在國(guó)內(nèi)被華為、蔚小理頻頻提及的端到端架構(gòu)，到底是什么？特斯拉如今“僅剩”的這一項(xiàng)優(yōu)勢(shì)，其內(nèi)部原理到底是什么？為此，虎嗅汽車暗信號(hào)團(tuán)隊(duì)經(jīng)過(guò)多方訪談和調(diào)研，為大家呈現(xiàn)這一前沿和復(fù)雜概念背后，技術(shù)原理和工程難點(diǎn)到底有哪些。

端到端：這邊豬進(jìn)去，那邊香腸出來(lái)

只要你在B站或者各類帶有視頻內(nèi)容的社交網(wǎng)站上搜索“特斯拉 FSD V12”，就能看到大量美國(guó)車主曬出的FSD體驗(yàn)視頻。在這些視頻中，已經(jīng)升級(jí)到最新系統(tǒng)的特斯拉汽車在繁忙的美國(guó)街道中，智駕表現(xiàn)堪稱“類人”。

從上圖可以看到，車主駕駛的Model Y在路遇園林工人鋸下的樹枝時(shí)幾乎“沒(méi)打磕巴”，在無(wú)需接管的狀態(tài)下直接操縱車輛繞開(kāi)了障礙物。

而在更多視頻里，特斯拉汽車完成了太多當(dāng)前其他品牌車型智駕功能沒(méi)有的表現(xiàn)：面對(duì)正在施工的道路，在樁桶的引導(dǎo)下駛?cè)雽?duì)向車道逆行，并在施工路段結(jié)束后回到正向車道；在沒(méi)有紅綠燈的十字路口，準(zhǔn)確遵循“STOP”標(biāo)志停車并等到左側(cè)車輛先行；在到達(dá)目的地后并不馬上退出，并會(huì)在人類駕駛員沒(méi)有給出進(jìn)一步指令的前提下，自動(dòng)靠邊停車。而如果該地點(diǎn)無(wú)法靠邊，便自動(dòng)向前行駛尋找車位……

這一切實(shí)現(xiàn)的基礎(chǔ)，便是智能駕駛的端到端架構(gòu)。在筆者看來(lái)，這對(duì)于汽車而言可謂是第一個(gè)接近于ChatGPT的發(fā)明，將極大地改善智能駕駛體驗(yàn)。

所謂端到端（end-to-end）架構(gòu)，其對(duì)應(yīng)的是如今絕大多數(shù)車企采用的模塊化架構(gòu)。在過(guò)去，工程師們將一輛車的智能/自動(dòng)駕駛分為感知、決策規(guī)劃和控制分為三個(gè)模塊：感知、決策和控制。

其中，感知模塊通過(guò)車身傳感器信息的接入，實(shí)現(xiàn)對(duì)道路中車輛、行人以及各類障礙物的識(shí)別，并完成對(duì)車輛自身的精確定位。決策和控制模塊（Planing and Control）負(fù)責(zé)對(duì)于前方移動(dòng)障礙物的軌跡、速度進(jìn)行預(yù)判，并規(guī)劃出車輛行進(jìn)的路線，保障車輛安全行駛。最后，系統(tǒng)將計(jì)算得出的操作指令下發(fā)給油門、剎車和轉(zhuǎn)向系統(tǒng)，操作車輛行駛。

對(duì)于這個(gè)架構(gòu)，其實(shí)我們可以理解為“規(guī)則執(zhí)行器”。無(wú)論是感知到障礙物特征，并基于數(shù)據(jù)庫(kù)對(duì)其進(jìn)行分類，還是在具體場(chǎng)景中根據(jù)周遭環(huán)境變化而進(jìn)行相應(yīng)的操作，系統(tǒng)都是根據(jù)一條條工程師寫好的規(guī)則進(jìn)行執(zhí)行。在業(yè)內(nèi)，模塊化的智能/自動(dòng)駕駛架構(gòu)也叫做“rule-based”。

