开场0:00
有一个刷视频号的那个短视频 ， 两条里面就有一条就是华为的超级智驾 U20 线 。 然后这个格局的话 ， 可能是一个 721 的格局 ， 就是第一名可能市场的 70% 的占有率 ， 第二名 20%， 第三名 10%。
那时候的 V11 的体验跟 Memo 的体验差距还是巨大的 。 但是呢 ， 最近我们的团队去了硅谷 ， 试了最新的 V12 和 Vemo 的体验 ， 已经非常接近了 。
我们的判断就是 ， 特斯拉 FSD 在这半年的时间内进化了几十倍 。
欢迎收听 《 晚点聊 》， 今天的主播是曼祺 。 本期节目我们访谈了智能驾驶供应商 Momenta 的创始人曹旭东 。
相比于去年开始火热的大模型和 AIGC， 自动驾驶兴起约 10 年前 ，是上一个 AI 大方向 。 现在这一批 AIGC 公司的故事有些像自动驾驶的昨天 ： 极高的期待 、 大额的融资 、 优秀的人才 ，在短时间里汇聚到一起 。
而一批智驾公司的今天 ， 则展现了一个黑科技领域发展 10 年后可能会是什么样子 。 Momenta 成立于 2016 年， 在 2020 年之前 ， 这家公司都谈不上耀眼 。
它好像从来没有成为过智驾行业里的 "AI 四小龙 " 或 " 大模型五虎 " 般的存在 。 而在 2021 年，Momenta 却在一年里融资了 10 亿美元 ， 它的大部分融资都发生在这一年 。
背后的逻辑也简单 ： 特斯拉在 2020 年大卖 ， 仿佛一夕之间 ， 量产高阶方案就被接受了 。 而 Momenta 一直在做这件事 ， 过去没什么反响 ， 如今有了客户 ，而且是最多的客户 。
目前 Momenta 手里有最多的智能驾驶车型定点 ， 包括上汽智己 ， 这是 Momenta 的第一个大客户 ， 还有后来的比亚迪 、 广汽等等 ， 数量超过了华为 。
所以现在智驾行业里有一个新组合 ， 叫 " 地大华魔 "， 指地平线 、 大疆 、 华为和 Momenta。 它们被认为是智能驾驶供应商里的头部玩家 。
而和 Momenta 同期成立的自动驾驶明星创业公司 ， 多数都聚焦做 L4 的 Robotaxi， 即无人出租车 ， 对标 Google 旗下的 Waymo。
这条路线由于投入过大 ， 进展相对缓慢 ，不过最近也引起了水花 。 比如武汉的网约车司机已经在讨论 ， 百度的萝卜快跑 、 无人出租车会不会抢走他们的饭碗 。
Momenta 是曹旭东第一次创业 ，他 8 年前成立这家公司时刚满 30 岁 。 这之前曹旭东在清华学物理 ， 后来获得了直博的机会 ，但他中途从清华退学 ， 转而去微软亚研院做 AI 的视觉研究 。
2014 年他加入了刚成立的商汤 ， 到创业前他是商汤的研发总监 。 我们和曹旭东讨论了 2023 年以来智能驾驶领域的诸多变化 ，以及 Momenta 的策略与选择 。
这个行业还有很多悬念 ， 比如车企与智驾供应商到底应该如何分工 ，在端到端大模型的大方向下， 怎么选择具体的技术路线 。
未来的市场格局会有多集中， 能容纳多少公司 ， 活下来的公司会是什么形态 。 这次访谈的文字版本之前已经发布在 《 晚点 》 的公众号上， 可见 shownotes 里的链接 。
以及最后和听友们说一下， 这次我们是把采访录音剪辑成了播客 ， 受限于当时的环境 ， 包括有一段我们是在车上一边试乘一边录的 ， 所以音质没有那么好 ， 没有那么稳定 。
建议大家可以戴耳机听 ， 或在比较安静的地方听 。 下面我们就正式进入本期节目吧 。
智驾拐点3:11
