开场0:00
基本上第一梯队的话 ， 你看现在这个市占率加在一起已经到 90% 了 ， 对吧 ？
其实就是你们和华为加在一起就 90%。
对 ， 加在一起已经到 90% 了 ，而且我们两家的话是有比较强的定价权 。
这么高的市占率这件事是持续的吗 ？
其实我觉得会加强 。
如果说在 2016 年的时候 ， 感知这种数据驱动可能都不是一个特别大的公司 ， 你是为什么在那个时间点你就认为做自动驾驶一定要是数据驱动的 ？
我在微软就做产品 ， 我在商汤也做产品 ， 我见过真正 work 的产品 ， 哪怕在一个很窄的一个垂直的应用里面 ， 它达到了人类水平或者超越人类水平的应用 ， 数据量都是海量 。
孙剑对我的帮助还是非常非常大的 。 孙剑其实工作的风格非常非常重视实验 ，也非常非常重视实验里面的现象 ， 尤其跟你的预期非常不一致的现象 。
但是呢 ，有时候聪明人他不是那么喜欢憨脏的去看这些数据 ，并且把自己的逻辑或者理论跟所有的数据全部都关联起来 。
真正超一流的人就是聪明人下苦功夫吧 。
欢迎收听 《 晚点聊 》。 我是曼祺 。 过去 6 年里 ， 我曾四次采访曹旭东 ， 每次见他都穿着 Momenta 的公司文化衫 ， 这一次也是 。他里面穿了一件 T 恤 ， 胸前印着 Momenta 的飞轮战略图示 ， 一个飞轮两条腿 ， 这是 Momenta 从成立到现在 ， 做了十年、 说了十年的战略 ，以至于有员工会戏称自己在 " 飞轮公司 " 上班 。
T 恤外面他套着另一件公司的夹克 ， 上面印着 Momenta 的十年愿景和百年愿景 ， 十年愿景中最重要的一条 " 十年挽救百万生命 " 被印在衣服的背后， 百年愿景则没有限定在智能驾驶 ，是 "Better AI, Better Life"。
非常经典的一句话出现在袖口 ， 曹旭东说 ， 当时之所以定这个百年愿景 ，是想给自己和公司都树立一个 " 有生之年做不到头的 AI 目标 "。
从 30 岁开始创业 ， 曹旭东和联创团队是中国第一批 AI 研究员出身的科技创业者 ，而十年后，Momenta 在第三方高阶量产智驾的市场份额超过 65%。Momenta 的故事可以帮助回答一个问题 ， 那就是出发时只有技术能力的公司 ， 如何在复杂多变的商业世界里 ， 既维持技术竞争力又实现商业落地 。
两年前我也专访过曹旭东 ， 可见 《 晚点聊 》77 期节目 ， 那一次我们更多聊了具体方法论 ，而这一次发生在 IPO 前后的专访 ， 我们聊了他的思考和判断方式如何形成 ，以及下一个十年面向具身智能和物理 AI 的推演 。
我们正式进入本期节目吧 。
我发现每次见旭东你都穿的是你们公司的衣服 ， 都是 Momenta 的私服 。
对 ， 我有十几件 ， 或者更多吧 。
这件后面写的是什么呀 ？
这个写的是我们公司三个十年愿景 ： 十年挽救百万生命 。 第一条 ， 我们有三个十年的愿景 ： 十年挽救百万生命 ， 十年解放百分百时间 ， 十年物流和出行的效率翻倍 。
这里面最重要的也是最基础的 ， 就是十年挽救百万生命 。
十年挽救百万生命 。
对 。
你们还有一个愿景是 "Better AI, Better Life"， 你们是有一个单独的版本 ？
对对对 ， 那个是我们署名在这里 ， 就 "Better AI, Better Life"， 更好的人工智能 ， 更好的生活 ， 这个是一百年的 。
这是一百年的 。
对 。
然后我看到你现在胸口也是你们一直会讲的这个 " 一个飞轮两条腿 "。
对 。
是你们从一开始成立的时候就定的一个战略 ？
就公司的一个战略 。 这个飞轮的话就是数据驱动的飞轮 ， 两条腿的话 ， 一条腿是量产自动驾驶 ， 另外一条腿的话是完全无人驾驶 。
竞争结束3:54
这个我们也可以后面展开讲 。 我们可以先来聊聊就是你们目前的主营业务 ， 就是高级辅助驾驶这块的情况 。在去年 10 月的时候 ， 你在智能网联汽车大会上你说 26 年辅助驾驶的竞争就会结束 ， 中国有三个胜出者 ， 然后全球是四家 。
那现在已经是 26 年的年终了 ， 你当时这个判断印证了吗 ？
对 ， 我还是坚持这个观点 ， 就中国两到三家吧 ， 全球的话三到四家 。
首先我想问一下， 你这个范围里包含了自研智驾的车型吗 ？
这个没有包含自研 ， 就是三方的 。
三方的供应商 。
对对对 。
三方供应商 ， 那中国的三家是谁了 ？ 现在可以揭晓答案吗 ？
从现在市占率来看的话 ， 就是我们跟华为的市占率是最 top 的 ，其他家的话可能还有很大的一个差距 。
你说的这个市场你指的是城区 NOA 是吗 ？
对对对 ， 城区 NOA。
你去年 10 月的原话是说 ， 辅助驾驶的竞争会在 2026 年结束 。 你可以定一下这个结束是什么意思 ？
如果一定要说什么叫结束的话 ， 就是可能改变这个格局的这个机会窗口已经在今年年底的时候 ，有可能在现在 ，也有可能在今年年底 。
关闭了 。
就已经关闭了 。 我觉得这个行业有几个特点 ， 就第一个先发优势特别明显 ， 第二个的话就规模优势也特别明显 。
就是你用先发优势和规模优势卡一卡 ， 就可以得到刚才的我们讨论的那个结论了 。 基本上第一梯队的话 ， 你看现在这个市占率加在一起已经到 90% 了 ， 对吧 ？
其实就是你们和华为加在一起就 90%。
加在一起已经到 90% 了 ，而且我们两家的话是有比较强的定价权 ， 这个价格比第二梯队的价格是明显高的 。
第二梯队的话拿到的客户也很少 ， 就基本上就只能拿到一两家的客户 。 如果你从这个角度来思考的话 ， 还要持续的再往上走 ， 对吧 ？
从 L2 再加到 L3， 再到 L4，而这个人工智能的或者智驾的摩尔定律现在还在加速 ， 每年十倍 ， 每年十倍 。
这每年十倍 ， 每年十倍的话 ， 一定是头部公司靠快速增长的研发投入去实现的 。 头部的公司的话其实不是靠融资 ， 当然融资的话也很重要 ，但实际上不是靠融资 ， 实际上是靠着快速的收入增长和毛利润去投研发的 。
但是呢 ， 第二梯队的话 ， 然后呢没有议价权 ， 那这样的话就是收入就很少 ，而对应的这个开发和交付的投入又很大 。
那真正投入到这个核心的技术的研发的钱是非常非常有限的 ， 对吧 ？
你觉得第一梯队现在这么高的市占率这件事是持续的吗 ？
其实我觉得会加强 。
会越来越高 。
比如说你是欧言 ， 你现在要定点一个供应商 ， 你这个车型的话最终要量产 5 年左右的时间 ， 或者说维护和 OTA 5 年左右的时间 ， 那你首先会考虑说这个供应商能不能活 5 年 。
对 。
其次呢 ， 又会考虑说即使它能活下来 ， 它这 5 年的技术是跟第一梯队的差距在缩小呢 ， 还是在拉大呢 ？
因为它最终要卖车 ， 最终要向消费者去宣传 ， 未来有可能还从这个 one-off 的 license 升级成订阅的模式 。
升级成订阅的模式呢 ， 那要的它已经不是只靠 OEM 的品牌了 ， 它要的是这个 ， 比如说供应商的品牌 ， 再加上供应商的产品体验 ， 然后消费者才愿意付费 。
你认为在你说的这个逻辑里面 ，有一类厂商就是它垂直整合延伸到这个环节 ， 比如它本来是做智驾的芯片的 ， 然后它延伸到就是做智驾方案的这个领域 ， 它会是一个变量吗 ？
它有可能能打破这个恶性循环吗 ？
会是一个变量 。 所以我刚才说嘛 ， 中国就两三家嘛 。
所以还是有一个名额不确定 。
就两家 ， 我觉得非常确定的一个是我们 ， 一个是华为 。
特斯拉你没把它算在这个三方供应商里面吧 ？
对对对 ， 特斯拉不会做供应商 。
但其实特斯拉之前有说过它要对外去 。
但大家不可能买特斯拉嘛 ， 谁会买特斯拉 ？
所以它实际上没法变成一个三方供应商 。
就是它想做这件事情 ，因为规模效应很重要 ， 大家都知道 ， 都懂嘛 。
所以在更大的规模效应上 ，其实车企自己造车又想去卖智驾 ， 反而是个桎梏 ，是个限制 。
那肯定的 。
就你刚才说的这个逻辑 ， 就是第一梯队的窗口可能会关闭的这个逻辑 ， 它的一个前提是车企其实认为这个事很重要 ， 所以它会愿意付比较多的溢价 ， 它去买一个真的好的智驾 。
但是另一方面 ， 现在看到的情况是 ， 除了特斯拉 FSD 之外， 智驾好像依然没有成为汽车差异化的关键 ，也没有成为消费者去购车的这个核心的要素 。
就你怎么看这个现象 ？
这可能是两年前的这个 facts， 现在不是这样了 。 两年前的这个成熟 AI 的话 ， 可能是一个好玩的玩具 ， 就是有了这个东西 ， 然后可以宣传 ， 然后有一部分特别喜欢玩的用户的话 ，他愿意去付钱去买这个体验 ， 这个体验更多是玩的体验 。
但到了现在的话 ， 它已经从一个好玩的玩具变成了一个好用的产品了 。 当然这个好用的产品是刚刚进入了好用的门槛 ， 还没有到极致的好用 。
如果是每年十倍 ， 每年十倍的话 ， 我相信到了 28 年， 哪怕是一个 L2++ 的成熟 AI， 它在整个驾驶的能力 ，在驾驶的安全性上， 至少是一个人类水平了 。
那这时候它就进入了一个非常好用的阶段了 ， 它就从一个叫 nice to have， 变成了一个 must to have 的一个产品 。 就这个的话 ，其实我从一线从客户的身上的感受是极其强烈的 。
另一方面 ，其实我们看一些调研 ， 比如说尼尔森他的调研里面 ， 购车决策里智驾的权重它还是排在价格还有外形和空间后面 。
价格 、 外形和空间的后面 。
后面 。
那已经排到第四了 。
这具体在第几我就可能不太清楚了 ，但反正就是前面有很多就更重要了 。
可能几年前的话 ， 它远远不到第四了 ， 可能前十的这个倒数第一 、 倒数第二或者倒数第三的位置 。 你希望这个智驾超过价格 、 内外这个外形内饰 ， 我觉得其实还挺难的 。
因为车的话 ， 它的外形属性 、 空间属性其实非常非常重要 。 但如果这个自动驾驶就已经能够排到第四的话 ， 我觉得就已经很厉害了 。
就其实对于 OEM 来说 ， 就已经是一个 must have， 然后对于购车决策已经起到了非常关键的影响了 。
那你自己感受到的车企给你的这种良性的反馈是什么 ？ 比如说他们愿意付更高的价格吗 ？ 或者说他们对就品质的这种看重是反映在什么上面 ？
首先呢 ， 就比如说开始抓智驾体验的人 ，在客户的级别 ， 可能从智驾的负责人变成智能化的负责人， 智能化的负责人变成研发的负责人， 研发的负责人再变成比如说公司的总裁或者公司的董事长 。
就是他变成了一个一号位工程 ， 智驾做得好不好 。
之前的话 ， 可能智驾战略是一号位的工程 ，但现在的话 ， 可能智驾的体验它也变成了一号位的工程 。 当然这个一号位工程的话 ， 它抓智驾的体验不是说只会研发 ， 它会直接跟我们去谈智驾的体验应该是什么样子的 ， 对吧 ？
就是它在使用智驾的过程中可能有什么样的问题 ， 这个问题的话 ， 站在更广大的消费者的视角来说 ， 它更好的体验到底是什么 。
你觉得现在不同供应商 ， 还有包括车企自研的 ， 这些智驾的体验实际上能拉开差异化吗 ？
一定的 。 就比如说这个智驾的安全性的体验 ， 再比如说这个各种各样的长尾场景的处理能力 。
我举个例子 ， 就比如说我拿我们自己来比 ， 就比如说我们的 R7 和 R6。
R7 就你们最新的模型 ，R6 是上一代 。
我举个例子 ， 就比如说施工的场景 ，R6 其实也能处理 ， 对吧 ？ 但是呢 ，R6 处理的时候 ， 大家的反应就是觉得还是有点像新手司机 。
它能处理 ， 然后处理也挺安全的 ，但给人的感觉就是有点肉 。 但是呢 ，R7 的处理的话 ， 就是有时候会给人很惊艳的感觉 。
就这个施工场景 ，有可能它只是扫到了一点 ， 它就开始避让或者变道 ，而且避让的时机非常早 ，而且避让的过程非常丝滑 。
哪怕避让过程中的话 ， 还会跟他车会有一些交互 ，有一些博弈 ， 那整个的过程都是非常的安静 、 安心和丝滑的这样一个感受 。
这个就是只要遇到这样的场景 ， 遇到一次两次这个同样一个车主使用 R6 升级到 R7， 一定是特别强的体感上的强烈的感受 。
因为我最近这个 R7 试的非常多 ， 就是好多时候的话 ， 就如果你没注意 ， 你都没有反应到说 " 哦 ， 这个前面是一个施工场景 ， 我已经避让了 ， 我已经提前避让了 "，而是说它发生的这个避让动作 ， 你产生了一个问号 ， 说这个车为什么做这个动作 ， 然后你再去关注这个场景 ， 你才知道说 " 哦 ，其实是有一个施工场景 ， 我刚才走神了 ， 没注
意到 "。
就它比人可能注意的还早 。
对 。
你觉得最好的智驾之间现在体验有差异吗 ？ 就比如说你们和华为之间会有差异吗 ？
我觉得各有特色了 。
我想问的这种差异其实类似于什么呀 ？ 就比如说 Anthropic， 它作为一个 foundation model 的厂商 ， 它是比较聚焦在 coding 的优化上， 然后像 Google Gemini 的话 ， 它可能在多模态上比较强 ， 包括 OpenAI 可能它之前也有它会去优化的一些特性 。
我是指这种差异上， 好的公司之间会有不同的这种追求的目标的这种体验上不一样的地方 。 这个其实关系到比较稳定的第一梯队已经产生了之后， 它能赋予比如给汽车的这种差异化的体验又会是什么呢 ？
我觉得这个智驾可能跟电池很像 。 电池的话就是只有好跟更好 ， 就智驾的话也只有好跟更好 。
它不是萝卜青菜各有所爱 。 当然这个智驾的话 ， 实际上是你可以配置不同风格的 ，但是呢 ， 不同风格的话 ， 就比如说你奶爸车的风格 ， 还有这个运动车型的风格 ， 这个是可以的 。
但是呢 ， 我觉得可能好跟更好的部分占了 80% 到 90%， 然后呢 ， 差异化的部分可能占了 10% 到 20%。
一般来说 ， 一个产品它只有好跟更好的话 ， 可能市场就会有一种质疑 ，是认为那是不是谁都能做 ， 或者说能做的人会比较多 。
但确实你刚刚举的电池的例子 ， 包括你们现在自己智驾行业的这个情况 ， 都是第一梯队的人是很少的 。
就做得最好的人 ，他其实是获得了这个行业里绝大部分的收入和利润 。 比如说电池就是宁德时代嘛 ，其实之前也有很多这种二三线的电池厂商 ，但目前看竞争力都是不如宁德时代的 。
你觉得这是为什么呀 ？ 我觉得这还是挺好玩的一个特性 ， 它会跟开始大家判断的不一样 。其实就是好跟更好的这个行业 ， 它就是先发优势和规模效应特别强 ， 最终玩家的数量不会特别多 ， 可能就两三家 、 三四家 ， 中国两三家 ， 全球三四家 。
这就是这个行业特性决定 。 反倒是说萝卜青菜各有所爱的这个行业 ， 就比如说服装行业 ， 这有好多家 ， 包括了这个车 。
车品牌本身 。
