End-to-end („od konce ke konci”) učení znamená, že jediná neuronová síť se naučí přímou cestu od vstupu k výstupu — u robota typicky z obrazu kamer rovnou na povely pro klouby. Mezi tím nejsou žádné ručně naprogramované moduly jako „rozpoznej předmět → naplánuj trajektorii → spočítej úhly”. Síť si tyto mezikroky vytvoří sama během tréninku.
Klasická robotika fungovala opačně: inženýři skládali pipeline z oddělených bloků (vnímání, plánování, řízení), kde každý se ladil zvlášť. To je přehledné a laditelné, ale křehké — v nepředvídatelném prostředí domácnosti či skladu takových výjimek vznikne nekonečně mnoho. End-to-end přístup naproti tomu škáluje s daty: čím víc příkladů, tím lépe síť generalizuje na nové situace.
Cenou za to je „černá skříňka”. Když robot selže, je těžké zjistit proč, protože rozhodnutí je rozprostřené napříč miliony vah. Proto se v praxi často kombinuje učení s bezpečnostními a řídicími vrstvami.
Nejznámějším příkladem je Tesla Optimus, který přebírá end-to-end přístup z Tesla FSD (autopilota): jedna síť mapuje vjem na akci a učí se z obrovského objemu lidských dat. Podobnou filozofii sdílí Figure se svým modelem Helix, který přímo řídí horní polovinu těla. Tyto systémy bývají postavené jako VLA modely a trénované imitačním učením, případně doladěné zpětnovazebním učením. End-to-end je dnes spíš směr a ambice než hotový stav — většina nasazených robotů kombinuje naučené i klasické komponenty.