一年半前我们当时聊的时候 ， 你当时说你最担心的是高阶智能驾驶 ， 就是 L2+ 的这些功能还不够好 ， 就不能帮车企真的卖车 。
你觉得现在这个状态有变化吗 ？
我觉得这个状态有很大的变化 。 我记得咱俩聊的时候应该不止一年， 有可能是一年半 。
我们是 22 年 12 月的时候聊的 。
对对对 ，22 年 。22 年那时候的高阶智驾的整个体验的话 ， 我觉得对于特别先锋的用户 ， 或者发烧友来说是可以的 。
因为它可以包容这个产品的很多的问题 ， 就特别的炫 。 所以的话 ， 这个会使用 。 但这部分的用户的话 ， 可能不是 10%，也不是 20%。
这部分的用户可能是 1%、2%。 但对于更多的用户来说的话 ， 那时候的高阶智驾的程度 ，其实还很难被前 10%、20% 的用户接受 。
对 ，但现在来看的话 ， 我觉得对于这个前 10%、20% 的用户来说 ，其实已经是一个可用甚至到好用的一个状态 。
两年的时间 ， 两年十倍 ， 两年十倍 。其实我觉得去年就是一个很重要的拐点 。
对 ， 我就想问这个变化如何发生的 。
对 ， 我最重要的变化还是整个技术的快速的提升 ， 整个产品体验的快速的提升 。 就类比的话 ，有点像电动车的 19 年 。19 年的时候电动车 ，19 年之前的话 ， 大家就觉得说这个你为什么买电动车 。
对吧 ， 这个钱太多了 ， 没想清楚 。 就觉得这个电动车的话又贵 ， 然后体验又不好 ， 然后有各种各样的质量问题 。
所以那时候的话 ，19 年之前的电动车的话 ， 只是一个非常小众的一个产品 。 但是 19 年之后的话 ， 更多的人说 ：" 哇 ， 你买了一个电动车 ， 这个电动车不错 ， 这个电动车的这个价格也不错 ， 性价比也还挺好 。"
到了 20 年的时候 ，因为整个产品的价格在往下走 ，而产品的体验又在快速往下走 。 所以这个到了 20 年的时候 ， 电动车进入了一个爆发期 ， 进入了一个爆发期 。
我觉得高阶智驾的话其实蛮像的 ， 就是在 23 年之前的话 ， 成本很高 。 一套能够实现全球 OA 的整个包容的成本的话 ， 这个 1 万 5 到 2 万 。
然后售价的话也不低 ，而用户体验的话又不是特别好 。 所以呢 ，在 23 年的时候应该是一个拐点 ， 就是价值的话在往上走 ， 成本在往下走 。
所以今年的话应该是一个爆发期 。
你觉得去年下半年问界的热销是一个转折吗 ？
我觉得就是它是这个转折特别有代表性的一家公司 ， 或者是一个标志性的事件 。 我觉得也是这个转折的一定程度上的推动力 ，因为这个华为的品牌力很强 ， 然后呢 ， 媒体渠道也很强 ， 然后有很强的这个宣传效应 。
在去年后半年的时候 ， 我记得有一段时间就是刷这个视频号的那个短视频 。 当然有可能是根据我个性推荐 。
我觉得两条里面就有一条 ， 就是华为的高阶智驾 U20 线 。 当时你去看那个视频的话 ， 你就觉得 ：" 哇 ， 这个高阶智驾就忽然间就来了 。"
但实际上那时候的产品体验的话 ， 我觉得刚好做到了这个爆点的起点 ， 还有很长的路要走 ， 还有很大的这个改进空间要提升 。
不管是对于我们来说 ， 还是对于华为来说 ， 还是对于整个行业来说 。
你怎么看 ， 就是都是以智驾见长 。 然后问界的话 ，因为问界去年年初还是一个比较低迷的状态 ， 它去年下半年确实是不错的 。
但是特斯拉其实在全球它的增长都是放缓的 ， 甚至今年一季度它还首次同比下滑了 。 你怎么看这个区别 ？
在中国的话 ， 我觉得其实理由很简单 ， 就是中国的进退太卷了 。 中国的进退进步的速度也太快了 。