车的品牌 ， 对吧 ？ 它的造型 ， 它的内饰 ， 包括它的操控 ， 然后不同的人的话 ， 它有不同的偏好 。 所以全球的品牌 ， 中国的品牌 ， 它也不可能中国就两三家 ， 全球就三四家 。
对 。
这件事我觉得跟四五年前的有一种市场预言是不一样的 。 我觉得当时有一种想法是认为智能电动车来了之后， 车的品牌数量会像比如说手机那样 ， 会变得更少 。
而一度大家会认为 ， 就说第三方的这个供应商可能会很多 ， 然后供应商之间就比如说价格战啊 ， 然后大家相互挤压 ， 毛利会比较多 。
但实际上我看你们财务数据 ， 你们的毛利是增长得很快 ，在 23 年的时候是不到 20%， 到 25 年是已经超过 70% 了 。
就你怎么看 ？ 之前其实很多人的这种判断是错了 。
对 ， 就是这个观点当时我就觉得很奇怪 ， 我觉得很难理解 。
但其实当时不少行业的大佬也都是这么想的 ， 这么表达的 。
但不符合这个行业特性啊 。 就是你这个车它天然有这个服装或者是住宅的这样的属性 ， 对吧 ？
就像这个没有人喜欢跟所有的人穿一样的衣服 ， 年轻人没有人喜欢天天穿校服 。
但是你天天穿私服 。
你觉得 FSD 进入中国之后， 可能会对你前面描述的这个智驾的竞争的影响是什么 ？
智驾商业化16:01
我觉得还是对中国两三家 、 全球三四家没有什么实质性的影响 。 对这个方向性的判断或者终局的判断没有实质性的影响 ，但它可能会加速这个进程 。
拿电动车来类比 ， 特斯拉它入华的那个时间点的话 ， 那时候电动车其实还是很有争议的 ， 然后呢 ，有做得非常好的品牌 ，也有做得这个不太好的这个品牌 。
但特斯拉就加速了这个不好的那些品牌出清嘛 ， 然后好的品牌越做越好 。
所以你觉得 FSD 进入中国之后， 会加速智驾行业的出清 。
对 ， 就是带着整个行业大家一起去卷安全 、 卷品质 、 卷体验了 。
整体上你是期待它入华还是 ？
非常期待 。
非常期待 。
对 ， 非常期待 。
因为你去美国肯定你也试了 FSD 的情况嘛 ， 然后和你们的 R7 比的话 ， 你现在觉得这个体验是怎样 ？
我觉得它入华那个时间点如果是今年年底 ， 然后呢 ， 我们 R7 今年年底的 R7 的话 ， 肯定我觉得这个各有千秋千古相当嘛 。
理论上他们不应该比你们差才对吗 ？ 他们中国的数据应该比你们少 。
那个是 V13， 所以 V14 的体验相比 V13 在中国的话 ， 一定会有质的变化 。
即使这样 ， 你觉得你们到时候在年底也会是旗鼓相当吗 ？
旗鼓相当 。
对 ， 我们可以期待那个时刻 。 另外一个长期来说困扰智驾公司的压力 ， 就是车企的自研 。 这件事情在过去两年， 你觉得它是怎么变化的 ？
我觉得你就把它当成这个内部的供应商 ， 然后呢 ， 我们当成外部的供应商 ， 然后大家同台竞技 。
最终的话 ， 整个市场会持续的 consolidation， 持续的整合 ， 持续的更集中 。
现在还有一个新的情况 ， 就车企自己的日子也没有前几年好过了 。 因为现在其实整个就汽车消费市场的增速是相对放缓的 ，以及汽车之间的价格战它也比较激烈 。
坦率来说 ， 我们累计在自动驾驶的研发投入可能就十几亿美金 ，不到二十亿美金 ， 就一百多亿人民币 ， 就做到现在这个水平 ， 做到现在这个市场份额 。
对 ，而我们呢 ， 现在这个收入在快速的增长 ， 毛利润在快速的增长 ， 然后又上市了 。 我们的整个的研发投入的话 ， 可能在未来几年持续 ， 可能会持续的翻番 。
这持续的翻番不在于人员的增长 ， 更多是这个可能数据中心用来训练大模型的数据中心的持续的投入和增长 。
所以你可以看到 ， 就是我们的研发力量的投入是越来越强 、 越来越强 ， 可能是持续翻倍的在提升 。
而我们的整个的产品的体验的话 ， 可能是每年十倍 、 每年十倍的在提升 。
但是另一方面 ， 车企也有可能它长期会有一个内部的供应商 ， 即使它不如外面的供应商 ， 对吧 ？
这个是 make sense 的 ， 它是一个商业策略或者采购策略的一个问题吧 。
但是你觉得在技术上， 或者说在谁更主流上， 就第三方供应商是有它的优势的 。
对 。
以及整个就是这个汽车行业本身的价格战和毛利被挤压这件事情 ， 会怎么影响你们作为上游供应商的一个生存的状态 ？
就倒逼我们把产品做得越来越好 。
但有可能他们就更没钱买喽 。
是 ， 就是你产品做得越来越好的话 ， 就是我们帮着他们卖给消费者 。 首先它不是免费送的 ， 它是加钱选装的 ，而这个选装率非常高 。
我们不是一个成本项 ， 我们是一个这个盈利项 。 我们帮着客户卖更多的产品 ， 卖更好的价格 ， 获得更高的毛利 ， 赚更多的钱 。
这是 customer success 嘛 。
当你们服务的车企品牌足够多的时候 ， 那你们给每个人带来的增益岂不是就被磨平了 ？ 因为他们比如说 A 车企也有你的东西 ，B 车企也有你的东西 。
这个就要看这个车企的整个的战略到底到底是什么 。 车企的核心能力或者车企的核心定位不是说 " 我这个车企能做智驾 "， 对吧 ？
也不是说 " 我的车企能做电池 "，而是说 " 我知道我的用户是谁 ， 我知道我的用户这个喜欢什么样的产品 ， 什么样的产品 、 什么样的功能 、 什么样的创新是能够最大化它的价值 "， 然后呢 ， 去定义自己的品牌 ， 再去从品牌去定义自己的产品 ， 再从产品倒退说 " 我需要哪些技术 "， 然后呢 ， 然后呢 ， 再去整合这些技术 。
我觉得这是车企的这个最核心的能力 。 就是车企实际上这个在为自己的人群打造一个品牌 ，而这个品牌的打造是通过产品持续的 over deliver 给用户惊喜带来的 。
所以智驾是 over deliver 中的一部分 。
它是其中一部分 。 就是在我看来的话 ， 就是好的车企的话 ， 这个东西自己做和这个东西用最好的供应商的 ，其实没有本质区别 。
就像这个自己造一个电池和电池用宁德的 ， 没有什么本质区别 。
但是目前特别成功的车企 ， 比如像特斯拉和比亚迪 ，其实我觉得他们的逻辑都不完全是这样 。他们其实有很多垂直整合的部分 ， 然后才带来了它的竞争力 。
对也不对 。
对的部分是什么 ？ 不对的部分是什么 ？
就是比亚迪它为什么会起来呢 ？ 它垂直整合了十年的时间 ， 直到这个 20 年左右的时候 ， 它推出来了汉 ， 它才量快速的起来 。
另外一个的话 ， 就是快速起量的那段时间 ，是中国这个新能源大发展的时间 。 就是垂直整合的话 ， 你可以认为它就有点像你用杠杆去发展 。
如果刚好这个时机非常好 ， 你用了杠杆赌对了 ， 那可以发展很快 。 我觉得这个比亚迪真正跑出来的很重要原因 ， 就这个垂直整合的这个杠杆 ， 刚好赶上那个时机 ， 然后对于它的发展起到了很大的促进作用 。
我觉得这个是对的 ， 这个是对的 。 但是呢 ， 它不是最本质的 ， 最本质的还是它做出来了在那个时间点像汉这么好的产品 。
对 ， 说到这个 ， 这个有点题外话了 。 我觉得中国的车企很多 ， 它是没有品牌 ， 它有产品 。
这是为什么没有品牌呢 ？ 就什么是品牌 ？
品牌我觉得是一个心智吧 ， 就你对它心之向往 。 你听到这个名字之后， 它就带点光环的那种感觉 。
对 ， 对 ， 就是品牌就跟一个人的名字一样 。 就比如说你跟这个人天天打交道 ， 这个人是个暖男 ， 然后呢 ， 你需要什么他就给你什么 ， 然后你一听到这个 ， 比如说这个过了好几年， 然后你一听到这个名字就觉得很温暖 。
原因是什么呢 ？ 就是因为它在持续的给你 over deliver，而 over deliver 的东西是你想要 ，但是有时候又说不出来的东西 ， 对吧 ？
这个就是品牌 。
我觉得华为是有一些品牌效应的 ， 虽然它不是个车企 。
对 ， 我觉得品牌本质上是信任嘛 ， 本质上是信任 。 然后呢 ， 这个信任从哪里来呢 ？ 肯定是一代又一代的产品持续的 over deliver， 然后呢 ， 你才建立起来的这个品牌心智嘛 ， 或者建立起来这个信任嘛 。
那持续的 over deliver 又来自于什么呢 ？ 还是说你到底需要什么 ， 然后呢 ， 你可能说不清楚 ，但是呢 ， 只要你试到了 ， 你就知道就是它了 ，而且其他的产品没有 。
你觉得像 Momenta 这个公司 ， 它作为一个中间环节 ， 你们不是直接 to C 的 ， 你们需要品牌吗 ？ 如果有的话 ， 对你们有什么好处吗 ？
这肯定有帮助啊 。 就比如说现在 ，不光对我们有帮助 ， 对我们的客户也有帮助 。 包括我们这次上市的话 ，其实很重要的战略目标不是融资 ， 很重要的战略目标是品牌和信任 。
你怎么评估你们现在的品牌力 ？
我觉得这个知名度一般 ， 这个美誉度尚可 。
你说这个知名度和美誉度 ， 你指的是在 C 端消费者心中的 ， 还是在 C 端 ？
C 端 。
都是指在 C 端 ？
对 ， 谈到品牌 ， 谈到信任 ， 就都是 C 端 。
所以你觉得是知道你们的人， 还是比较认可你们的 ？ 但很多人并不知道你们 ， 比如他用了你们的东西 ， 可能也不知道是你提供的 ，有可能吧 ？
这个比较少 ，因为我们大部分的客户都会跟我们做 co-marketing， 比如说他去卖这个车 ， 卖这个智驾方案的时候 ， 都会讲这是 Momenta 的智驾方案 。
所以一旦用了的话 ， 大概率都是知道是 Momenta 的方案 。
那你们想营造的品牌形象是什么 ？
就跟我们这个十年的愿景 ， 十年挽救百万生命 ， 那对应的就是安全安心的品牌形象 。
安全安心 。
对 。
你们现在其实还是亏损的 ， 虽然亏损这三年是收窄了很多的 。
对 。
从之前 23 年的接近 11 亿 ， 到 25 年是 3 亿 ， 刚过一点 。 然后你觉得到什么条件 、 什么环境下， 公司实现整体的盈利是有必要的 ？
我们今年的话 ， 可能还是战略亏损 ， 相比去年的话 ， 可能再收窄一点点 。
你说 26 年啊 ？
对 ， 今年 。 然后明年的话会打平 ， 后年会盈利 。 对 ， 就是 。
你可以讲讲这个时间节奏是怎么想的 ？ 因为也有一种选择是你可以更激进的 ， 你可以比如说你投更多研发 ， 你可以亏更久 ， 这也是一种选择吗 ？
当然这也是一个选择 ， 就是我们这个结果对应的前提是说我每年的研发投入 ， 那比如说刚才提到说我的研发投入很重要的一部分的话 ， 就是这个 GPU， 就是训练的资源的投入 。
我今年可能是 2 亿美金 ， 明年是 4 亿美金 ，28 年可能是 6 亿美金 。 就这个增长的节奏 ， 我们觉得就还不错了 。
然后呢 ， 另外这个增长节奏的话 ， 我们是有信心让我们做到每年 10 倍 、 每年 10 倍的提升的 。
对 ， 我觉得这个战略目标可能是一个最重要的大的战略目标 。 当然在这个战略目标的前提下， 去兼顾这个亏损的收窄 ， 到
27 年打平 ，28 年盈利 ， 那我们觉得就是既然我们上市了 ， 就刚才提到说我们的战略目标就是 Branding and Trust， 既是面向消费者的品牌和信任 ，也是面向这个投资人的品牌和信任 ， 对吧 ？
你如果这个上了市 ， 如果亏损不断的放大的话 ， 那可能会损害这个投资人利益 。
如果你找到了一个特别新的大方向 ，也许也有投资人买单 。
这个大方向其实也不是说突然找到的 ， 就比如说从自动驾驶自然的延展 ， 就是机器人嘛 。
对 。
那机器人的研发的话 ， 我们更希望用我们的这个自动驾驶带来的毛利润去投研发 ，而不是持续的烧钱 ， 或者不断的从二级市场融钱去投研发 。
你们 25 年的毛利是 17 亿多 ， 然后如果用毛利来投研发的话 ， 未来它持续够吗 ？ 就机器人这个领域 ，其实很多创业公司融的钱也是非常多的 。
然后现在一些大公司也在进入 ， 包括比如说像华为 ， 我觉得它肯定大概率也会做 ， 对吧 ？ 然后很多车企也在做 。
那全球范围内的话 ， 像 OpenAI 它也在做 。
就我们的判断 ， 可能机器人需要研发的投入的话 ， 至少是百亿美金 ，有可能是几百亿美金 。 就比如说最就是机器人应用场景里面的明珠 ， 可能是家庭机器人， 对吧 ？
因为场景最复杂 ， 然后商业价值也最大 。
那这个体量你们的毛利润够吗 ？
就是我相信我们的这个毛利润的持续的增长 ， 肯定能够支持我们这个把机器人做出来 。 对 。
那正好讲讲你们这个新的延展的方向 。其实 24 年我们聊的那一次 ， 那会儿去深已经比较火了 ，但当时你是说暂时可能不会去做机器人的 ， 然后现在你们要延伸来做机器人， 这个中间是什么条件发生的变化 ， 让你的想法改变了 ？
机器人入场27:42
就我们今年其实也不会做 ， 或者不会大规模的投入 。 我们计划的话可能是明年 。 两方面吧 ， 就是以中文历史来倒推的话 ， 我们判断可能在 30 年的时候 ， 就家庭机器人能够进入一个拐点 ， 就开始规模化的商业化了 。
这个可能是一个重要的判断 。 另外一个重要的判断的话 ， 就是就我们现在 R7 是 world model， 就 world model 的话 ， 很重要的一个点就是在物理世界 ， 这个海量的数据能够真正被用起来了 。
就用这个 buzzword 的话 ， 就是 scaling， 对吧 ？ 开始 data scaling、model scaling， 然后呢 ， 这个物理世界的规律可以预训练到这个模型里面来 。
而有了这个物理世界的规律 ，在自动驾驶的话 ， 你可能 middle train 学的是驾驶常识 ， 然后 post train 学的是豪情维的对齐 ， 那个 alignment。
对应到机器人的话 ， 那 pre-train 还是物理常识 ， 然后 middle train 的话可能是 domain knowledge 或者具体领域的常识 ， 然后 post train 的话也是 alignment， 就豪情维的对齐 。
你可以看到就两个的研发范式是非常相似的 ， 然后背后的 data infra、training infra 也是高度可以复用的 。 对 ， 就 world model 这个东西的话 ， 我们在去年就验证这个东西是 work 的 ， 就我们预言一代 ， 量产一代 ， 然后今年的话会量产交付 。
而在就今年上半年吧 ， 就我们跟那个这个硅谷的机器人的做得非常好的公司交流的时候 ， 都发现一个特点 ， 就是他们也在往这个方向转型 ，并且有非常好的验证或者非常好的进展 。
一个代表性公司像 General List， 就是它用大规模的数据 ，而且是无本体的数据做 pre-training， 完了之后用本体的数据做 post-training， 就把这个成功率的话可能从 50% 提升到 90% 了 。