但端到端的架構(gòu)下，系統(tǒng)將感知與PNC模塊直接打包進(jìn)了一個(gè)大模型。傳感器的數(shù)據(jù)直接輸入到模型中，經(jīng)過(guò)計(jì)算后直接輸出結(jié)果，發(fā)送給執(zhí)行器。而大模型則是基于大量測(cè)試車輛以及用戶實(shí)際駕駛的真實(shí)數(shù)據(jù)進(jìn)行訓(xùn)練而成的，能夠主動(dòng)學(xué)習(xí)人類的駕駛習(xí)慣。

從上圖中就可以看到，傳感器通過(guò)大模型直接連接到了執(zhí)行器，這就是所謂的“端到端”。用一個(gè)不恰當(dāng)?shù)睦觼?lái)講，這就相當(dāng)于一個(gè)整體打包的食品生產(chǎn)線：這邊豬跑進(jìn)去，另一邊香腸、鹵煮、肉皮凍直接出來(lái)。

相比較模塊化，端到端架構(gòu)的優(yōu)勢(shì)顯而易見(jiàn)。首先，系統(tǒng)不再是基于由工程師所編寫的規(guī)則進(jìn)行決策和控制，而是通過(guò)數(shù)據(jù)驅(qū)動(dòng)（data-dirvien）實(shí)現(xiàn)成長(zhǎng)，這就讓系統(tǒng)處理問(wèn)題具備了泛化的能力。

在過(guò)去，如果面對(duì)規(guī)則中不存在的場(chǎng)景，模塊化架構(gòu)的智能汽車往往會(huì)退出系統(tǒng)并提示駕駛員接管，抑或采取了錯(cuò)誤的操作造成事故。而端到端架構(gòu)則能夠在面對(duì)極端場(chǎng)景（也就是corner case）時(shí)，像人類一樣基于“直覺(jué)”采取包括繞行、避險(xiǎn)乃至“硬開(kāi)”等方式行駛，從而極大地提升安全性和用戶體驗(yàn)。

其次，相比較由一條條規(guī)則和一個(gè)個(gè)模塊構(gòu)成的老系統(tǒng)，端到端架構(gòu)能夠在提升決策效率的同時(shí)，極大地降低了代碼量。例如特斯拉就聲稱，F(xiàn)SD Beta V12系統(tǒng)相比較過(guò)去，減少了30萬(wàn)行代碼。這不僅會(huì)降低車端的存儲(chǔ)壓力，還能極大提升系統(tǒng)的簡(jiǎn)潔度，從而改善運(yùn)行效率。

最后，也是最重要的一點(diǎn)，端到端架構(gòu)是一個(gè)真正的“大模型”，已經(jīng)具備了人類駕駛員的部分特征。在未來(lái)隨著模型訓(xùn)練數(shù)據(jù)量的不斷提升和迭代，我們有望在端到端架構(gòu)下成功打造汽車人工智能，并最終取代人類駕駛員，實(shí)現(xiàn)真正的L4級(jí)無(wú)人駕駛。

更重要的是，模塊化的架構(gòu)盡管在積累了足夠多的策略后能在日常道路環(huán)境中順暢行駛，但面對(duì)“計(jì)劃外”的場(chǎng)景（也就是corner case）時(shí)，仍然會(huì)退出或做出錯(cuò)誤決策。這不僅影響用戶體驗(yàn)，還會(huì)發(fā)生危險(xiǎn)。

但真正形成了AI大模型能力的端到端架構(gòu)不再基于既定的規(guī)則進(jìn)行規(guī)劃和控制，而是能夠像人一樣，憑借“經(jīng)驗(yàn)”和乃至“直覺(jué)”開(kāi)車，因此不再?gòu)?qiáng)調(diào)對(duì)corner case的學(xué)習(xí)，能帶給用戶更接近于人類的駕駛體驗(yàn)。

不過(guò)，縱然業(yè)界都已經(jīng)明白了端到端架構(gòu)的好處，但至今在量產(chǎn)車上該技術(shù)的汽車品牌，也有且僅有特斯拉一家。因?yàn)閺募夹g(shù)本身的實(shí)現(xiàn)上看，要讓車輛像人一樣預(yù)測(cè)道路上其他交通參與者的行為，并制定安全高效的行駛策略，堪稱是自動(dòng)駕駛技術(shù)中，最難的一個(gè)任務(wù)。

