Uczenie end-to-end („od końca do końca”) oznacza, że jedna sieć neuronowa uczy się bezpośredniej ścieżki od wejścia do wyjścia — w przypadku robota typowo z obrazu kamer prosto do poleceń dla stawów. Pomiędzy nimi nie ma żadnych ręcznie zaprogramowanych modułów, takich jak „rozpoznaj obiekt → zaplanuj trajektorię → oblicz kąty”. Sieć tworzy te etapy pośrednie samodzielnie podczas treningu.
Klasyczna robotyka działała odwrotnie: inżynierowie składali pipeline z osobnych bloków (percepcja, planowanie, sterowanie), z których każdy był strojony oddzielnie. To przejrzyste i łatwe do debugowania rozwiązanie, lecz kruche — w nieprzewidywalnym środowisku domu czy magazynu takich wyjątków pojawia się nieskończenie wiele. Podejście end-to-end natomiast skaluje się wraz z danymi: im więcej przykładów, tym lepiej sieć generalizuje na nowe sytuacje.
Ceną za to jest efekt „czarnej skrzynki”. Kiedy robot zawodzi, trudno dociec dlaczego, bo decyzja jest rozłożona na miliony wag. Dlatego w praktyce uczenie często łączy się z warstwami bezpieczeństwa i sterowania.
Najbardziej znany przykład to Tesla Optimus, który przejmuje podejście end-to-end z Tesla FSD (autopilota): jedna sieć odwzorowuje percepcję na działanie i uczy się z ogromnego wolumenu danych ludzkich. Podobną filozofię podziela Figure ze swoim modelem Helix, który bezpośrednio steruje górną połową ciała. Systemy te są zazwyczaj budowane jako modele VLA i trenowane przez uczenie przez naśladowanie, a następnie dopracowywane uczeniem ze wzmocnieniem. Uczenie end-to-end jest dziś raczej kierunkiem i ambicją niż gotowym rozwiązaniem — większość wdrożonych robotów łączy komponenty nauczone z klasycznymi.