这件事情的话在机器人领域还是带来了很大的震动 。 所以的话 ， 你会发现这个硅谷可能在一年前做机器人的话 ， 更多的聊的是 AI， 那今年的话硅谷的机器人公司可能更多的是说 world model 怎么做 。
而且这个还带动了一个事情是什么呢 ？ 就是机器人的数据产业的非常快速的发展 。 因为首先你可以用无本体的方式去收集数据了 ， 这个收集数据的成本大幅的降低 ， 收集数据的效率会大幅的提升 。
另一方面的话 ， 就是大规模的 pre-training 意味着你需要大量的数据 。 对 ， 这个可能 1000 个小时 、1 万个小时是不够的 ， 可能 10 万个小时是一个入门级的 ，1000 万个小时可能是一个海量的 。
所以就是你刚说这两点 ， 一个是说你倒推 ， 你说 2030 年是家庭机器人的拐点 ， 然后另一个就是说现在技术上已经看到了一些变化 ， 就是我用更多的数据来做训练 ，在具身这个领域看起来是有跑通的迹象 。
我们可以拆开来说 ， 先说这个 2030 年家庭机器人会有拐点 ， 这件事情你是怎么推算的呢 ？
30 年的话可能几个维度吧 。 第一个的话就是
端侧的计算 ， 我觉得应该不是什么门槛 ， 只要有自动驾驶在前面探路 ， 就是机器人端侧的计算应该是够用的 。
对 ， 可以同时部署这个物理大脑和语言大脑在端侧 。 当然云端可以部署一个更大的语言大脑 ， 端侧部署一个小一点的语言大脑 ， 再加上一个物理大脑 。
对 。
那你这个思维还挺功成落地的 ， 你第一步想到的是硬件算力的限制 。
对 。
对 ， 你可以继续说 。
这个算力的话可能在 28 年就能解决 ，而且解决得很好 ，而且在自动驾驶上已经被验证 。
我这有个小的问题 ， 就比如说在家庭这种场景里面 ， 理论上来说它的网应该可以很好 ， 对吧 ？
即使这种情况下， 它还是大部分得放在端侧 ，而不能在云端计算 。
首先物理大脑是一定要放到端侧的 ， 就是语言侧的这个延迟 ， 还有这个延迟的不稳定性 ，是没办法让这个物理大脑在云端去处理的 。
然后呢 ， 语言大脑的话 ，有可能比如说那个小一点的语言大脑也不需要放到端侧 ， 那只放到云端也可以 。
但如果你需要这个非常好的一个产品体验的话 ， 那端侧也需要有一个语言大脑 。
我觉得有一个问题是隐私的问题 ，在家里用 ， 从这个角度可能从用户的体验上， 可能希望它是一个本地的 。
对 ， 反正物理大脑它天然的就是本地的 ， 语言大脑的话你可以在本地 ，也可以在云端 。 然后那这样的话 ， 就是涉及到隐私相关的一些事情的话 ， 可能就跟你在 Pad 上使用 agent 其实本质上是一样的 ，因为物理大脑的数据并没有上传到云端 ， 然后呢 ， 只有语言大脑相关的一些信息可能有些在本地 ，有些在云端处理 。
对 ， 所以隐私的话可能还好 ， 这是一方面 。 然后呢 ， 另一方面的话 ， 我觉得在那个时间点的话 ， 这个本体不管从这个可靠性 、 精度 ， 还有成本 ， 都能做到还不错的水平 ， 包括整个的本体相关的供应链都能做到还比较成熟 。
我觉得真的家庭机器人要规模化的话 ， 可能这个本体的成本需要做到比如说 1 万美金 ， 或者 1 万美金到 2 万美金 ， 当然最理想的情况是做到 1 万美金 。
那为什么你们投入这件事不是在 26 年， 不是在 25 年， 是在 27 年 ？
首先的话 ，在我们看来 ， 就自动驾驶 28 年是很重要的一年 。 首先要保证的是自动驾驶 ，不管是量产自动驾驶还是 robo， 包括 RoboVan、RoboTaxi、RoboTruck， 这个飞轮已经不完全是数据飞轮 ， 它可能在数据飞轮的基础上， 这个体系进一步的升级 ， 它变成一个 L4 的飞轮 ， 变成一个 robo 的飞轮 。
那这个飞轮已经转得很顺了 ， 就是整个研发能力的溢出 ， 或者组织能力的溢出已经有了 。 那这时候我再去做机器人的话 ， 就是更加的顺水推舟 。
但如果我的能力还没有溢出的情况下， 硬去做 ， 那就会出现这个三个钢 、 两个盖子 ， 你怎么盖都盖不住的问题 ， 会很痛苦 。
你觉得你们来做这件事和一开始就直接奔着这个方向来做具身的公司的区别会是什么 ？ 比如说宇树跟你们是同一年成立的 ， 正好他们也是十周年， 然后今年也会上市 ，他一开始就是在做机器人。
家庭机器人34:55
对对对 。
你们的发展路径会有怎么不同 ？
我觉得宇树首先在中国的机器人领域的话 ， 做了非常开创性的工作 。
以后王先生交流过吗 ？
没有 ，但我在网上经常看到他 。 对 ， 宇树的话更多的可能从这个身体的角度去做 ，但我相信肯定也从小脑做到大脑 。
那我们做的话 ， 可能更多的是从
我们想做的这个场景出发 ， 然后呢 ， 从大脑出发 ， 然后再去做本体 。
所以你们这一次来做机器人跟之前不一样的是 ， 你们会自己直接造本体 ， 就相比于之前你们没造车 。
我们会设计本体 。 对 ， 至于造的话 ， 我觉得中国的整个的供应链 ， 整个的这个生态是非常非常完备的 ，不需要我们去造 。
那它最后是一个软硬一体的东西 ，是你们一起来设计 、 一起研发的 ， 然后作为一个产品给到用户的 。
这个还在这个探讨的过程中 ，但我们肯定会在设计的过程中起到这个很重要的作用 。
因为就比如说做这个方向 ，其实有不同选择 ， 就有的人可能是做偏平台的 ， 比如说像 Google 和英伟达都说要做 robotics 领域的安卓 ，他们做的是偏大脑的部分 。
创业公司里面像 Pi 它也是做的偏大脑的部分 ， 然后更多公司的主流选择 ， 它是会做一个软硬一体的全栈的这样一个产品 ， 就也有大脑也有本体 ， 你会比较倾向哪一种 ？
这个可能跟之前我们聊到的我做事的风格或者性格有关系 ， 就是在一个重要的方向上， 怎么能把这件事情做成了 ， 我就去做什么 。
然后选择做与不做的话 ， 很重要的判断就是这件事情对于整个行业来说有没有 adding value，有没有新增价值 。
如果这件事情已经有人做了 ，并且有人做得很好了 ， 那我们就没必要自己去花精力花资源去做 。
但如果这件事情对于把这件事情做成来说很重要 ，但是呢 ， 又没人去做 ， 那我们就选择自己去做 ， 对吧 ？
所以现在是个开放的回答是吗 ？
对 ， 开放的 。
就是可能要看等到你们真的入场的时候 ， 看哪些东西是 ready 的 ， 哪些是没有那么 ready。
对对对 。 就我们有一些这个现在这个自己的想法 ，但这些想法的话可能到时候我就知道了 。
到时候就知道了 。 那还有一类公司 ， 就可能是 24 年、25 年正成立的新的公司 ， 然后他们其实在短时间内融了很多的钱 ，他们就是聚焦在做具身这个领域 ，其中有一些其实也和你们一样 ， 就是想做家庭场景的机器人。
你和他们比的话 ， 比如说你们相互的这种优劣势或者什么 ？
这件事情做成要挺难的 。 它不光是说需要有一个物理大脑 ， 它可能还需要有一个语言大脑 。 当然这个语言大脑很多东西可以借鉴现在 agent 的很多的成果 ，但又不完全一样 。其实研发投入非常大 ， 刚才提到的说百亿美金或者是数百亿美金 。
那我们在做这件事情的话 ， 我觉得两方面的优势吧 ， 就一方面的优势的话 ， 实际上就是我们在不管是 training infra，不管是 data infra，不管是人才积累 ，不管是 world model 上的成功的经验 ， 这些很大程度上都是可以复用的 。
还有这个高密度人才的溢出 ， 就复用度可能是 80% 甚至以上 ， 这是一方面的优势 。 当然另外一方面的优势的话 ，是我们有一个 cash cow 的业务 ， 这个就是 autonomous driving。
然后这个 autonomous driving 就百亿美金现在听起来很多 ，但是呢 ， 这个我的判断 ，autonomous driving 在未来几年是一个爆发式的增长 。
这个增长会主要来自辅助驾驶业务 ， 还是你们 RoboTaxi、RoboVan 这块 ， 就全无人驾驶的业务 ？
两边都有 。 就我们在描述的时候 ，其实不把这个量产叫做辅助驾驶的业务 ， 我们叫量产 ，因为量产既有 R7 也有 L4，而且我们的判断这个拐点 ， 就 L3、L4 的拐点的话 ， 可能就是 28 年 。
对 ， 然后可能 28 年之后， 比如说到了 35 年， 就量产业务的话就没有 R7 了 ， 所有的产品形态全部都是 L4 的产品形态 。
然后另一条线就是 ？
就是 robo， 就包括了这里写的 scalable robo， 规模化的 robo，robo 业务 ， 这个可能包括了 RoboVan， 然后 RoboTruck、RoboTaxi。
因为我想 robo 业务主流来说 ， 大家是要自己运用车队的 ， 比如 RoboTaxi 就要自己运用车队 ， 然后一旦是这种情况的话 ，其实毛利是会下降的 。
比如说已经上市的以 RoboTaxi 为主营业务的公司里面 ， 小马和文远的 25 年的毛利都比你们要低很多 ， 一个是 15% 左右 ， 一个 30% 左右 。
那你们这块业务如果也变大了之后， 那你们的比如说固定的资产 ， 包括折旧可能也会上升 ， 这会怎么影响你们的经营 ？
这个看公司的战略选择 。 就比如说我们在中国 ，在 RoboTaxi 的业务上， 我们的战略选择就不是说我去做一个平台 ， 我跟滴滴竞争 ， 我跟高德竞争 ， 我跟 T3 竞争 ， 我更多的是选择合作 。
我们的定位就是一个 AI 司机 ， 然后我赚的就是 AI 司机分成的这个钱 。
所以这个车队可能都不是你在运营 ，是另一个第三方的平台在运营 。
对对对 ， 就这个 capex 不是我们来持有的 ，是我们的伙伴来持有的 。 对 ， 这还是我们就是战略选择的一个很重要的出发点 ， 就我做这件事情到底能不能给行业创造新增价值 。
如果我能创造新增价值 ， 我就做 ； 如果没办法创造新增价值的话 ， 我就不做了 ， 我就不做了 。
这样的话 ， 一方面能更聚焦 ， 另外一方面也能避免一些不必要的这个内卷或者紧绷 。
这里和 RoboTaxi 相关的一个延展问题是 ， 从去年到今年， 这个领域来了很多新的玩家 ， 京东 、 美团 、 哈罗都要来做这个方向了 。
Robo排序41:17
你怎么看接下来一段时间这个领域的竞争 ？ 就你认为你们会在这获得很大的收入的增量 ，但也有很多新的人来 ，而且有些还是很大的公司 。
坦率来说 ， 我觉得 scalable robo， 如果你从这个是不是一个好的 business 上来说的话 ， 如果看未来 5 年， 我们的排序是什么呢 ？
就是 RoboVan 排第一 ，RoboTruck 可能第二 ，RoboTaxi 可能排第三 。
你可以稍微解释一下 Van 和 Truck 的区别 。
Van 的话主要是做同层的配送的 ， 涵盖了 4 米 2、 金杯 ， 还有这个小三轮 。RoboTruck 的话其实也是更好的一个
这个 business。
就是干线的物流 。
不是干线的物流 ， 就干线的物流我们觉得是自动驾驶最后一块拼图 ，因为它的难度非常大 ， 既有技术上的难度 ，也有比如说商业和政策上的难度 。
就是所以干线的物流的话 ， 我觉得即使做 ， 那也是最后做 ，不是现在来做 。 我们说 Truck 是大宗的物流 ， 大宗商品的物流 ， 就比如说拉煤 、 拉矿 ， 然后呢 ， 这个导短的话 ， 就是跑三五十公里 ， 然后呢 ， 长的话可能一两百 ， 最多两三百 。
然后跑的路根本就不是干线 ，也不是高速 ， 跑的都是很郊区 ， 甚至是很荒的路 。 这个荒的路有可能是很烂的柏油马路 ，也有可能是车压出来的路 。
它可能有路有导航 ，但是呢 ， 这个路看起来跟我们日常出行开的路就完全不一样 。
所以你说这个场景 ， 你这些路可能主要就是在运这些东西 ， 相当于是某种意义上的一个特定的半封闭场景 。
不完全是 ， 就是有的大宗的产品是这样的 ， 就这个路就是为这个大宗开的 ，但有的不是 ，但这些路肯定都是郊区的 。
场景车流量不会特别大 ，但是呢 ， 场景的复杂度肯定也挺高的 ， 比如说路上有坑 ， 然后呢 ， 这个有动物横穿 ， 甚至有的大宗的场景就狼在这个马路上这个溜达 ， 对吧 ？
这个可能也会有车 ，也会有人 ，但人和车的话相对会稀疏一点 。
所以你觉得这两个可能它的增量更多 ， 对你们来说 。
对 ，因为需求的话会更强烈 。 另一个竞争相比 RoboTaxi 会更少一些 。
对 ， 那你对刚才这个竞争问题回应就是说 ，其实你们是有好几个方向的 ，不光是在 RoboTaxi 上 。
对 ， 就我们叫 scalable robo。
那你怎么看 RoboTaxi 为什么突然来了这么多人 ？ 有些人以前根本就不做这个的 。
我觉得这个 Waymo 在 RoboTaxi 上取得了非常好的进展 ，是有关系的 。 另一方面 ，Waymo 也拿到了特别大的融资 ，也有很好的估值 。
那回到刚才 ， 就这个问题的起始是 ，其实是说你们和一些专门做具身的公司相比的优劣势吗 ？ 你提到一个是你们有很多东西可以复用 ， 然后第二是你提到就你们会有比较好的现金的收入 ， 除了这前面两条之外还有吗 ？
我觉得这两条已经很重要了 。
那你们相对的短板会是什么 ？
我觉得就是可能要考虑的因素会多一些 。
我听起来就是在接下来几年的时间里面 ， 你们是同时要做好几件事情的 。 首先就是你的量产的这个业务 ， 你要继续的给它做下去 ， 然后就是对你们来说 ， 你们认为你们已经验证要快速规模上量的 robo 这条线的业务 ， 就包括你刚刚说的 Van， 然后 Truck， 还有 Taxi，以及 27 年你们要开始投入做 robotics， 做具身智能 。
就这三件事到时候它会是一个什么样的资源的分配 ， 优先级的分配 ？
坦率来说 ，在我们公司的话 ， 这个就这样的话题被讨论的很少 。 对 ， 就是只要有利于这个业务发展 ， 我们都会投 ，但我们投的话都是以创业公司的方式来投的 ， 就设置一个一个的最小闭环 ， 一个一个的验证 ， 然后呢 ， 每个 milestone 被验证了 ， 走入下一个阶段 。
对 ， 大概是这样 。 就是不会说我 top down 的设计一个资源的分配 ， 说这个资源是多少 ， 那个资源是多少 ， 那个资源是多少 。
反倒更重要的是说 ， 我怎么把这个 foundation model 做好 。 对 ，因为