如何讓機(jī)器像人一樣開(kāi)車？

需要說(shuō)明的是，國(guó)內(nèi)一些企業(yè)已經(jīng)在宣傳自己實(shí)現(xiàn)了“大模型上車”。但是，他們目前僅僅是將感知部分實(shí)現(xiàn)了“端到端”。其實(shí)，在感知層面實(shí)現(xiàn)所謂的數(shù)據(jù)驅(qū)動(dòng)，依舊只是讓系統(tǒng)自主識(shí)別目標(biāo)物類型、道路環(huán)境特征并通過(guò)高精地圖等方式實(shí)現(xiàn)車輛定位，后續(xù)的PNC依舊需要依照工程師寫好的策略執(zhí)行。而這已經(jīng)是業(yè)界的通行方案了。

但是，只有一半的大模型，顯然不是真正的“端到端”。正如前文所述，事情的關(guān)鍵在于，能不能讓車輛像人一樣，在“看”到并認(rèn)識(shí)到前方道路環(huán)境后，自主選擇最優(yōu)路徑前進(jìn)。

要理解這一問(wèn)題，我們首先要拆解，PNC實(shí)現(xiàn)端到端的過(guò)程中需要解決哪些問(wèn)題。在去年的9月的NIO IN 2023蔚來(lái)創(chuàng)新科技日上，該公司智能駕駛研發(fā)副總裁任少卿曾分享過(guò)該公司的端到端PNC技術(shù)架構(gòu)，屬于業(yè)界少見(jiàn)的，能公開(kāi)詳細(xì)講解技術(shù)思路的實(shí)際案例。通過(guò)他的解讀和資料解析，我們能夠?qū)τ赑NC過(guò)程中需要解決的問(wèn)題，有一個(gè)大概的框架。

需要說(shuō)明的是，蔚來(lái)的方案在業(yè)界也并非獨(dú)一無(wú)二，大家的技術(shù)路線其實(shí)大同小異。選取該公司作為案例的原因，在于這是公開(kāi)資料中，筆者能夠找到的，相對(duì)而言最為清晰全面的一個(gè)。

首先來(lái)看蔚來(lái)整個(gè)PNC的規(guī)劃方面，如圖所示，在一個(gè)路口的典型場(chǎng)景，系統(tǒng)在接收到傳感器的信號(hào)后，會(huì)對(duì)環(huán)境中的動(dòng)態(tài)物體和靜態(tài)物體進(jìn)行分類，并篩選出在車輛行駛路徑上，可能會(huì)造成影響的目標(biāo)。

伴隨著時(shí)間的變化，交通參與者下一步的行動(dòng)也會(huì)隨之改變。如果想要盡可能提前更多時(shí)間預(yù)測(cè)目標(biāo)行為，難度就會(huì)幾何級(jí)提升。例如，系統(tǒng)若想預(yù)測(cè)10個(gè)目標(biāo)物體此刻可能的行為，其復(fù)雜度為2^10=1024，那么提前5秒預(yù)測(cè)的話，復(fù)雜度就上升到了1024^5，也就是10^15。

在其中，系統(tǒng)會(huì)利用動(dòng)態(tài)場(chǎng)景編碼、動(dòng)態(tài)元素編碼、動(dòng)態(tài)元素交互編碼和動(dòng)靜態(tài)交互編碼對(duì)于每一個(gè)目標(biāo)物，也就是交通參與者的行為進(jìn)行預(yù)測(cè)，最終得出可能的交互結(jié)果。

在上圖最右側(cè)的交互場(chǎng)景表達(dá)中可以看到，如果路口中有10個(gè)交通參與者，最終根據(jù)排列組合可以形成10 ~ 100種預(yù)測(cè)的交互模式。