你看特斯拉 Model 3 是一个 18 年底 、19 年上市的车 ，Model Y 的话也是几年前上市的车 。 就靠这两款车 ， 然后也没有改款 ， 能有这样一个销量 ， 已经非常非常强了 ， 非常非常强 。
但中国的这些车企的话 ， 你看 Man 的话 ， 这些新势力每年出一款车 ， 快的话每年出两款车 。 这新车啊 ，不包括这个老款的改款 ， 整个迭代的速度 ， 整个车的外形 、 内饰 、 座舱 、 支架 ， 迭代的速度是非常非常快的 。
你觉得消费者更买这个智驾的账了这件事 ， 会怎么影响车企的动作 ？
原来比如说没有规划高阶智驾的 ， 比如说没有规划乘乘 OA 的 ，在抓新顾客 。 而且中国的车企的话 ， 尤其是极简 ，因为中国车企比如说原来没有规划 ， 然后呢 ， 突然看到这个趋势之后的话 ， 它的想法不是说 ：" 哦 ， 我这个抓紧补课 ， 明年或者后年我要把这个乘乘 OA 给上了 。"
而是说 ：" 我要抓紧补课 ， 我今年就要上去 ， 争取今年上半年就要上去 。" 整个的节奏还是非常快的 。
国际的 OEM 的话 ， 一般看到这个趋势之后， 可能会在 25 年左右的时间 ， 或者 26 年左右的时间 ， 如果原来没有规划的话 ， 会把这个规划给加进去 。
你说是 23 年看到 ， 然后 25、26 年会有一个上市的事件 。
对 ，23 年或者 24 年出吧 。
那也比他们之前要快了 。
要快很多 。
对吧 ， 之前我感觉这可能要更久 ， 如果对国际的车厂来说 。
对 ， 国际车厂之前就是 17 年一大代 ， 然后 34 年一小代 。 但这个迭代速度还是更像中国的这个迭代速度 。
确实我们今年观察到 ， 就从去年下半年到今年啊 ， 一个是你说就是它可能之前没有规划的 ， 那它这种肯定是要找供应商的 。
还有一个现象就是之前可能它是想自研的 ，但这个自研的速度它觉得现在有点等不及了 。
对 。
你自己有遇到过什么 ， 就有什么类似的例子吗 ？
这个很多啊 ， 中国的车企 、 国际的车企都有 。 而且特斯拉的 FSD 取得的特别大的进展 ，以及特斯拉的 FSD 今年年底也要在中国上市 ， 这件事情实际上对我们来说是有很大帮助的 。
FSD入华8:41
FSD 今年年底要在中国上市 。
这个是 Elon Musk 已经对外公开讲过的 。
OK。
我不太确定就是说是不是真的能做到 ，但是呢 ，他明确讲过这个话 ， 包括了前段时间来中国接待的规格也非常高嘛 。
对 。
应该是推进 FSD 入华的所有的这个政策的路径 。
你觉得这个会带来什么变化 ， 就接下来今年底来到中国 ？
我觉得好事情啊 ， 就不管是去年的这个华为的智驾的宣传 ， 还是今年的特斯拉 FSD 的入华 ， 我觉得对于中国的这个高阶智驾都是好事情 。
这就有点像当年李强总理把特斯拉引到上海之后， 我觉得那是一个非常标志性的一个事件 。 对于中国的电动车来说 ，因为之前的中国的电动车真的是鱼龙混杂 ，有好的 ，也有非常差的 。
但是特斯拉进来之后的话 ， 就基本上那些好的能够对标特斯拉产品体验的车企 ， 或者比特斯拉产品体验更好的车企 ， 最终能够活下来 。
而那些这个质量明显差的 ，其实基本上就淘汰掉了 。 我觉得特斯拉在那段时间对于中国的电动车的帮助来说 ， 就是两臂驱逐劣币 。
那这一波特斯拉的 FSD 来到中国 ， 我相信也会起到类似的作用 ， 帮着这个消费者识别出来什么是好的产品 ， 什么是不好的产品 。
然后呢 ， 把中国的整个的高阶智驾的市场向上迁移 。
你刚刚其实说到一个关键的 ， 就你说因为当时特斯拉进到中国之后， 有一些中国的车企跟它的体验是相当 ， 甚至是比它更好的 ， 对吧 ？