就像我们现在在我们的 R7 在 world model 上验证了一个很重要的一件事情 ， 就是用一个 world model 可以支持所有的 autonomous driving 的 application， 包括了量产 ， 包括了 RoboVan、RoboTruck、RoboTaxi， 然后呢 ， 都能 work。
而这个 foundation model 如果提升十倍的话 ， 那可能在每一个 application 上都能提升十倍 。 那这件事情就变得很重要了 。
这件事情可能你在 autonomous driving 领域的话 ， 听起来可能是一个新的东西 ，但如果你放到大语言模型的话 ， 大家觉得这不就很正常吗 ？
这个模型能做数学题 ， 能做 coding， 然后对 ， 能写 PPT。
所以首先就是我刚刚说这三件事 ， 它有一个共同的你们要投入的基座 ， 就是你说的这个 foundation model， 然后你们在 R7 上已经验证了它在至少各种智驾相关的下游任务上， 它都是可以 work 的 。其实我印象中很早的时候 ， 你们就说你们量产的和就全无人， 或者说 robo 这条线 ， 它是一套相同的底座 。
对 。
那为什么会说是到 R7 的时候 ， 你说又验证了它是可以再多 work？
那时候的话可能还是这个 robo 跑的还是 RoboTaxi， 然后呢 ，但我们进一步验证的是在 RoboVan 和 RoboTruck 的场景也是成立的 。
对 ，而 RoboTaxi 和乘用车其实很接近 ， 或者说就如果按照我们的技术路线来说的话 ，其实完全一样 。 对 ，但是呢 ，RoboVan 的场景和 RoboTruck 的场景还是有差别的 ， 尤其 RoboTruck 的场景 ， 对 ， 还是需要有一些相同的东西 ，但又需要有一些不一样的东西 。
如果这三件事你们都做到了 ，Momenta 会变成一个什么公司 ？ 量产 ， 然后 robo， 还有那个机器人的 robotics， 具身智能呢 ？
这个不就是研究我们的更好人工智能 、 更好生活 ， 然后这个不断的一步 、 两步 、 三步去做吗 ？ 就是相当于第一曲线 、 第二曲线 、 第三曲线 。
就我记得你比如说英伟达 ， 大家还是会说它是个 GPU 公司 ， 对吧 ？ 或者说这个 AI 基础设施的公司 。
这个东西坦率来说我没仔细考虑过 ， 就是你看这个 Momenta 的话 ， 就是 Momenta， 就是 AI 嘛 。 那不管是量产 ，不管是自动驾驶 ，不管是机器人， 都是朝着这个物理 AI 的方向在做 。
对 ，但当然本质上它是一个 AI 公司 。 那如果在 AI 然后再限定一下的话 ， 那可能是一个物理 AI 的公司 。 对 。
它可能会是一个规模多大的公司呢 ？
这个不太好说 。 就怎么说呢 ， 就比如说我们刚开始创业的时候 ， 就我们其实不是说这些所有的自动驾驶公司里面最豪华的一个团队 。
那时候我才 30 岁 ， 然后呢 ， 就我们公司好多人才年纪大一点的 ， 可能 28 岁 、29 岁 ， 年轻一点的 24、25 岁 ， 就是很年轻的一个团队 。
然后而在那个时间点 ， 自动驾驶创业的公司的话有有多少家呢 ？ 一两百家 ， 两三百家 。 你说那时候我是因为觉得说最终我们能跑出来 ， 我们能上市 ， 所以我做这些智驾公司吗 ？
我觉得不是 。 我觉得更重要的还是说 ， 做这件事情这个很有乐趣 。 就我们的初心是觉得这个 ， 就我已经做了很多年的感知智能了 ， 那我想做认知智能 。
那认知智能的话 ， 自动驾驶是很好的一个切入点 ， 同时它又有特别大的客户价值和社会价值 ， 就十年挽救百万生命 ， 十年解放百万百 ， 十年物流和出行效率翻倍 。
对吧 ？ 所以呢 ， 就这个在感兴趣的方向 ， 然后呢 ，不断的去创造觉得我们应该创造的价值 ， 就一直做到现在 。
回头去看的话 ， 这个每年其实都会遇到很多的问题 ， 然后呢 ，也会解决很多的问题 ，并没有想着说这个我们的目标是成为多大体量的一家公司 ， 或者是说这个
一定要成为 number one。 当然这个 number one 心里面是有这个目标的 ，但是呢 ，在我看来这个目标不是那么强烈的 ， 或者是不是排第一的那个点 。
排第一的那个点的话 ， 更多的还是 ， 或者说每天不断感受到的那个点 ，是说我在对问题有更深入的认知 ， 然后呢 ， 技术上有更多的创新 ， 然后呢 ， 跟一帮非常纯粹而优秀的人一起去解决问题 ， 创造价值 。
我做出来的产品有更多用户使用了 ， 然后当然有用户也吐槽 ，但也有用户越来越多的用户 ， 这个从吐槽变成了认可 ， 喜欢用我们的产品 ，并且开始跟他的家人 、 跟他的朋友去推荐我们的产品 。
我觉得这个过程是开心的一个过程 。 那同样的就是刚才提到的我们的第一曲线 、 第二曲线 、 第三曲线 ， 就这个过程的话 ， 就有点像你打游戏一样 ， 你第一关打完了觉得很好玩 ， 那就进入第二关 ； 第二关打完了觉得更好玩 ， 那我们进入第三关 。
你选择观察的逻辑是什么 ？ 其实就是说一个科技公司它是怎么去拓展的 。
这个的话其实是需要设计的 ， 就包括了比如说你做 learning 的时候 ，也有一种方式就是课程学习 ， 就跟你先上小学再上初中再上高中是一样的 。
那同样做一家公司的话 ，也你整个的这个路径也是需要设计的 。 就比如说我们先做量产 ， 再做 robo， 然后再做机器人。
对 ， 每一步这个下一步之前再上一步的话 ， 既要为这一步考虑 ，也要为下一步考虑 。 这一步的目标的达成 ， 对于下一步来说是一个很重要的积累 。
量产 、 智能驾驶和 robo 也不限 ，是你们 2016 年创业时就同时看到的 。 然后机器人， 或者说更广泛的物理 AI，是你们这两年看到的 。
不是 ， 这件事情可能最早应该 20 年、21 年的时候 ， 就疫情期间 。 为什么就觉得家庭机器人的价值特别大 ，以及为什么我觉得老龄化和少子化是这个机器人对于社会带来最大价值 ， 就一个特别具象的事情 。
我大概是哪一年， 可能疫情后的第一年 23 年的时候 。 那时候是这个疫情期间没回老家嘛 ，23 年的时候就疫情后第一次回老家 。
回老家的时候这个跟家人聚会 ， 家人聚会的时候 ， 那时候就跟家人讲 ， 就我的姑姑 、 大姑就是这个问我说 ：" 这个旭东你们这个在做什么呀 ？"
我就先开始给她讲我们的一个自动驾驶 。 这个大姑听完之后就两个字 ：" 非常棒 。" 就很棒 。 然后呢 ， 完了之后呢 ， 说 ：" 你们还有啥 ？"
我就跟她讲说 ：" 我们这个未来也会做机器人。" 然后呢 ， 讲到机器人的时候 ， 我这个大姑眼睛就开始发光 ， 她就会问我很多的问题 ， 说这个机器人能不能带小孩去上幼儿园 ， 能不能帮忙买菜 ， 能不能这个打扫房间 。
完了之后呢 ， 我可能中间又隔了一年， 中间没回去 。25 年的时候又回来她老家 ， 回来她老家之后的话 ， 又去拜访我大姑 ， 然后也是闲聊的时候 。
我大姑的第一个问题就是 ：" 你们这个机器人做出来没有 ？" 我当时非常震惊 ，因为一般聊到这个特别前沿的技术和产品的时候 ， 这个好多人就聊一聊 ， 就不会真的技术这个东西 ，也不会形成很多的问题 。
然后我当时就说 ：" 这个我们的自动驾驶现在还处在什么阶段 ， 我们的机器人大概规划什么时候去做 ？"
大姑又接着问我说 ：" 那你们的机器人大概售价会是多少钱 ？" 我当时其实大概拍了拍 ， 我说可能售价大概是 10 万块钱左右吧 。
然后我大姑的第一反应就说 ：" 这个 10 万块钱不算贵 ， 这个如果你说的那些能力 ， 就是能送小孩去幼儿园 、 能帮忙买菜 、 能打扫房间 ， 这些事情都能干的话 ， 那 10 万块钱挺值的 。
那你啥时候做出来的时候 ， 第一时间给你大姑买一个 ？" 我当时印象非常非常深刻 ， 就是就我强烈的能感受到说这个家庭机器人能够给这个家庭 、 给家人， 尤其在这个老年人和小孩 ， 就解决这个问题上带来的巨大的价值 。
对 。
所以一方面是说要有设计 ， 另一方面也有很多这种时刻会打动你 ， 会去影响你选什么方向 。
对 ， 这一方面就是真的来自于身边的人， 来自于家人 、 来自于朋友的就是需求 。 另外一方面的话 ， 就是还是我们希望在 AI 上不断的去拓展 ， 就真的突破人工智能的边界 ，也能够更深入的理解智能的本质到底是什么 。
不光是人工智能 ，也包括人的智能 。其实通过人工智能的话 ， 很多时候真的对于人的智能有很多的共鸣 ，有很多启发 。
从 2B 变得跟 2C，是你们长期追求的目标吗 ？ 因为现在按照你的描述 ， 等进入第三关家庭机器人的时候 ， 你们就会直接去面对消费者 。
而我看到科技公司里面 ， 比如说像英伟达 ， 它又是另一种拓展方式 ， 它并没有深入每个下游去做具体的产品 。
它是变成了一种行业里的基础设施 ， 一个技术底座 。
这个不是我们考虑的问题的出发点 。 就我们考虑问题的出发点还是说这件事情的价值是什么 。
就比如说我们做自动驾驶 ， 就是除了我们对 Better AI, Better Life 的追求之外， 我们追求的比如说 Automation 的价值 ， 就是十年挽救百万生命 ， 解放百万百 ， 十年物流和出行的效率翻倍 。
我怎么把价值创造出来 ？ 对吧 ？ 另外一个就是我怎么把这件事情做成 。 所以我会选择量产 ， 我会选择 robo。
量产的话 ， 我作为供应商的方式来做 ，而不是说我自己去造车 ，因为没有 added value。 对 ， 然后包括做刚才提到做 RoboTaxi 的话 ， 我们也聚焦做 AI 司机在中国的这个市场 。
我们不会跟滴滴 、 跟高德去竞争 ， 我们更多的是一个聚焦做好 AI 司机 ， 跟大家去合作的一个方式 。 对 ， 然后而做机器人的话 ， 我觉得以供应商的方式可能做不好这件事情 。
因为什么叫一个家庭机器人 ？ 家庭机器人的价值是什么 ？ 用什么样的本体 、 什么样的形态去创造这样一个价值 ？
行业里面没有公式 ， 没有现成的产品 ， 没有现成的玩家 。 那这时候的话 ， 就需要自己端到端的去定义这样一个产品 。
AI之路58:04
你是从 30 岁开始创业的 。
对 。
然后今年 Momenta 正好是十年 。 你当时在 2016 年开始创业的时候 ， 我觉得你像有一个特点 ， 就是你应该是中国第一批 AI 研究员背景的创始人。
你可以讲讲你最开始是怎么对人工智能这个方向开始有兴趣的吗 ？ 其实你本来不是学这个的 。
这个可能得回溯更久的时间 。 那时候应该是在 20 年前吧 ，2006 年的时候 。其实我个人是对数学 、 对物理特别感兴趣的 。
06 年你已经上本科大二了 。
对 ， 那时候的话我应该是修了统计物理 ， 学习统计物理的过程就感觉特别开心 ， 顺带就从统计物理延展到统计学 ， 然后又从统计学延展到统计学习 。
而统计学习的话 ， 它本质是从数据里面去学习知识 ， 甚至提炼出智慧的一个过程 。 当时就觉得这件事情很神奇 。
现在的话可能大家都知道说这个深度学习实际上是统计学习的一个分支 ，而大模型又是深度学习的一个分支 。
但在那个时间点的话 ， 就觉得这件事情特别特别有意思 ， 就进入了这个行业 。
因为你 04 年进入本科的时候 ， 你应该是在航空航天学院的力学系 ， 你不是这个科班的学科 。 那你自己是怎么逐步去学习的 ？
包括你后来其实是去了微软亚运院的计算机视觉组嘛 。 你是 10 年的时候去的 。 那个时候这个组应该也是全球这个领域特别强的一个团队 。
你可以讲讲这个过程是怎么发生的 。
首先我先说一下， 就是当时怎么去学这个人工智能的 。 就我个人的学习的习惯的话 ，不太喜欢就完全看课本什么的 ， 更喜欢从问题出发 ， 或者从我要做的事情出发 。
我需要什么东西 ， 我就学什么东西 ， 大概是这么一个过程 。 所以呢 ， 当时学习 AI 的话 ，也不是就去上课 ， 然后去专门去做什么样的练习 ，不是的 。
当时的话可能就有什么样的一些具体的问题 ， 然后可能跟人工智能有关系 ， 用人工智能的方法去解决 。
当我发现有些东西我不太懂的时候 ， 我可能就去查查书 、 查查论文 ， 按照我的理解去实现 。 实现出来效果不好的话 ，有可能我的理解有问题 。
然后呢 ， 我就再去回头再看一看 ， 直到这样迭代把问题解决为止 。 就基本上我人工智能学习的过程就是这样一个过程 。
对 。
你当时是本科找了科研 ， 就是去找了科研导师 ， 还是你就是自己一个 ？
我就找公司去实习 。 这个实习的岗位的话 ， 刚好跟人工智能有一点关系 。
06 年的时候有什么公司的岗位和这个有关系 ？
06 年倒不是 。 我找实习的话 ， 可能更多是 08 年、09 年 。其实最早的一份实习 ， 那个公司我估计大家都没有听说过 。
当时是一个国企 ， 这个国企下面有一个研究院 ， 这个研究院的话是专门为铁路提供服务的 。 它做的是图像处理 ， 然后在铁路下面放一个快速的高速的摄像机 。
当这个火车经过的时候 ， 它会拍很多的照片 ， 基于这个拍摄的照片来识别说这个火车可能有哪些疑似的风险 ， 然后报警出来 ， 然后让人去排查 。
比如说这个火车底部有一个零部件松动了 ， 或者是说这个火车经过的时候有一块石头弹起来 ， 然后砸到了这个火车底部的某一个关键部件 。
这个关键部件可能处在一个不健康的状态 ， 需要去维修保养等等。 这些工作的话 ， 如果没有自动化的方式 ， 没有智能的方式去检测的话 ， 人去检测 ， 第一个有可能会漏掉 ， 第二个的话就是检查的工作量特别大 。
这是我的第一份实习的工作 。其实并不是说这个一些特别有名的 AI 的 lab。
所以它是一个计算机视觉在一个具体场景的应用 。 后面你一年进入微软亚运院计算机视觉组是一个什么过程 ？
当时其实我一开始就想进入微软亚运院 ，但是呢 ， 第一个我不是计算机背景的 ， 第二个我也没有这个人工智能的相关的一些经历或者课程 。
所以呢 ， 投过简历 ，但是呢 ，并没有被录取 。 所以呢 ， 刚开始的时候 ， 我才找到了我刚才说的那个地方去实习 。
后来的话经历了兜兜转转好长的一段时间 ， 先到那个公司实习 ， 后来去索尼研究院 ， 然后再到雅虎研究院 ，不断的积累经验 ，不断的成长 。
然后后面再去申请微软研究院的时候 ， 才获得在微软研究院实习的机会 。 坦率来说 ， 我不是那么喜欢读书的人， 我是更喜欢解决问题的人。
对 ，其实我对于 publication， 就发表论文也不是那么感兴趣 。 我更喜欢解决实际问题 ， 把一个东西做出来 ， 然后呢 ， 大家都用起来 ， 大家都觉得这东西很好玩 、 很好用 ， 解决实际这个产品中的关键性的问题 ， 或者去解决一些很底层的关键性的一些问题 。