在獲得環(huán)境交互的場(chǎng)景表達(dá)結(jié)果后，系統(tǒng)就需要根據(jù)對(duì)于其他交通參與者的行為推演，完成進(jìn)一步對(duì)車輛行駛的路徑進(jìn)行規(guī)劃了。蔚來(lái)的目標(biāo)是在30毫秒內(nèi)對(duì)環(huán)境未來(lái)7秒的交通環(huán)境進(jìn)行預(yù)測(cè)，這比標(biāo)準(zhǔn)電影中的一幀畫面的時(shí)間還短。

在這過(guò)程中，車輛對(duì)于不同交通參與者存在可能的多種決策。舉例來(lái)說(shuō)，對(duì)于第一輛車，系統(tǒng)可能會(huì)采取讓行、繞行、加速通過(guò)，對(duì)于第二個(gè)行人也可能有讓行、左側(cè)繞行、右側(cè)繞行等等各種決策。而對(duì)前一個(gè)參與者產(chǎn)生不同決策之后，后一個(gè)目標(biāo)也會(huì)勢(shì)必產(chǎn)生連鎖反應(yīng)。因此就產(chǎn)生了圖中央部分的決策樹形結(jié)構(gòu)。而系統(tǒng)需要的，則是采取最優(yōu)解，高效、安全地通過(guò)路口。

注意，其中最關(guān)鍵的部分來(lái)了：工程師需要在這一過(guò)程中，為系統(tǒng)設(shè)置場(chǎng)景價(jià)值排序，引導(dǎo)系統(tǒng)選取最佳路徑。例如排在第一的可能是保證乘客的舒適，第二是通行效率，第三是安全，第四是遵循交通法規(guī)……當(dāng)然這些只是筆者的舉例，不同企業(yè)可能會(huì)有差別。但這一切的核心目的，都是讓車輛在PNC的過(guò)程中，價(jià)值取向和人類更接近，從而提供最舒適的決策方案。

在模型迭代的過(guò)程中，這被稱為RLHF（人類反饋強(qiáng)化學(xué)習(xí)），是工程師需要大模型強(qiáng)加學(xué)習(xí)的部分。為此，開(kāi)發(fā)團(tuán)隊(duì)會(huì)給系統(tǒng)喂大量用戶的實(shí)際駕駛行為數(shù)據(jù)，以及其他交通參與者對(duì)于車輛行為反饋的數(shù)據(jù)。

說(shuō)句題外話，之所以包括特斯拉、蔚來(lái)、小鵬等絕大多數(shù)智能汽車品牌會(huì)對(duì)于用戶的駕駛行為進(jìn)行評(píng)分，并對(duì)于評(píng)分高的用戶優(yōu)先推送智駕功能，其背后的另一個(gè)原因便在于這部分高分用戶的駕駛行為對(duì)于系統(tǒng)而言是優(yōu)良的學(xué)習(xí)數(shù)據(jù)。車企的這種做法一方面是給用戶以安全駕駛激勵(lì)和引導(dǎo)，另一方面也是引導(dǎo)更多用戶提升駕駛的規(guī)范性，進(jìn)而為系統(tǒng)提供更多優(yōu)良數(shù)據(jù)。

最后在決策樹中選取了最佳路徑后，系統(tǒng)會(huì)得出圖片左側(cè)顯示的“可行域凸空間走廊”。在這條可通行區(qū)域里，大模型會(huì)結(jié)合全交互拓?fù)渚幋a，以及再一次疊加人類價(jià)值偏好數(shù)據(jù)，最終生成右圖中最優(yōu)的行駛軌跡。

上面這一段文字可能有些燒腦，但這已經(jīng)是筆者用最簡(jiǎn)單平實(shí)的語(yǔ)言，結(jié)合蔚來(lái)的技術(shù)方案給各位闡釋出的PNC路徑。這時(shí)可能有用戶就要問(wèn)下一個(gè)問(wèn)題了：既然方法和路徑已經(jīng)解決了，為何現(xiàn)在端到端架構(gòu)還是沒(méi)有量產(chǎn)上車呢？