这个东西如果类比到智驾上的话 ， 那其实就是说 ， 你觉得你们现在也是有信心跟它是差不多的 ， 甚至更好的 。
是你们已经看到什么实现这种更好的方式了吗 ？
这是蛮好的一个问题 。其实我们 4 月车展的时候 ，有一些国际的客户过来 ， 包括了日本的客户 ， 还有欧洲的客户过来 。他们体验完之后就评价说 ， 我们的系统跟特斯拉 FSD V12 最新的版本各有千秋 ， 都非常的惊艳 。
你可以展开说一下各有千秋 ， 具体是哪儿各有千秋吗 ？
哎呀 ， 这个不是那么好讲 。 我觉得这个东西最好的一个方式就是去体验 。
就他们通过坐你们的车就能感觉到是吗 ？ 不是说那种很精细的去测或者怎么样 。
就是分两种情况 。 一般客户的大领导坐车的话 ， 可能就是一个小时左右吧 。 但是呢 ， 客户的产品团队 ， 客户的研发团队 ， 就客户的中高层 ，他们测的话一般会长测 。
长测的话一般是一到两周的时间 。 然后呢 ， 中国的很多地方 ， 就小城市 、 中城市 、 大城市 、 跨城之间的这些道路全部都会测 。
这个也挺有意思的 。 就他们自己选地点 ， 还是你们算是全部都可以跑 ？
对 ，他们是随便跑 。 我们现在是有路就能开 ，有导航就能开 。 所以的话 ，他们对标的话就是随便跑 。
但是呢 ，因为这个 FSD 还没有落地嘛 ， 所以在中国的话 ， 我们的客户主要对标的就是我们跟华为 。
就是你们和华为 。
对 。
你们现在都是可以做到全国随便的客户测的 。
对对对 。
除了你们还有别人可以做到吗 ？ 现在 。
应该主要就是我们跟华为 。 因为可能有其他家 ，但是呢 ， 现在我们在客户那边 ， 就是客户主要对标的就是我们跟华为 。
现在的状态肯定比一年半前就大家更认可它的价值嘛 。 那你觉得到什么什么阶段 ， 好像你的公司才能真正赚钱了 ？
我觉得现在收入增长还是蛮快的 ，而且这个趋势还会持续 。
做到什么条件是赚钱可以盈利的条件 ？
因为对于我们来说的话 ，其实我们的成本结构就是研发成本 。 研发成本的话又有三块嘛 ， 就是人 、 车 、 运营 ， 还有三座大山 。
这些结构的话 ，其实成本结构的增速是相对比较缓慢的 。 当然前期的投入很大 ，但是呢 ， 投入到一定程度之后的话 ， 这个成本的增速是相对比较缓慢 。
但收入的话其实增速是比较快的 ， 尤其是我们进入了多家车企 ， 进入了多家车企的多个车型的量产 。
这些车型主要上市的时间点的话 ， 可能是今年、 今年的后半年、 明年， 包括了 26 年 。 这些车型上市之后的话 ， 这个量产上量之后呢 ， 这个对于收入的帮助和增速是挺大的 。
评判维度12:46
那如果说到现在的情况 ， 就比如说如果动态来评估的话 ， 你觉得要怎么看一家智能驾驶供应商在市场中的位置啊 ？
从哪几个维度去判断 ？
就客户的质量 、 数量 ， 还有量产之后的这个产品的体验 。 我觉得客户的数量 、 质量 ， 还有这个产品体验 ， 这三个东西是最重要的 。
排第一的话 ， 可能量产之后的产品体验是最重要的 。 然后呢 ，其次是客户的质量 ， 再其次是客户的数量 。
这个背后的逻辑其实也很简单 ，因为客户都很聪明 ，他希望买到最好的产品 ，也希望给自己的用户提供最好的产品 。
只要只是一个好的车企 ，有竞争性的车企 。 所以的话 ， 这个产品的体验其实最重要的 ， 第一位的 。 其次的话就是这个客户的质量 。
客户的质量的话意味着什么呢 ？ 意味着说能不能共同打造最好的产品 。 另外的话 ，以及这个最好的产品未来能够上到可能一开始的时候仅仅是一个车型 。