你在那个阶段差不多是十五六年前 ， 你对人工智能的理解是什么 ？ 就为什么你觉得你一定要做这个 ？
那时候谈不上说这个有什么深刻的理解 。 那时候的话就是第一 ， 对人工智能觉得这件事情特别吸引人， 另外一方面的话 ， 就觉得这个领域还有很多的大的问题还没有被解决 ， 还处在这个领域非常初步的阶段 。
另外的话就是觉得做这件事情的话 ， 可能每天能充满活力吧 。 就是当你去做一件你喜欢的事情的时候 ， 你会觉得每天都很有乐趣 ， 每天想起床 ， 每天想工作 ， 每天觉得自己的人生是用一个词叫生机勃勃 。
就是智能这个问题是一个极具吸引力的一个问题 ， 就一旦你开始思考这个问题的时候 ， 你很多时候你会发现你停不下来 。
而且这个思考的话 ，不完全是从就比如说现有的人工智能的体系框架里面去思考 ， 它仅仅是其中的一个视角 。
你还会从比如说动物的智能 、 人类的智能 、 生物的智能这个角度来思考 。 人工智能 、 人类的智能 ， 它其实可能有一些底层的共通的一些东西 。
那这些底层的共通东西到底是什么 ？
所以这是一个你觉得机会很多 ， 然后也可以很深的方向 。
对 ， 就是我觉得是一片未知的 、 值得探索的新大陆 。 就像我们公司办公室的命名一样 ， 我们办公室有一半的名字是大航海时代发现的岛屿的名字 ， 然后呢 ， 另外一半的名字是科学家的名字 。
就我觉得在那个时间点去看人工智能的话 ， 就有点是像未被发现的新大陆 。
你的头像也是路飞 ， 好多年都是路飞 。
对 ， 好多年都是路飞 。其实我喜欢路飞 ，是因为这个 One Piece、One Team 的那种感觉 。
就一个团队 。
一个团队 ， 就包括了我们这个 IPO 的这个项目的代号也叫 One Piece，OP。OP，One Piece， 就是在一起的这种经历和这种感觉就是宝藏 。
孙剑与商汤1:04:55
那回到你当时的那个状态 ， 就后来你进了微软亚运院视觉组是有什么过程 ？ 你是在孙健那个组吗 ？
对对对 ， 孙老大 ， 我们平时都叫孙健 、 孙老大 。 当时加入的时候 ，其实是我在那边实习的时候做了一个比较好的工作 ， 然后可能跟前人的这个做法不完全一样 ，是全新的一个方法 ，并且取得了一个很好的效果 。
当时孙健 、 孙老大觉得这个工作做的还是挺不错的 ， 然后就给了我一个非常 special 的工作的机会 。 我当时本来我其实也不太喜欢读书 ， 然后呢 ，也不太喜欢去读一个 PhD， 所以呢 ， 就直接在那边工作了 。
那段经历里面 ， 你对就如何做 AI 研究的一些理解和学习是什么 ？
孙健对我的帮助还是非常非常大的 。其实在这之前 ， 我的这个工作习惯 ， 我是更喜欢比如说逻辑思考或者理论思考的一个人。
我觉得可能好的工作就有点像爱因斯坦发现那个相对论一样 ， 然后呢 ，有一些顶层的制造原则 ， 然后呢 ，有一个理论框架 。
基于这个理论框架的话 ， 我就可以想出来一些精妙的方法或者点子 。 但是呢 ， 跟孙健一起工作之后的话 ， 孙健其实工作的风格非常扎实 ， 非常非常重视实验 ，也非常非常重视实验里面的现象 ， 尤其跟你的预期非常不一致的现象出现的时候 ， 可能会有更为重大的发现 。
后来我就渐渐的有点改变了我的认识 。 我觉得一流的工作很多时候不是想出来的 ， 一流的工作很多时候是做出来的 ， 尤其当你有一些跟预期不一致的发现的时候 ， 这个可能是更加一流的工作 。
原因是什么呢 ？ 就是世界上聪明人太多了 ， 然后这些顶层的原则 、 理论框架大家都知道 ， 那基于这个同样的原则 、 同样的框架 ， 那可能推演出来的一些好的想法可能不会有特别大的 ， 可能会有一些创新 ，但是创新的话很难是最顶尖的创新 。
但是呢 ， 当你去做大量实验的时候 ， 尤其关注这些实验里面跟预期不一致的现象的时候 ， 那这些新的现象很有可能是只有你知道别人不知道的东西 。
如果你能对这些新的现象有深刻的洞察和组织 ， 那很有可能去发现一些新的东西 ， 创造一些新的理论 。
而这个东西的话 ， 很有可能是非常非常一流的顶尖的工作 。
这个思维后来对你创业有帮助吗 ？
有帮助 。 比如说现在我们公司经常讲的做产品的话 ， 就是从用户中来到用户中去 ， 就不要自己去想说这个用户到底需要什么 。
很多时候就比如说我们公司在一些重要的问题上有卡壳的时候 ，其实我也会到一线 。 我到一线并不是说我比大家更聪明 ，而是说我会带着大家非常 hands-on 的去看具体的问题的数据 ，而不是听大家说你觉得这个问题的原因是什么 ，他觉得这个问题的原因是什么 ， 你们背后的逻辑是什么 。
因为公司里面都是非常优秀的聪明人， 每个人一旦能把这个东西讲出来 ， 那他讲出来这个东西在逻辑上都是非常自洽的 ，但并不代表说他这个自洽逻辑跟一手的数据完全匹配 。
所以的话 ， 我会带着团队去到一线去看特别一手的数据 ， 然后去看你的逻辑跟这个数据是不是对得上 。
这时候的话 ， 你会发现聪明人很多时候他会很快的去修正自己的一些观点 ， 然后呢 ， 抓住问题的关键点在哪 。
但是呢 ，有时候聪明人他不是那么喜欢 hands-on 的去看这些数据 ，并且把自己的逻辑或者理论跟所有的数据全部都关联起来 。
这个事的难点就是一个很聪明的人就不一定很扎实 。
真正超一流的人就是这个聪明人下苦功夫吧 。
你觉得一个好的研究者的标准 ，在现在这个新的大语言模型技术浪潮下 ，有什么不便和变化 ？
是相通的 。 而且大语言模型的话 ， 就是我觉得这个品质更加的重要 。
怎么讲 ？
就是既要聪明又要扎实 ， 就千万不要想当然 。 有一个想法的话 ， 一定要找到尽可能的多的一手的数据去检验自己的想法 ，因为它的实验成本更高 ， 迭代周期更长 。
当你的一些底层的假设或者底层认知不对的时候 ， 可能造成的这个损失会更大 ， 卡壳的时间会更长 。
后来你在 2015 年加入商汤是一个什么过程 ？
当时是这个微软的前同事 ， 然后包括那个汤老师 。 汤老师其实在微软亚洲研究院也有很多的交流 。在那个时间点的话 ，其实我已经想着要不要创业了 ，但是呢 ， 又觉得没有创业的经验 ，也不知道这个创业公司到底是怎么运作的 。
当时很幸运有这样一个机会 ， 就跟汤老师交流完 ， 这个感受特别的好 ， 然后就加入了商汤 。
他当时是怎么描述 AI 的未来和商汤的未来的 ？ 你感觉特别好 。其实从最终这个商汤的发展也能看出来 ， 当时其实想的是 AI 可能会赋能百业 。
就当时其实就有在聊 ， 比如说像 AI+ 的这种概念 。 你觉得那会儿 AI 赋能百业和现在 AI 赋能百业的区别是什么 ？
我觉得现在的技术发展的其实就相当于是下一个阶段嘛 。 那时候可能是一系列的专用的小模型去赋能百业 ， 那现在是一个这个通用的大模型去赋能百业 。
那时候的话 ， 可能是一个一个的模型 ， 然后呢 ， 对应的一个一个的任务 ，以及对应着一个一个的数据 ， 然后分别 train 一堆的小模型 。
现在的话 ， 更多的是把这些数据汇总在一起 ， 把这个模型汇总在一起 ， 然后通过大规模的预训练 ， 让这个模型具备很强的尝试的能力 。
你怎么看这两种创业 ， 它在资本市场上的走势是非常不一样 ？ 比如说上一波 AI 四小龙 ， 就是计算机视觉那一波 ，其实后面发展都还是会有一些波折 。
然后现在新的这些大模型公司 ， 我们看到智谱它上市可能半年多的时间已经突破 1 万亿人民币的市值了 。
为什么它的商业效应和它的资本效应会差别这么大 ？
我觉得本质上还是价值 ， 价值创造 。 当你能创造价值更大的时候 ， 那对应得到的回报也会更多 ， 对应的这个可能大家认为你这个公司的价值也会更大 。
大概去年年底的时候 ， 就知道说这个 AI coding 发生大事了 ，因为我们内部在用嘛 。 然后一月份的时候 ， 我去了趟硅谷 ， 就跟投资人也有交流 ， 跟当地的这个技术人员也有交流 。
投资人交流的时候 ，其实我已经知道这个 Anthropic 的 AI 在暴涨 。 我当时的第一判断就是 ， 哦 ，Anthropic 可能是在那个时间点最便宜的人工智能公司 。
因为这个很简单 ， 你就算算 PS 就知道了 。Anthropic 其实对于整个大模型行业做出了特别重大的贡献 。
这个特别重大的贡献就是把 LLM 的 agent 或者 LLM 的 coding agent 在比较短的时间内 ， 当然也是长期的积累带来的 ， 然后变成了 L4 的 agent。
如果仅仅是一个 LLM 的 agent 的话 ， 可能整个市场规模的话就是一个百亿美金的一个规模 。 但一旦变成了 L4 的 coding agent， 仅仅 coding 整个的市场规模的话就是万亿美金 。
就 LLM 的 coding agent 的话 ， 更多的是人在写 ， 这个大模型在辅助 。 变成了 L4 的 coding agent 的话 ， 实际上是 agent 在写 ， 人偶尔参与 ， 或者说人几乎不参与 。
如果你看这个 L4 的通用 agent 的话 ， 它可能不是一个万亿的市场 ， 它是一个十万亿美金的市场 。
回到我们这个经历 ， 你就说那个当时， 当时你们是想赋能百业 ， 对吧 ？ 商汤 。 然后实际上你后来加入之后， 你在里面具体是做些什么 ？
包括你做了一段时间之后， 你对当时的 AI 能赋能百业 ， 这个未来是怎么想的 ， 怎么判断的 ？
我去的时候其实就负责跟这个落地产品相关的所有的研发 ，不光是一条产品线 ，是很多条产品线 ， 就带着团队去打仗 。
然后月初的时候去吹牛说我们这个技术多好 ， 月底的时候就要交付了 。其实我整个创业过程中啊 ， 就是体力上最拼的就是在商汤的时候 。
比你自己后来创业还拼 ？
我觉得是的 。 因为确实公司刚成立 ， 那时候公司商汤这个公司刚成立没多久 ， 北京办公室也刚开 ， 全职员工都没几个 ， 就开始要打客户 ， 然后要交付 。
对 ，但当时也没有全职员工 ， 所以呢 ， 我当时就从清华招了好多实习生 ，有很多实习生还是非常非常厉害的 。
完了之后就带着这些实习生去开发产品 ， 然后去交付 ， 然后经常晚上干到三四点 ，有时候我就打车回家 ， 就路上就睡着了 。
也有时候就干脆不回家了 ， 就睡公司 。 然后第二天早晨大概七八点 、 八九点 ，有人来了 ， 就突然从那个沙发上跳起来 ， 然后他又接着干 。
我觉得那段时间的话还是挺激情燃烧的岁月 。
当时为什么这么拼这么燃啊 ？ 背后的驱动力是什么 ？
可能跟我个人性格有关系 。 就我记得我在学校大四的时候做毕设 ， 就比如说你现在采访的时候 ， 你看我这个眨眼的频率是比普通人要高的 ， 就是因为我在大四的时候有一个这个毕设的课题我特别喜欢 ， 然后呢 ， 我就经常晚上干到一两点 、 两三点 ，有时候就睡在实验室的 。
我个人是这个人很多时候是比较懒散的 ， 绝大部分时间都睡到很晚 。 然后但那段时间那个课题是我特别特别喜欢的 ， 我就早晨这个起得很早 ， 然后呢 ， 晚上又睡得很晚 。
而且那时候的话刚好因为我是实验室里面最小的嘛 ， 我分到了一个显示器 ， 是一个特别大 、 特别老的一个显示器 。
我就对着那个显示器 ， 然后每天工作特别长时间 ， 后来就得了这个干眼症 。 但是呢 ， 做的课题是我特别特别喜欢的 ， 那个课题后来也很成功 ， 然后呢 ，也跟这个师姐一起发了论文 。
尽管我后来没有去做物理啊 ，但是呢 ， 那个课题的话是统计学和物理结合在一起 ， 我觉得特别有意思的一个课题 。
所以呢 ， 就是非常 all in 的投入在做那件事情 。 就我不管这件事情是我的状态是什么 ， 我是一个普通的学生也好 ， 还是我是一个员工也好 ， 还是我是一个高管也好 ， 还是我是这家公司的创始人也好 ， 只要这件事情它确实有价值 ， 这件事情又特别特别的吸引人， 我很有兴趣 ， 那投入的状态就是一个 all in 的状态 。
我听你描述这个过程啊 ， 你在商汤那个状态 ， 你也是接触客户的 ， 你是整个链路都跑的 ， 就从客户那拿到需求 ， 然后怎么把这个需求和你们的技术结合 ， 转化为产品 ， 你整个都做 。
对对对 。
所以相当于在这个阶段 ， 你就是完成了从一个你以前可能是比较偏做研究 、 做技术的这个状态 ， 到其实你是在做产品 、 做业务的这么一个状态 。
是的 。
这个转变对你来说 ， 它是一个怎么样的过程 ？ 你更喜欢比较专注的做技术 、 做研究 ， 还是后面这种比较综合的角色 ？
是这样的 ， 就是我首先的最底层的是希望把想做的事情做成 。 为了把这件事情做成 ， 这个哪块短板 ， 需要我学什么 ， 需要我做什么 ， 我都会去学习 ， 都会去做 。
这个是最底层的 。 但你要说这个最天性的 ， 那可能还是非常放松的状态 ， 然后去讨论一些深刻的技术问题 ， 这是我更喜欢的 。
但是呢 ， 就是说当这两者有冲突的时候 ， 我还是会服务于更底层的东西 ， 就是把这件事情做成 。
天性是很难改的 ，但是的话 ， 天性很难改不代表说你不能学 ， 对吧 ？ 仍然可以去学着去做商务 ， 然后怎么去跟客户交流 ， 然后怎么去理解客户 、 理解需求 ， 然后呢 ， 理解我要创造的价值 ， 这东西可以学 。
但我觉得就是天性的东西的话 ， 会让你在某些方面超一流 。 因为你天然的喜欢 ， 你就不自然的去会去想 ，不自然的会想的更深入 。
而这个非天性的部分是觉得这个东西有需要 ， 你可以去学 ， 你可以去成长的 ，也能做到一流 。 但是呢 ，有时候一流就是天花板了 ， 很难做到超一流 。
你自己的天性会把你自己印象什么方向上都做到超一流 ？
首先的话 ， 我觉得对于 AI 的整个的 passion， 整个的热情 ，以及对于一些关键的方向或者重大的问题 ，以及重大问题的根因的判断 ， 随着你解决的问题的增加 ， 你会发现对于一些重大的方向的判断 ， 对于重要的架构的判断 ，以及关键性问题的识别 ，以及关键性问题根因的识别 ， 这些根因的识别有可能是技术的 ，也有可能是组织上的识别 ， 它的准确度可能会
越来越高 ， 然后需要的时间可能越来越短 ， 可能在一个方向上卡壳的时间可能会越来越短 ， 或者说在一个错误的方向上浪费的资源可能会逐渐的变少 。
所以你自然而然的会去深入思考的问题 ，其实很多是战略问题 ， 包括技术战略 、 组织战略和方向战略 。
可以这么说 ，但是呢 ， 就是就真的去做大的战略问题的时候 ，不是只在上面去思考的 ， 一定是 top down、bottom up、top down、bottom up。