這就需要提到下一個(gè)問(wèn)題：大模型的不可解釋性，和車企開(kāi)發(fā)規(guī)程之間的矛盾和沖突了。

車企的標(biāo)準(zhǔn)“老鞋”，走不了端到端的新路？

對(duì)于大模型的不可解釋性，很多人可能已經(jīng)略有耳聞。對(duì)于這個(gè)概念，簡(jiǎn)而言之，由于大模型是通過(guò)大量的數(shù)據(jù)訓(xùn)練而成，但其如何得出具體結(jié)果的過(guò)程并不透明，無(wú)法像傳統(tǒng)規(guī)則算法那樣進(jìn)行詳細(xì)解釋。舉例來(lái)說(shuō)，就是無(wú)論是ChatGPT還是文心一言，都無(wú)法避免在一些專業(yè)問(wèn)題上“瞎編亂造”。

“所以，27到底是不是質(zhì)數(shù)？”

對(duì)于一個(gè)聊天機(jī)器人來(lái)說(shuō)，這顯然不會(huì)出太大的事故，但放在以安全為準(zhǔn)繩的汽車行業(yè)，便是一種不可接受的行為了。尤其是對(duì)于很多依靠供應(yīng)商提供智駕方案的傳統(tǒng)車企來(lái)說(shuō)，如何驗(yàn)收端到端架構(gòu)的智能駕駛系統(tǒng)，一直是個(gè)難題。

在國(guó)內(nèi)某知名智能駕駛公司任職的不害（化名）告訴筆者，他曾經(jīng)服務(wù)過(guò)一家知名德系豪華品牌。該公司像很多汽車企業(yè)一樣，對(duì)于智能駕駛功能有著一套顆粒度細(xì)致到代碼層的開(kāi)發(fā)標(biāo)準(zhǔn)，其中包含超過(guò)100個(gè)safety goal（安全目標(biāo)），其中涉及AEB（自動(dòng)緊急制動(dòng)系統(tǒng)）的就有7個(gè)。對(duì)于其中的每一項(xiàng)，車企都會(huì)打分，并對(duì)代碼進(jìn)行審核。

舉例來(lái)說(shuō)，其中一條安全目標(biāo)是這樣寫的：

“要求描述：沒(méi)有可用的或需要穩(wěn)定化相關(guān)系統(tǒng)的制動(dòng)干預(yù)應(yīng)被防止。安全狀態(tài)：AEB不進(jìn)行縱向控制干預(yù)。”

“接受標(biāo)準(zhǔn)：最大故障注入后橫擺率變化取決于車速。故障注入后10秒內(nèi)的目標(biāo)值如下：車速80 km/h時(shí)為4°/s，車速130 km/h時(shí)為3°/s”

很晦澀是吧？實(shí)際上筆者選取的是其中最短的一條。不害透露，這些安全目標(biāo)一方面為車企的驗(yàn)收提供了指引，另一方面也給供應(yīng)商的開(kāi)發(fā)給出了方向。這套流程原本在模塊化架構(gòu)下運(yùn)行得很順暢，但對(duì)于端到端智能駕駛而言卻無(wú)法適配了。

“傳統(tǒng)車企對(duì)于功能安全、預(yù)期功能安全的相關(guān)指標(biāo)，是基于FSC（功能安全概念）、PSC（產(chǎn)品安全案例）和SSR（系統(tǒng)安全要求）進(jìn)行的。基于各家車企SSR的不同，供應(yīng)商會(huì)各自寫代碼開(kāi)發(fā)產(chǎn)品。”不害說(shuō)道。

傳統(tǒng)的汽車測(cè)試，只能驗(yàn)證“功能”，而無(wú)法考核“能力”

顯然，對(duì)于模塊化架構(gòu)的智能駕駛，車企是有一整套開(kāi)發(fā)指引和驗(yàn)收標(biāo)準(zhǔn)的，能夠從代碼層面確保功能安全。但對(duì)于參數(shù)復(fù)雜且處于黑箱狀態(tài)的端到端架構(gòu)，車企無(wú)法保證其在日常行駛的過(guò)程中不會(huì)出事故。