但是只要这个客户是一个高质量的客户 ， 那肯定会从一个车型变成三五个车型 ， 三五个车型变成十个车型 。
这个量的路径和量的预期确定性是比较高的 。 第三个的话是客户的数量 ， 大概这样一个排序 。
因为你刚才也说 ，其实客户他们可能对比比较多的还是你们和华为嘛 。 那从这三个角度 ， 你觉得你们和华为是什么情况 ？
我觉得都很像 。 从第一个因素来说 ， 就是交付的这个产品的体验来说 ， 我觉得也是各有千秋吧 ， 就是各有千秋 。
这个我们有客户评测过 ， 我们的这个产品在上海和深圳就是华为做的最好的两个城市 ， 一个是它的总部 ， 一个是它研发中心嘛 ， 真的是各有千秋 。
但是呢 ，在其他的城市 ， 比如说在北京 、 在保定 、 在杭州 、 在广州 ， 实际上我们的产品体验 ， 还有泛化的能力是比华为的体验更好的 。
如果你现在描述一下， 就在现在这个时间点啊 ， 去看这个体验 ， 它体验好是怎样叫体验好 ？ 高阶智驾的 。
这一块的话 ，因为我们的客户会做非常 solid 的体验 ， 就是可能会长测 ， 长测一周 ， 长测两周 ， 很多的城市去测 。
所以的话 ， 这个评测的话 ， 它会把这个场景划分得很细 。 粗一点的可能至少有几十个 ， 细一点的话甚至会有几百个 。
这样的话 ， 每个场景每个场景去对标它的安全性 、 安心感 ， 还有它的通行的效率 ， 还有它的这个智能性 。
它这个场景就包括比如说什么五保护罩 ， 我 20 个场景 。
对 。
然后什么有人什么加塞 10 个场景 。
对 。
或者你要去加塞别人嘛 ， 我不知道 。
对对对 。
这也算是这个场景 。
对 ，是这个意思 。
这个东西都是车企自己摸索的吗 ？
其实我们自己做研发的时候本身就有这个东西 ， 把这个叫做 function scenario tree， 就是功能场景树 。 就大的可以分成比如说十几类 ， 这十几类又往下细分可能有几十类 ， 这几十类再往下细分到几百类 ， 大概是这样 。
然后呢 ， 我们跟客户去合作的时候 ，也会跟客户去分享我们这个东西 。 当然有的客户的话是借鉴的多一点 ，有的客户可能借鉴的少一点 。
但大的思路都是一样的 ， 都会以用户的需求或者用户使用的场景来倒推 ， 去构建各种各样的智驾场景 ， 再做这个评测 。
评测完之后的话 ， 把每个场景的得分全部都打出来 。
我觉得你们现在这个行业的一个不太直观的地方就是 ， 它不像比如说大模型 ， 大家都会跑去刷几个搒 ， 或者有那种像那个斯坦福搞的那个 LMCs 之类的 。
你其实可以很直观的看到 ， 就大家 PK 出了什么结果嘛 。 就这个智驾好像是高阶智驾好像是比较难看到这种东西的 。
但是呢 ， 就是说真的好的智驾 ， 对于消费者来说的话 ，其实很简单的一个判断标准 ， 就是买车之前去试一下， 试一下这个乘乘 OA。
只要有代乘 ， 就一个梯队到第一梯队和第二梯队如果有差距的话 ， 实际上你坐在车上， 然后大概半个小时 、 一个小时 ，是有明显的体感上的差异的 。
现在第一梯队除了你们和华为还有谁啊 ？
可能主要是我们 。 因为客户对标的话主要对标我们 。
如果总结一下的话 ， 你们自己就是在量产辅助驾驶业务这块 ， 比如说 3 年、5 年目标是什么 ？ 以及为什么会这么定啊 ？
战略定位16:32
我们不是演讲的时候说智驾的摩尔定律 。
对 。
那肯定是希望这个超越智驾的摩尔定律 ， 成为一家卓越的公司 。 那这个再回顾一下智驾的摩尔定律 。
智驾的摩尔定律的话就是包括了硬件 、 软件 。 硬件的摩尔定律的话 ， 就基本上实现乘乘 OA 的智驾的 BOM 成本 ， 两年基本上会降一半 。