就当你有一个大的想法的时候 ， 你一定要去主动的去找 ， 检验你的这个战略判断或者战略方向的一些关键细节到底是什么 ， 然后主动去找 ， 找到了之后去检验是不是跟你的想法匹配还是不匹配 。
匹配也是好的 ，不匹配其实也是好的 。 完了之后呢 ，有了这些检验 ， 然后再回来去调整你的关于战略的一些想法 ， 然后呢 ， 就不断的 zoom in、zoom out、zoom in、zoom out。
我记得我有一次跟某一个投资人聊 ，他说这个也是他最近学到一个新的词 ， 叫 zoomiality， 就是能 zoom in、zoom out 的能力 ，而且快速的 zoom in、zoom out 的能力 ， 这件事情很重要 。
而且这个 zoomiality 有可能还能量化 ， 就比如说你向上可以 zoom out 几层 ， 比如说向上的可以 zoom out 四层 ， 然后向下又可以 zoom in 几层 ， 向下比如说你可以 zoom in 五层 ， 那 zoomiality 可能是等于九的话 ， 那这个人就很厉害了 。
这个层是指什么 ？
这个可能是一个抽象的定义啊 ， 就是你可以简单的想 ， 就比如说一个公司里面它有这个多个层级 ， 那每一个层级实际上它看的这个事情的这个抽象程度是不一样的 ， 那可能越往上抽象的程度越高 ， 然后越往下这个具象的程度越高 。
那如果是这个技能到最高层的这个抽象程度 ， 又能到最底层的具象程度 ， 那这个肯定是比较厉害的 。
我的感受是什么呢 ？ 就是你要做一个重大决策 ， 或者是解决一个关键性的问题 ，不能只在某一层思考 ， 你要这个不断的 zoom in、zoom out、zoom in、zoom out， 然后去思考 ， 就是需要找一些具体的一手的经验或者一手的数据去形成你的初步的一些想法 ， 又要能够用这些具体的东西去检验你的想法 ， 需要具备很强的从具体的事物中总结出来一些抽象的 ，不管是抽象战略还是
抽象规律的能力 。 同时呢 ， 又要从这些抽象的战略或者抽象的规律 ， 然后主动去找一些具象的这些 data point 去检验你的这个想法 ， 或者是迭代你的这个想法 。
创立与数据1:20:27
那在 2015 年那一年， 你在商汤其实你说带着团队一起打仗 ， 解决很多问题 ，是非常燃 、 非常投入的状态 。
后来是怎么走向创业的 ？
我觉得首先这个商汤就本身就是创业 ， 我觉得这个创业的话 ， 这个我就不管什么样的角色 ，其实我觉得都是一段非常宝贵的经历 。
然后后来创立 Momenta 的话 ，是因为我觉得 autonomous driving 它可能是一个更加 disruptive 的技术 ， 难度也更大 。
你是说跟计算机视觉比 ？
对 ，因为 autonomous driving 首先包含了计算视觉 ，但它还包含了一部分的认知智能 ， 对吧 ？
对 ， 它还有决策的部分 。
对 ， 它既有感知智能又有认知智能 。 就我还是希望 Better AI, Better Life， 就是就更好的人工智能 ， 它不能只有感知智能 ， 它还得有认知智能 ， 对吧 ？
而认知智能呢 ， 那时候我觉得技术发展的程度还不足以 ， 比如说做到现在认知智能的水平 。
那我总得找一个标杆性的行业去同时做感知智能和认知智能 ， 同时呢 ， 这个行业又能创造很大的用户的价值或者社会的价值 。
当时就觉得这个自动驾驶是一个非常好的切入点 。
那当时除了自动驾驶还有什么选项 ？
那个时间点也可以做机器人。
对 ， 比如说像宇树就是 2016 年成立的 ， 跟你们是一年 。其实也有那个时候就开始做机器人的公司 。
对 ，也可以做机器人 ，但那个时间点的话 ， 我就觉得这个做机器人太远了 。 因为那个机器人的认知智能的复杂度 ， 即使放到现在也是极其挑战和困难的 。在那个时间点的话 ， 我就觉得如果你要做一个机器人 ，而且是一个通用的机器人的话 ， 那认知智能的这个复杂度可能太难了 。
但 autonomous driving 可能是一个比较好的一个结合点 。
你当时有想过加入别的公司来做这件事情吗 ？ 当时特斯拉和 Google 是在做这件事情的 。
对 ， 所以当时其实主要就 Google。 然后呢 ， 我当时也跟 Google 的人交流过 ， 交流完之后的话 ， 我觉得就是交流的几个人 ，他都没有从本质去思考这件事情做成的核心要素是什么 。他们是怎么想的 ？
然后你对这个核心要素是怎么想的 ？ 对 ，其实我那个时间点就觉得这个核心要素就是数据嘛 。
首先你的整个的算法架构要变成数据驱动 ，其次的话你得有海量数据 ， 这样的话你才能解决这个 autonomous driving 那个非常多的长尾的问题 。其实最底层的想法特别特别简单 。
那你当时交流的 Google 的人是怎么想的 ？
就是当我问到这个问题的时候 ， 大家一般又会跳到说某一个具体的算法模块的具体的问题到底是什么 ， 然后这个具体的问题到底怎么来解决 。
然后呢 ， 我把大家的这些关于某一些这些很多具体的问题解决的思路拼凑在一起 ，也没有拿到说这个他们有一个特别好的 top down 的设计 ， 然后这个特别好的 top down 的设计怎么去解决这些根本性的问题 ， 更多是解决说我眼前看到什么问题 ， 那我就想一些方法怎么去解决这个问题 。
我觉得仅仅是看到问题解决问题 ， 那有可能永远到不了月亮 。
现在回头看 ， 就是数据对人工智能非常重要这件事 ， 好像是挺常识的一个想法 。
对 。
那在那个阶段 ， 就 16 年的时候 ， 行业里是怎么看这个问题的 ？
我觉得 16 年远远不到常识的程度 。16 年的话 ， 可能大家觉得用 deep learning 的方式或者数据驱动的方式做感知 ， 可能是可以探索的一个方向 ， 还没有百分百成为共识 。
就 16 年的时候 ，在 20 年的时候 ， 用 deep learning 来做 planning， 你可以认为 planning，autonomous driving 的 planning 就是一个初级的认知智能 。
就是它自动驾驶决策的那一部分 。
决策那一部分 。 然后呢 ， 可能就是一个初级的认知智能 。 然后在 20 年那个时间点的话 ， 都远远不是共识 。在那个时间点的话 ， 我记得当时我们有一个投融资的同事 ，在外面交流一圈 ， 交流一圈之后的话 ， 带回来的反馈就是哪家公司说可以用 deep learning planning 来做自动驾驶的规划和决策 ， 那这家公司肯定是骗子 。
那在 2022 年， 你们岂不是就被贴上了骗子的印象 ？
我们也没那么高调 ， 我们只是朝着这个方向已经在研发了 ，而且取得了比较好的进展 。 就我们公司的文化就是这个东西我做出来了我才说 ， 我这个东西没做出来的话我就不说 。
那回到数据驱动这个事情 ， 如果说在 2016 年的时候 ， 感知用数据驱动可能都不是一个特别大的共识 ， 然后在决策智能上用这件事情 ， 更是很多人都没有这个意识 ， 那你是为什么在那个时间点你就认为做智能驾驶 、 做自动驾驶 ， 你一定要是数据驱动的这个路线 ？
首先这个东西可能跟我上大学的时候就有关系 ， 就我上大学的时候就非常好奇智能到底是怎么回事嘛 ， 然后我就自己研究了很多的这个跟生物智能或者是人类智能相关的书和论文 ， 觉得这个方向很有意思 。
然后另外一方面的话 ， 就是人工智能那时候其实流派很多 ， 神经网络仅仅是其中的一个流派之一 ，但我因为对人或者生物的智能很感兴趣嘛 ， 那神经网络又跟人和生物的智能是最相近的一个方向 ， 所以我就在这个方向下有研究很多 。
而且我在那个时间点刚好读了一本书 ， 这本书我在那个科展期间的时候还跟大家分享过 ， 叫 《Arm Intelligence》， 孙建也读过这本书 。
我读的是中文版叫 《 人工智能未来 》， 它读的英文版是 《Arm Intelligence》， 我们还互相推荐 ， 一开始以为是两本书 ， 后面发现是一本书 。
然后呢 ， 这本书其实整本书都在讲神经网络 ， 只不过那时候的话没有用什么 deep learning 或者大模型这个概念 ， 更多的是用神经网络这个概念 。
所以呢 ， 我受到这本书的影响也很深 。 所以呢 ，其实不管我在微软营业链也好 ， 还是我出来创业也好 ， 我对这个方向还是非常非常坚定的 。
对 ， 这是其中一个原因哈 。 另一个原因的话 ， 就是我在微软就做产品 ， 我在商汤也做产品 ， 我见过真正 work 的产品 ， 就真的它的水平达到人类水平 ， 哪怕在一个很窄的一个垂直的应用里面 ， 它达到了人类水平或者超越人类水平的应用 ， 数据量都是海量的 ， 都是海量的 。
那个时候的海量是多少叫海量 ？
那个海量可能是一个 billion 吧 ， 一个 billion 叫海量 ， 就是可能百万级的就做一个 demo， 千万级做一个好的 demo， 然后一个亿的话做一个好的产品或者及格的产品嘛 ， 一个 billion 的话可能就是做一个好的产品 。
但其实这是一个很朴素的 ， 你的数据量变大 ， 你的效果就变好 ， 感觉是很朴素的 scaling law 的一部分 。
对啊 ， 就是所以这两块东西就拼在一起嘛 ， 所以这个公司从开始成立到现在就一直有这个信念 ，而且这个信念的话不是空想出来的 ，是从实践中来 ， 然后又在实践中反复被验证的这个信念 。
对 。
所以是因为看见所以相信 ， 你本来就先看见了别人没看见的东西 。
对 ， 可以这么说 ， 或者说相信和看见同时发生 。
所以你在 16 年的时候 ， 这个判断是来自于一个是你早年就是你对神经网络的一些学习 ， 然后另外就是你做产品的一些实际的体感 。
因为我原来是学物理的 ， 学物理的话就是当你有一个假设的时候 ， 除了逻辑的判断之外， 还会有一些定量的判断 。
定量的判断的话不需要说你算的那么准 ，但你可以做一些量纲分析 ， 算算这个量级到底对不对 。 如果量级都对不上的话 ， 那可能就就是错的 。
所以呢 ， 我当时就做了一个自动驾驶 ， 如果要实现这个大规模的无人驾驶 ， 就比如说在全球 ， 然后这个 1000 万台车 、1 亿台车 ， 需要的数据量是多少 ， 我当时简单算了一下， 就发现是需要 1000 亿公里的数据 ，而 1000 亿公里的数据 ， 我觉得靠自有车队是不可能采集到这么多数据的 。
对 。
你当时这个具体的计算过程是怎样的 ？
其实很简单 ， 就是人类的安全性是 1 亿公里一次重大事故嘛 ， 那无人驾驶要大规模普及 ， 你的安全性至少做到比人安全十倍嘛 ， 对吧 ？
不然你这个新技术为什么会被大家接受呢 ？ 所以那你就 10 亿公里嘛 ，但你要验证这个系统是不是有 10 亿公里的安全性 ， 你不可能只跑 10 亿公里 ， 就像你扔一枚硬币去检验它的概率是不是 1/2，不可能只扔一次嘛 ， 对吧 ？
然后呢 ， 统计上要有意义的话 ， 大概是得扔大概 100 次 ，100 次的话它的执行度可能是根号 1/n， 就是 1% 开根号 1/10， 然后它的执行区间就比较可信了 。
对 。
所以这个计算也跟你当时学统计物理 、 统计学这些都有关的 。
对对对 ，有关系 。
然后有了这个核心的假设之后， 你往后的推演是什么 ？
往后的推演就是 ， 那我哪里可以获得这么多数据嘛 ， 那就通过量产 。 就有了我们的战略 ， 首先要有数据飞轮 、 数据驱动 ， 完了之后要有量产 ， 完了之后的话这边是 Robo 的一些应用 ， 比如说 RoboVan、RoboTaxi、RoboTruck， 对 ， 就变成了我们的一个飞轮两条腿 ， 就变成这个样子 。
从 16 年的这个推演到现在 ， 它经过了什么大的变化吗 ？
其实没有大的变化 ，但 16 年的时候并没有把这个东西总结成一个飞轮两条腿 。 那时候只是说我有这样理念 ， 反复的跟大家讲 ， 后面发现公司人多了之后， 你反复讲也没啥用 ， 后面就把它总结成一个 slogan， 一个飞轮两条腿 ，并且 。
并且画了一个图 。
放到 T 恤上 。
放到 T 恤上 。
发现这个有效 ， 那就这么搞 。
你能做这个很正确的判断 ， 这是一回事 ， 然后再往后就是你这个判断怎么一直执行下来 。 因为最开始就 16 年的时候 ， 你也说到这个想法其实不是一个共识 ，而且由于你们选了这样一个战略 ，其实我觉得有很长一段时间 ， 我觉得 Momenta 是一个在外人看来有点拧巴的公司 。
就是因为你们一方面说你们是要追求全无人驾驶的 ，但实际上你们的业务可能到今天为止 ， 很多人还是觉得你的业务就是在做这个高级辅助驾驶 。
这给你带来的内外的这种解释成本是怎样的 ？ 包括最开始可能很多人就是并不是很理解你们的这个说法的时候 ， 你遇到的各种阻力是什么 ， 然后你们怎么克服的 ？
其实我觉得解释是没啥用的 ， 这个真的解释没啥用 。 就是尤其对外部的投资人， 我觉得解释是一点用处都没有的 。
就是你做到了 ， 然后呢 ， 大家才信你 ， 然后你没做到 ， 凭什么大家给你这么高的估值 ， 凭什么给你非常高的估值下去投资呢 ？
没道理 。 但内部的话就是你可以去筛选 ， 筛选这个相信这个方向的人 ，而且相信这个方向的人他朝这个方向去做 ， 只要你这个方向是对的 ，他总是可以拿到正反馈的 。
拿到正反馈之后的话 ， 那加薪了组织对于这个方向的信念 ， 那就持续的往这个方向走 。
你有自我怀疑的时刻吗 ？ 因为一个对的判断 ，有可能它短期内是没有正反馈的 。
对对对 。
就有可能要一个周期之后它才会被验证 。
没有 。 原因可能也不复杂 ， 就是这个方向它不难拿正反馈 。 就是这个正反馈可能从最终的长期的那个结果来看 ， 它的周期可能很长 ， 它周期可能是 3 年、5 年， 或者甚至更长的时间 。
但如果你从内部的研发的进展 、 技术的进展来说的话 ， 这个正反馈不需要 3 年、5 年才能拿到正反馈 。
如果 3 年、5 年拿到正反馈 ， 说明你的整个研发体系的设计是有问题的 。 你的这个研发体系的设计 、 研发问题的设计 ，以及研发阶段性的设计 ， 一定会使得你在短的话可能一周到一个月就能拿到正反馈 ， 长的话可能也就三个月拿到正反馈 。
对 ， 你不可能设计一个研发的路径和研发的体系 ， 然后呢 ， 这个拿到正反馈的周期是一年或者是三年， 那这个研发没法做了 。
对 。
你觉得你们 2016 年当时成立的时候 ， 这个推演 ， 就是我用一个飞轮两条腿这种方式 ， 我一边做量产 ， 然后一边来反补全无人驾驶 ， 到什么时候算是初步验证 ？
现在是吗 ？
对 ， 我觉得现在就是了 。
你觉得现在是 ，但是你们现在的全无人驾驶的业务还是比较少的 。 比如说你们到 2025 年底 ，其实实际上在运营的车是 30 多辆嘛 ， 它并没有到一个上规模的状态 ， 为什么能说已经验证了 ？