換句話說(shuō)，通過(guò)駕校的考試，只能說(shuō)明一個(gè)人具備了基本的駕駛知識(shí)，拿到了開(kāi)車上路的資格。但此人到底開(kāi)得好不好，以及會(huì)不會(huì)因?yàn)榇竽X短路，開(kāi)車沖入了河里，這事駕校無(wú)法保證。

“也就是特斯拉這樣的汽車企業(yè)，能夠一定程度上繞過(guò)汽車行業(yè)的傳統(tǒng)開(kāi)發(fā)標(biāo)準(zhǔn)，實(shí)現(xiàn)端到端架構(gòu)上車。”不害調(diào)侃道，“這事放在傳統(tǒng)車企，軟件和測(cè)試部門肯定通不過(guò)。”

其實(shí)就算是特斯拉，其FSD V12也并非一個(gè)徹頭徹尾的端到端架構(gòu)智駕系統(tǒng)，其上還有個(gè)3000行代碼左右的策略“安全殼”，以便兜住安全的底線。“例如，當(dāng)大模型操作車輛向左變道后，如果左側(cè)后向右車輛高速駛來(lái)，安全殼中的策略規(guī)則就會(huì)制止這次變道，把風(fēng)險(xiǎn)規(guī)避掉。”不害介紹道。

不過(guò)，這個(gè)安全殼到底畢竟是一個(gè)打補(bǔ)丁的產(chǎn)物。其中到底要覆蓋多少場(chǎng)景，依舊是工程師們需要思考和取舍的問(wèn)題。更何況，如果安全殼做得太大，又相當(dāng)于回到了模塊化架構(gòu)下，儼然畫蛇添足。

當(dāng)然，端到端架構(gòu)要實(shí)現(xiàn)量產(chǎn)上車，需要面對(duì)的挑戰(zhàn)和困難遠(yuǎn)不止文中提到的這些，筆者只是選取了其中幾個(gè)比較有代表性的問(wèn)題進(jìn)行介紹。但盡管如此，端到端架構(gòu)相比較如今模塊化架構(gòu)的優(yōu)勢(shì)，依舊是在代際層次上的。相信隨著我們國(guó)內(nèi)眾多汽車品牌，尤其是新勢(shì)力們的努力，搭載端到端架構(gòu)的智能汽車很快就將和我們見(jiàn)面了。

寫在最后：

正如前文提到的，相比較傳統(tǒng)車企，像特斯拉這樣的造車新勢(shì)力們?cè)诙说蕉思軜?gòu)的量產(chǎn)節(jié)奏方面，大概率會(huì)擁有更大的優(yōu)勢(shì)。實(shí)際上從今年下半年開(kāi)始，就將有越來(lái)越多的汽車品牌在我國(guó)開(kāi)放新技術(shù)的量產(chǎn)交付。

華為在今年4月北京車展前的發(fā)布會(huì)上透露，采用了端到端架構(gòu)的ADS 3.0，預(yù)計(jì)會(huì)首搭在享界S9上；小鵬在上個(gè)月的AI Day上宣布將上線端到端大模型，并在今年8月實(shí)現(xiàn)“全國(guó)每條路都能開(kāi)”；蔚來(lái)在今年上半年上線了端到端的主動(dòng)安全功能，并在下半年量產(chǎn)端到端城市智能駕駛；理想則在這方面的傳播相對(duì)“摟著”，只是說(shuō)在今年三季度推送“無(wú)圖NOA（城市領(lǐng)航輔助）”，在今年年底或明年年初推出端到端大模型驅(qū)動(dòng)的L3自動(dòng)駕駛體系。

顯然，如果特斯拉今年三季度真的能在國(guó)內(nèi)推送FSD的V12版本的話，將大概率會(huì)遭遇一場(chǎng)國(guó)內(nèi)汽車品牌的“三英戰(zhàn)呂布”。究竟鹿死誰(shuí)手，顯然是一場(chǎng)值得期待的好戲。