站在外界的视角来看 ， 完全是这样的 。 但站在内部的视角来看的话 ， 大家追求的不是说我今年这个规模是多少 ， 追求的是进步的速度 。
可能 25 年底的时候是几十台 ， 今年可能是几百台 ， 明年可能是几万台 ，28 年的话可能就十几万台 。
你说的是单单的 RoboTaxi？
不是 ， 就是 RoboVan、RoboTaxi。
就是所有的全无人驾驶这些加起来 。
对对对 ， 就是 Robo 加起来 。
你已经能看到这个时间表和节奏了 。
对 。
那这是靠什么能这么快上量 ？
就靠技术啊 ， 技术每年提升 10 倍 。
你内部看到这个信号是什么时候 ？ 就你觉得后面其实你这套方法是能实现全无人驾驶的普及的 。
其实我觉得这件事情可能在差不多 24 年的时候 。
你就看到了 。
对 ，24 年的时候 ， 我们当时不是提出来智驾行业的摩尔定律嘛 ， 对 ， 就两年十倍 、 两年十倍 。
当时你们是在技术上实现了什么之后， 你就看到往后的这个路是比较清楚了 ？
其实我们 23 年的时候是实现了这个 deep learning planning， 然后 24 年实现了端到端 ，25 年就强化学习 ，26 年的话 world model， 对 ， 就每年都有对应的技术突破 。
而且这些技术突破 ， 虽然每一年的这个名字都不一样哈 ，但是呢 ， 这些技术突破背后底层的就是这个模型 ， 它能够吃掉更多的数据 ， 带来更好的一个效果 ，而且这个更好的性能是可预测的更好的性能 。在那个时间点的话 ， 我们的判断可能是两年十倍 、 两年十倍 ，但最近刚才一开始的时候聊到说 ， 这个可能能做到每年十倍 ，在加速进步 。
就在你的这个导师过程中间 ， 你们这个技术上的战略判断是一直没有大的变化的 ， 一开始其实就比较准确 ，而且你说拿正反馈也相对来说比较容易 ， 那整个公司的发展过程中间有什么波折吗 ？
有什么调整吗 ？
之前交流的时候也提到过 ， 就比如说 18 年底 、19 年的时候 ， 那时候公司可能在文化上有一个大的调整 ， 那可能 18 年之前更像一个松散的研究院 ，18 年之后的话更像一个以客户为中心能够做产品 、 能够打赢仗 、 打胜仗的一个创业公司了 。
对 。
其实你之前在微软研究院和在商汤 ， 你本来就已经是在带产品团队打仗的过程 ， 那为什么你创业之后， 公司前两年还是像一个研究院 ？
组织转型1:35:11
可能 17 年、18 年的时候 ， 那时候我还不够 hands-on 吧 。
那你在干嘛 ？
就比如说跑跑投资人啊 ， 然后跑跑客户啊 ， 然后呢 ， 研发的话可能跟大家 high level 的聊一聊 。 就那时候的话 ， 就是套用我刚才定义的那个 formality 那个词吧 ， 那时候的我的 formality 可能等于 2， 往上看一层 ， 往下看一层就结束了 。
那你是意识到什么问题 ， 就你们公司遇到什么问题之后， 你发现你不得不从之前状态改变 ？
就是 over promise 啊 ， 对于投资人 over promise， 就比如说我们产品的进展 ， 我们商业化的进展 ， 然后都 over promise，而且严重的 over promise， 这都不需要我从内部发现的 ， 外部的人都能看得出来 。
那你们具体是怎么调整 ， 怎么走出来这个状态 ？
其实也不复杂 ， 就是首先的话就跟大家讲 ， 我们是一个创业公司 ， 我们要为客户创造价值 ， 创造价值的载体是产品 ， 所以我们的优先级肯定是先把产品做好 ， 然后技术的创新是为这个产品的价值去服务的 ， 这个是理念上的引导嘛 。
完了之后， 理念上引导完之后就输标杆 ， 比如说哪些同学在确实按照这个理念做出来了好的技术 ， 然后带来了产品价值的提升 ， 那就谁上谁下， 谁去谁留 ， 这个很容易就 。
当然我现在说的有点轻描淡写 ， 当时其实还是挺痛苦的 。
对 ， 我刚才问很多问题 ， 你都说其实不难 ，其实不复杂 ，但其实创业肯定是很难的 。
对 ， 当时其实是很难的 ，但坦率来说就是你现在回头看 ， 就是其实也是很显然的问题 ， 然后解决方法的话其实也不复杂 ，但当时呢 ， 发现这个问题到解决问题花了很长的时间 ， 然后呢 ， 过程中也犯了很多的错误 ， 然后呢 ，也经历了很多痛苦 。
如果现在去做的话 ， 可能很容易解决 。 当时的话可能整个公司动荡了半年的时间 ， 那比如说现在你让我去解决的话 ， 可能一个月的时间 。
你现在一个月就能搞定的事 ， 你当时搞了半年， 主要是卡在你这吗 ？
我觉得首先对于问题的总结和提炼 ， 比如说我现在马后炮的去总结 ， 那肯定是很准 ， 同时呢也直抓要害 ，但比如说在那个时间点的话 ， 那我看到的都是千头万绪的问题 ， 最重要的问题是哪一个 ， 次要的问题又是哪一个 ， 哪些问题需要重点抓 ， 哪些问题可以放一放 ， 可能在那个时间点的话判断不一定准 。
那你现在面对一个新的问题 ， 你判断比以前准吗 ？
我觉得大多数情况肯定是比以前准的 ， 尤其是在事跟人千头万绪的耦合的时候 ， 哪些到底是事的问题 ， 哪些到底是人的问题 ， 哪些是事和人都有相关的问题 ， 这个我觉得现在的判断力相比于之前来说 ， 可能要准非常多 。
你可以讲讲这里面的门道吗 ？ 比如一般来说哪些事是事的问题 ， 哪些是人的问题 ， 哪些是耦合在一起的 ？
这个东西其实也是一种感觉 ， 就有点像大模型的数据量足够大的时候 ， 你突然就涌现了 。
我发现我这次跟你聊 ， 跟前几年有一个很不一样的地方 ， 就之前我跟你聊一些事 ， 你会一二三四说得特别的 ， 就是一条一条的 ，而且你们公司以前有很多就是那种标语式的东西 ，因为你可能是为了让一些方法能够就是在整个组织里去传达 ， 比如说什么三抓三放什么之类这种东西 。
需求三抓 ， 弱势三抓 。
对 ， 就你们会总结很多这种东西 ，但是我这次跟你聊 ， 就你很多事你不会一二三四 、 一二三四这种这种去描述 ， 你会更用直觉的方式来说 。
那可能是今天时间比较晚了 。
就到了晚上是吧 ， 到了晚上直觉就会更强 。 然后你刚才说就是回头看很多问题 ， 当时还是难和痛苦的吗 ？
在整个过程中间 ， 你们公司真正的比较大的低谷是什么时候 ？
一个是那段时间 ， 就 19 年的时候 ， 另外一段可能是 21 年吧 ，21 年到 22 年初 ， 那段时间刚好也是疫情 ， 然后又遇到我们第一个量产项目的交付 ， 这个各种机缘巧合吧 。
第一个量产交付项目是我们历史上， 就现在哪怕非常非常公正客观的来看 ， 第一个项目都是最难的项目 ，不是因为它是第一个难 ，而是因为它确实 。
确实很难 。
确实很难 ， 就哪怕比如说把这个项目然后拉回到现在 ， 放到现在 ， 然后再给我们这样一个项目 ， 它也是难度级别可能是最高的 。
所以你们是在疫情这个很难的环境里面 ， 又遇到的第一个项目 ， 又是个很难的项目 。
对对对 。
那天当时想要具体是什么情况吗 ？ 比如说要实现什么 ， 包括周期时间的限制是什么 ？
周期的话 ， 就你放到现在 ，其实那个时间还是蛮宽裕的 ， 就差不多有一年多的开发周期 ，但是呢 ， 当时新东西太多了 ， 车是新的 ， 执行器是新的 ， 传感器是新的 ， 然后所有的关联件都是新的 ， 芯片是新的 ， 预控是新的 ， 然后预控上面的 DRAM 是新的 ， 就所有的新东西凑在一起 ， 就是每个新东西都会有问题 ， 就真的是千头万绪 。
而且那时候的话 ， 我们的整个研发体系 ， 包括我们的交付体系 ， 都可以说很初级 。 那很初级的话 ， 遇到海量的问题 ， 千头万绪的过来的时候 ， 很多时候准确的找到问题在哪 ， 都会花非常多的时间 。
现在的话 ， 可能依赖于我们的研发体系 、 交付体系 ， 可能是一秒钟的事情 ， 或者一分钟的事情 ，在那个时间点可能要花几周 ，而且这几周的话就真的是有点像这个 ， 比如说抗战的时候 ， 我们的这个武器不够先进 ， 我们就是靠钢丝堆 ， 拿着大刀 ， 然后去冲锋 ，是真的是血肉模糊的 ， 极其痛苦的过程 ， 然后最终拿到一个结果 ， 才知道这个问
题的根因在哪 ， 然后呢 ， 才能把这个问题解决掉 。 但现在的话 ， 可能就真的是一秒钟 、 一分钟 ， 然后就知道问题的根因在哪 ， 然后很快的可以自动化解决 。
那如果说就是 18、19 年那个调整 ，是你刚刚说靠组织上谁上谁下激励的方式来调整的 ， 那你们的交付的过程中间 ， 这个效率的问题 ， 你从之前几周才解决 ， 到现在一分钟一秒钟 ， 这套体系怎么建立起来的 ？
首先的话 ，在那个时间点 ， 就不管是我呀 ， 还是这个公司的高管 ， 都非常喊道 ， 都在一线 。 所以呢 ， 就是这个一起去解决问题 ， 一起去被这个现在来看可能很简单的问题去困扰 。
那后来找到这个问题的根因 ，并且把这个问题解决之后的话 ， 大家就去复盘嘛 ， 这个问题到底出在我们的架构上， 还是出在我们的研发体系上， 还是出在我们的这个产品上 。
然后在那个时间点 ， 我觉得大家对于怎么做一套好的主线架构 ， 怎么做一套好的主线的研发体系 ， 逐渐的就有感觉了 。
大家对于整个架构和体系设计的话 ，有了感觉 ，有了审美 ， 知道怎么做更高质量的选择 、 高质量决策 ， 可能从那个时间点就逐渐积累 。
当时积累的一些原则是什么样 ？
当时其实我们公司就有一个叫复用主线和发展主线 ， 就大家遇到一个问题的时候 ， 你可以用方法 12345 来解决 ，但可能其中一个方法是 ，是可以复用主线现有的东西 ， 然后如果主线现有的东西没办法解决这个问题 ， 那在主线的当前的架构和体系下， 然后怎么去创新 ， 能够更好解决这个问题 ，而不是说在主线之外， 然后再去开一条支线 ， 然后在这个支
线上去创新 。 因为支线它带来的问题的话 ， 就是会分叉 。 当然这个概念在放到整个行业里面 ，不一定是新概念 ，因为我有一次跟华为的一个高管去交流的时候 ，他非常资深 ，他没有用主线这个词 ，但他说这个徐总 ， 你这个千万不要有那么多的烟囱 ，有那么多的烟囱的话 ， 你会被五马分尸的 。
我一听太形象了 。
烟囱就是支线 。
对啊 ， 烟囱就是支线 ，有那么多支线之后的话 ， 你会被五马分尸的 。 所以这可能就是那个时候提出来的一条理念吧 。
你说的这个华为的高管 ，他是智驾业务的吗 ？ 还是 ？
智驾业务 。
智驾业务 。 那我在想 ， 可能华为在以前的一些技术研发中 ，他也可能也能积累一些类似的 。
对对对 ，他非常资深 ，在华为的话打过很多的硬仗 ， 打过很多胜仗 ， 就是真的我对华为是非常钦佩和认可的 。
很多时候就来源于跟华为的人交流 、 合作 ， 然后他们的很多的做事的风格和他们的认知和理念 ， 明显就感觉水平非常高 。
那你刚说这其中也有原则 ， 就是要复用主线 、 发展主线 ， 要非常谨慎的去开支线 ， 除了这个还有吗 ？
有了这个复用主线 、 发展主线之后的话 ， 我们也有我们的主线原则 ， 比如说主线剃刀 、 主线合理和主线积累 。
剃刀是来源于奥康的剃刀 ， 就因为我这个有时候去深入看一些研发的问题的时候 ， 就发现聪明人有时候喜欢把事情搞复杂 ，他是喜欢去假设一些假设 。
假设一些假设 。
对 ， 假设一些假设 ， 然后呢 ， 这些假设有些是重要的 ，有些是不重要的 ，有些又是他可能没有考虑到的 。 然后呢 ， 你要解决这个问题的话 ，其实要抓住主要矛盾和主要矛盾的主要方面 ， 然后去解决这个问题 。
然后呢 ， 奥康的剃刀的话就说 ， 如果你有很多个方法去解决同一个问题 ， 那就用最简洁的那个方法去解决这个问题 ，而不是用复杂的方法 ， 或者说你有很多个理论可以解释一个现象 ， 那大概率正确的那个理论是最简洁的那个理论 ， 就是抓主要矛盾 ， 用最简单的方法解决最关键的问题 。
主线合力 。
合力 ， 然后和主线积累 ， 就是在解决问题的时候 ， 要选择那些在组织上大家能够形成合力的架构和体系和方法 ，而不是说大家这个力量分散的 。
就很多时候的话 ， 就是聪明人可能解决这个问题 ，有 A 方法 ，有 B 方法 ，有 C 方法 ， 还有这个甲乙丙丁 ， 这些方法的话 ， 就是单独去验证的话 ， 都是有效果的 ，但是放在一起 ， 没办法融合到同一个架构里面 ， 没办法这个形成合力 。
那这些方法的话 ， 可能就不是好的方法 ， 或者说是低优探索的方向 ， 只有能够形成合力的方法 ， 才是高优的被探索的方向 。
积累其实也是一样的 ， 就是在时间上是可积累的 ，在组织上是能够形成合力的 。
所以这些口诀是指导大家在日常的很多小的选择上， 你优先选什么 ？
对对对 。
的一些方法 。
就是怎么做技术上的判断 ， 或者做技术上的一些决策的 。
我觉得这些东西它是类似心诀 ， 就是它是一个方法和思维上 。
对对对 。
你们还做了哪些 ， 就是比如说落实到你们自己的系统 ， 或者说你们内部的 ， 比如说一些软件流程上的一些东西 ， 可以来提高你们整个的研发或者交付的效率的 ？
因为我觉得这个还是比较关键的一点 。其实像你们这类公司的话 ， 它我觉得第一个门槛就是你能不能做出一个好的技术 ， 对吧 ？
明白明白 。
第二个门槛就是你能不能交批量的客户 。 到目前为止 ，其实真的交过批量客户的公司也不是特别多 。
那我举个简单例子吧 ， 就比如说我们要做车型适配的时候 ， 这个车有很多这个传感器嘛 ， 那这些传感器的信号接入是不是正确 ？
如果不正确的话 ， 它可能有什么样的问题 ？ 那这个的话 ， 就我们有对应的工具叫 VVP， 叫 Vehicle Verification Platform， 这个其实也有很多的版本 ， 一开始可能大家写写规则怎么去验证 ， 那现在的话都已经用大模型去验证了 。
所以出了一个问题 。
我们又切换到大模型验证 。
对 ， 所以你现在出了一个问题的话 ， 很多时候大家都不是去找这个人， 这个工程师 ， 可能就直接去问一个 agent， 这个 agent 服务就帮你去爬数据 ， 爬完数据之后的话 ， 基于过往的经验 ， 然后分析 ， 最后给你根因到底是什么 。
你们从哪边开始是有大模型可以来干这件事 ？
就很早 ， 就那个 GPT 刚出来的时候 ，其实我们就用这些东西来做这些事情 。22 年底 、23 年初的时候 ， 就我们内部有一个悬赏令 ， 叫 GPT 悬赏令 ， 就是你用 GPT， 然后呢 ， 用一个创新的方法解决了一个实际的问题 ，而且这个方法或者这个工具 ，不光你自己用得特别好 ， 你还推广到了至少一个内部用户使用 ， 你就可以拿这个奖 。
我记得最开始我们聊过 ， 说你们在服务第一个客户的时候 ，是 400 多人干了一年多 。
对 。
到现在 ，因为你们其实已经累计就是量产的车型都已经有 100 了 ， 那你们现在就是上一个新的车型的话 ， 这个效率到什么程度 ？
可能平均来看的话 ，10 个人 3 个月 ， 或者不到 10 个人 3 个月的时间 。
你说就是完全没做过的品牌的新车型 ，是吗 ？
对 ， 这个也看这个车的量产交付的周期 ， 就如果给我们的工程样车的状态是一个比较好的状态 ，并且 3 个月后就要量产 ， 那我们肯定是可以交付的 。
10 个人 3 个月指的是城区的 NOA， 就是目前最高级的这种服务大概是什么 ？
所有的功能 ， 从泊车到行车 ， 从高速到城区都可以 。
因为其实车企一般还是会有就是不同的这个功能的设计嘛 。 你们现在就是在服务这么多不同的品牌和车型的时候 ， 能这么快适配 ，是因为你们基本上把所有功能都已经做过了吗 ？
可以这么说吧 ， 就是可能适配的都适配过了 ， 可能需要的功能都已经开发出来了 。 很多时候的选择就是配置 ，不需要重新开发 。
你觉得这个能力 ，其他的厂商靠时间能追上吗 ？ 就它是一个什么性质的能力 ？
就是如果仅仅是刚才说的这个能力的话 ， 我觉得是有可能的 。 但是呢 ， 就是把功能全部都覆盖全了 ， 把所有的传感器的配置全部都覆盖全了 ， 这个我觉得靠时间 、 靠更大量是能追上来的 。
比如说需要真正的做到 100 款车 ， 可能 3 年做到 100 款车 ， 只要你真的做了 100 款车 ， 那 100 款车那可能对应的积累是可以做到的 。
但是呢 ，有这个积累不代表说就真的很短的周期内就能高质量交付 。 这个高质量交付还需要你的整个的交付体系是数据驱动的 ， 然后你的架构是数据驱动的 ， 你发现问题到解决问题 ， 靠数据驱动 ， 全流程是高度自动化的 。
那这样的话才有可能做到 。 对 ， 这个的话就不完全是靠时间或者经验的积累了 ， 还是需要在架构和体系下有自己的审美 ，有自己的追求 ， 然后呢 ，在这个方向下不断的创新才有可能做到 。
这个事情的难度是什么样 ？
就首先是不是真的相信这件事情 。
是不是相信数据驱动 ？
对对对 ，是不是真的相信 ， 就相信和真的相信还是很不一样 。
区别是什么 ？
真的相信就是当你遇到所有的问题的时候 ， 首先你从这个角度出发去解决这个问题 ， 然后遇到困难解决不了这个问题的时候 ，不是说我又退回到其他的方式方法上去 ，而是说我怎么创新性的去改我的架构和改我的体系 ， 然后呢 ， 数据驱动方法能够 work。
就是说遇到挫折的时候 ，不是这个方向不对 ，而是你怎么去改进 ， 让这个方向能继续往前推 。
对对对 ， 这个方向能 work。
你觉得这才是真的相信 ？
真的相信1:49:52
对对对 。
你前面也说到了 ， 你们起步的时候不是阵容最豪华的团队 ， 然后经过 10 年，Momenta 居然还在这个市场上幸存下来 ， 你觉得是因为什么关键的地方做对了 ，以及没有犯哪些致命的错误 ？
就我们公司有两个文化 ， 一个是以客户价值为中心 ， 就持续的围绕着客户价值做创造价值 ， 我觉得这件事情是很重要的 。
另一方面 ， 另一条文化的话 ， 我们叫低成本短周期检验 ， 或者低成本短周期试错 ， 就是在一些重要的决策和判断的时候 ， 都是就刚才提到的说 ， 说这个 zoomiality 很重要 ， 你有一个方向性的判断 ， 它的抽象程度可能很高 ，但是呢 ， 这个不是你在这个层面上资源齐说就够了 ， 你得 zoom in 到往下好多层 ， 然后呢 ， 主动去找可以检验它的 data point， 然后去检验 ， 然
后再去迭代 ， 就是这个反复迭代这样一个过程 。 第一个的话 ， 就帮助我们公司不会犯致命性的大的错误 ， 这是第一点 。
第二点的话 ， 就是当我们犯了错误的时候 ， 我们能够很快的发现 ， 很快的调整 。
曾经有什么让你比较后怕的决策 ， 就是说比如那个决策做错了 ， 可能公司就会是完全不一样的结果 ？
很难有这样的事情发生在我们公司 。
为什么 ？
首先就是在我们公司 ， 如果一件事情是一个重要决策 ， 比如说我们要做基建这件事情 ，不会说我今年才做这个决策 ，而是说这件事情可能我们在 20 年、21 年就在讨论这件事情 ， 然后呢 ， 这个 23 年、24 年可能已经做了很多调研了 ， 我们知道有些问题 ， 哪些问题我们想清楚了 ， 哪些问题我们没想清楚 。
想清楚的问题重要程度是什么 ， 还有没想清楚问题的重要程度是什么 。 等到真的要干的时候 ， 这个不是说一个做还是不做的一个决策 ， 对 ， 更多的是说我选择一个什么样的 timing，以什么样的切入点 ， 然后以什么样的节奏 ，以什么样的路线去做这件事情 。
当然有可能这件事情酝酿了很长一段时间之后， 发现这件事情这个不对 ， 或者这件事情不适合我们做 ， 我们最终就没做 ，也有可能这样 。
之前接触过你的人评价 ， 就是你在决策上还是比较强势的 ， 你想好要做的事情 ，其实在公司里面其他人比较难反对 。
如果是这种情况 ， 万一你自己想错了怎么办 ？
我觉得有这样的印象更有可能是发生在 19 年， 那时候可能从这个 lab 转变成一个这个以客户为中心做产品 ， 然后呢 ， 创造价值的一个这个创业公司的一个氛围 。
那个过程的话 ， 就是很多事情其实在决策然后调整上是非常硬的 。 这也是为什么我觉得那时候很稚嫩 ， 就是事情折腾了那么久的时间 ， 动荡了半年多时间才调整过来 ， 然后过程也很痛苦 。
如果现在我去做的话 ， 可能一个月的时间就搞定 。 但之后的话 ，其实我的感受就是公司的重大决策都不是说我做了 ， 然后大家我做了这个决策 ， 然后告诉大家你们去干 ， 就这东西不 work。
重大决策的话都是说我有一个想法 ， 就天天跟大家聊 ， 今天跟大家聊 ， 明天跟大家聊 ， 然后听听大家的想法 。
完了之后的话 ， 这个就真的干 ， 就尤其重大决策真的干的话 ， 可能是有这个想法已经过去了 ， 短的话可能过去了一年了 ， 两年了 ， 长的话可能有这个想法 ， 然后已经过去了三五年了 。
那你描述的这种决策方式 ， 它也有一个可能的风险 ， 就是你行动会比较慢 。
对对对 ， 肯定是这样的 。 所以你就需要把重大决策然后想的靠前 ， 你不能说这件事情就已经要爆发了 ， 然后才开始讨论和考虑 ， 那这个肯定是来不及的 。
但如果这件事情比如说在一两年前 ， 或者三五年前就考虑这件事情了 ， 然后呢 ， 这件事情在整个的组织里面 ， 然后经常的被讨论 ， 然后呢 ，有不同的观点 ， 然后呢 ， 你来我往 ， 然后呢 ，不断的去酝酿 ， 这可能是更好的一个方式 。
插入一个小说明 ， 最后不到 10 分钟的内容 ，由于当天收音的一些问题 ， 音质不好 ，但我还是尽量选了一些内容 ， 让这期节目更完整 。
这篇访谈也已经在晚点发布了图文版 ， 大家可以去看文章来补充听不太清楚的部分 ， 希望听友们能见谅 。
一些投资人， 还有一些其他的创业者对你的评价都是认为你的战略判断能力很强 ，而且定力比较强 ， 就是你大概看到一个方向之后， 你会把它做下去 。其实 Momenta 是你第一次创业 ，而且你开始创业的时候 ，也并没有那么多的业界的经验 ， 你觉得这种判断力是来自什么样 ？
而且经常确实有的时候 ， 你当时说的一些想法 ，在那个阶段它并不是一个非常主流的想法 。
对 ， 我觉得没有特别复杂的方法 ， 就是如果觉得这件事情重要 ， 那就这个经常思考 ， 然后呢 ， 经常的跟大家讨论 。
然后呢 ， 这个想的多了 ， 讨论多了 ， 然后一手的一线的信息收集的多了 ， 调研的多了 ， 对 ， 那自然会有越来越深入的一些思考和认知 ， 还有判断 。
关于怎么调研 ， 你有什么方法和追求吗 ？
我们公司不是有这个需求三抓吗 ？ 对 ， 需求挖掘 、 需求检验 、 需求验证 。 我觉得很重要的一件事情就是你一定要到一线去拿一手的信息 ， 就是 。
也做到百分之百听汇报 ， 这个东西很重要 。 说起来很容易 ，但是呢 ， 做起来没那么容易 ，因为这个到一线去拿一手的信息其实挺累的 。
但我想到热潮来了之后， 你用的比较多的一些工具和产品是什么 ？
就首先 ， 就当我有特别开放的想法的时候 ， 我可能多个谈话我先都会聊一遍 。 对 ， 然后就相当于有多个顾问 ， 然后这个交流一下 。
但坦率的说 ， 就现在大模型在这个在一些关键性的或者重大问题上的水平 ， 还不是那么高 。 跟公司的优秀的这个骨干或者是高管的水平比的话 ， 我觉得还是有很大差距的 。
但是的话 ， 这个作为一个信息的输入 ， 可能这个习惯性的会问一问 ， 或者是说我在思考一个问题都已经思考到晚上三四点了 ，不好意思给大家打电话的时候 ， 我可能会跟这个大模型全部聊一遍 。
你觉得对 CEO 这个角色来说 ， 对实际上可能有多大的绩效 ？ 因为比如说对程序员来说 ，有的人会觉得提升的效率特别高 。
我觉得 CEO 重要的不是效率 。
是 。
对 ， 我觉得 CEO 最重要的是认知和判断 ， 就快不是最重要的衡量指标 ，因为我过往的经验就是好的决策通常都是需要很长的时间去思考和讨论 。
对 ， 然后呢 ， 到一线然后获得一手信息这件事情非常重要 。 就是我觉得就是一手和一线的
信息和来自于一手一线的这个洞察 ，其实对于做出判断来说非常重要 。 很多时候没法做出这些判断的原因是因为离一线太远了 ， 或者一手的信息不全 ， 或者是有偏差 ， 或者是错误 ， 然后呢 ， 没有把所有的信息放在一起 ， 然后去综合的去提炼 、 验证和判断 。
你觉得再往下， 就是往下推 ， 就是你要去做你想实现的那个机器人和具身智能 ， 可能的变数是什么 ？
具身变数1:57:51
就是哪些因素可能会导致这个计划没有成功 ？
就是如果我们决定做了 ， 我们就不觉得有致命性的问题导致这件事情不会成功 。 就问题可能会很多 ， 这是一定的 。
但是呢 ， 当我们决定做还是不做一件事情的时候 ， 就考虑两点 。 一个的话 ， 这件事情新增价值是不是过大的 ， 这是第一点 。
第二点的话 ， 就是这件事情我们到底是不是真的喜欢 ， 这是驱动力 。 然后呢 ， 再去看阻力 ， 阻力的话是不是
有致命性的
问题 ， 我们搞定解决不了 ， 做不到 ， 导致这件事情成功不了 。 对 ， 就看这两点 ， 一个是驱动力 ， 一个是阻力 。
只要这件事情价值够大 ， 我喜欢 ， 我肯定会越做越好 。 至于说相比于别人是不是做得更好 ， 你做之前是不知道 ，但是呢 ， 过往的经验就是只要这件事情价值够大 ， 你非常喜欢这件事情 ， 然后呢 ， 你能不断的聚集真的信任这件事情的价值 ， 对这件事情的价值有使命感 ， 同时对这件事情的乐趣 ， 它能够享受的人， 然后你不断的
去吸引这个人， 不断的去凝聚越来越多的这样的人。 你会发现就是当我不是刻意去追求我要比别人做更好的时候 ， 随着这个时间推移 ， 你可能就是越做越好 ， 越做越好 ， 越做越好 。
所以这可能是我们做事情或者做决策的一个出发点 。
你们在智驾之后也想开始做机器人， 这个是受了特斯拉的启发吗 ？
不能说没有 ，但也不能说就是受了特斯拉的启发 。 就这件事情其实我们在做 auto insurance 就已经觉得这件事情要做了 。
就为什么呢 ？ 就是还是 better life。 就当时我们为什么 ， 首先我说一下为什么会有 better life。 就当时呢 ， 我们觉得 auto insurance 这件事情的话 ， 最多 20 年， 可能 10 年技术成熟 ， 然后商业的话 ， 商业生态整个可能 20 年就会成熟 。
我们 16 年创业的 ， 到 26 年的时候 ， 到 36 年的时候 ，20 年， 那时候我们才我才 50 岁 ，其他人才 40 多岁 。
然后呢 ， 所以我们需要一个 100 年的时间够我们干 100 年， 就是 build to last， 就是基业长青 ， 然后呢 ， 做一个 100 年的企业 。
这是第一点 。 第二点的话 ， 就是我们当时选择做 auto insurance 的时候 ， 就是觉得做感知智能不是智能全部 ， 然后呢 ， 你必须做认知智能 。
但做认知智能的话 ， 这个一上来就做解决终极问题的话 ， 感觉就是就不知道怎么搞 。 那 auto insurance 是一个很好的切入点 ，但如果这个切入点做成之后的话 ， 那可能这个下一步机器人它就更高级的 、 更通用的认知智能 。
这就是一件很赞的事情 。
在你的 75 个学生的观察里面 ，其实之前也都有人去做 。在某一个时刻 ， 你变成全世界 Momenta 第一个来做一件事情 ， 这会是你想追求的目标吗 ？
我们做一件事情还是刚才那个原则 ， 就是是不是这个我们能创造这个新增价值 ， 这是第一点 。
第二点的话 ， 就是我们是不是真的喜欢这件事情 ， 就是完了之后呢 ， 中间是不是有重大的 blocker， 我们解决不了的搞定 。
我关心你的这个方式是 ， 你一个事情有了一个答案之后 ，其实你就不太会受别的东西的分散 。 就比如我刚刚说的那个目标 ， 可能也是听起来挺有用的一个目标 ， 就是我在全世界我是第一个来做一件事情 ，但是你都是一样的目标 。
我记得有一个说法叫 " 狐狸知道很多事情 ， 刺猬知道一件大事 "。 我当时看到这句话的时候觉得特别有意思 ， 特别好玩 ， 就记住了 。
后面渐渐的就发现这个道理确实挺有用 。 很多事情的话可能需要有一些底层的原则或者底层的方法论 。
那今天非常感谢旭东做客 《 晚点聊 》， 分享了整个 10 年的创业过程 ， 包括最开始怎么从一个 AI 研究员 ， 然后到开始想要解决问题进入工业界 ， 再到自己创立 Momenta，以及 Momenta 的三个观察 、 三个曲线 ，有你们一开始就看到的量产 ， 还有比如 Taxi RoboVan 这些全无人驾驶的业务和场景 ，以及接下来你们会进入的 Robotics 具身智能和整个物理 AI 的大的空间 。
那今天节目就到这里 ， 各位拜拜 。
好 ， 感谢 ， 感谢麦琪 。
本期节目就到这里 ， 欢迎收听 。 如果你对今天聊的话题有观察 、 好奇或疑问 ， 欢迎在评论区分享想法 ， 这也会成为我们节目的一部分 ， 让整个讨论更完整 。
你也可以把我们的节目分享给对这个话题感兴趣的朋友 ， 欢迎推荐更多你想听的主题和嘉宾 。
你可以从小宇宙 、 苹果 Podcast 等渠道关注 《 晚点聊 LateTalk》，也欢迎关注我们的公众号 《 晚点 LatePost》。 下期再见
。