两年前的话是 1 万到 2 万 ， 现在的话是 7000 到 1 万 ， 未来的话可能是四五千 ， 大概是这个水平 。
然后呢 ， 软件的话就是两年提升 10 倍 ， 甚至有可能这个速度会更快 ， 两年有可能提升的速度是 10 到 100 倍 ， 这都是有可能的 。
所以的话 ， 我们在产品上很重要的一件事情就是要超越智驾的摩尔定律 。
这个可能比较抽象啊 。 就如果你们到你们内部的动作 ， 它有一些什么具体的目标吗 ？ 超越摩尔定律意味着什么 ？
举个例子啊 ， 就比如说我们的这个乘乘 OA 的话 ，其实从今年年初到现在 ， 整个乘乘 OA 的体验的话可能已经提升了 10 倍 。
那我们从现在再到今年年底 ， 我们希望把我们的这个乘乘 OA 的体验再提升 10 倍 。
你刚说这是一个产品以上的目标啊 。 我可能指的这个目标还有更多层面的 ， 还包括一些比如说战略啊 、 定位啊 ， 和你之后想达到一个状态 。
我了解你们的定位应该是 Tier 1 啊 。
对 。
就是你为什么是这样一个选择 ， 这样一个定位啊 ？
这个逻辑其实不太复杂 。 就以中为始来看 ， 我们觉得智驾的中矩在全球可能也就三四家公司 ，有可能只有三家 。
中国的话可能两三家 ，有可能只有两家 。 然后这个格局的话可能是一个 721 的格局 ， 就第一名市场的 70% 的占有 ， 第二名 20%， 第三名 10%。
为什么会出现这样一个格局呢 ？ 我觉得很重要的原因 ， 第一个就是整个智驾的壁垒非常高 ， 技术的壁垒非常高 ，其实商业的壁垒也挺高的 。
第二个的话就是它的规模效应也特别强 。 你就去看强壁垒又强规模效应的这个产品 ， 这个赛道 ，其实基本上都是这个特征 。
比如说你去看芯片行业 ， 再去看比如新能源的电池 ， 就中国实际上现在就有两个 。
但电池就很难到 Tier 1， 就第一名很难成为高的比例啊 。
对 ， 您说的是对的 。 这最主要的原因是啥呢 ？ 就是一个是在汽车行业 ，因为它要平衡供应商 ， 就比亚迪跟宁德时代 。
但如果你把这个比亚迪和宁德时代两家加在一起 ， 这个市场份额就已经很高了 。 还有一个特征是什么呢 ？
就是我觉得这个智驾跟座舱不一样 ， 或者智驾它跟车是不一样的 。 车的话它是有服装属性或者装修属性 ， 就比如说您喜欢黑色的 ， 我喜欢白色的 ， 对吧 ？
这个人喜欢萝卜 ， 那个人喜欢青菜 。 它真的有很大的这个差异化的这个需求在里面 ， 这导致了整个市场的集中度就不会特别高 。
但是的话 ， 就是说智驾的话 ， 消费者的需求其实是一样的 ， 就是更安全 、 更安心 ， 还有开车的话更高效 、 更智能 。
就是这样的需求 。 所以的话 ， 再结合前面的高壁垒和强规模效应 ， 所以最终的这个行业格局的话 ， 一定是可能中国只有两三家 ， 全球只有三四家 。
那如果这个中矩是成立的 ， 我们先假设这个中矩成立啊 ， 对于我们来说的话 ， 我们相信这个中矩成立的概率还是非常大的 。
那就会看到说剩下的这两三家或者三四家 ， 最优的策略的话就是垂直整合 ， 就是智驾的软件 、 智驾的芯片结合在一起 ， 才有可能在 BOM 成本上可能四五千 ， 非常有竞争力的 BOM 成本 。
而体验上的话 ， 又每两年十倍 ， 每两年十倍的这个提升的这个产品 。其实我觉得单纯的 Tier 2 的供应商存在的空间不是那么大 。
你刚其实说了两个问题啊 。 就你说了 Tier 1 的问题 ， 你还说了一个垂直整合的问题 。 因为 Tier 1 其实你比如像博世这样的 Tier 1， 它也有很多它的供应商 ， 它也不是很多事它自己干嘛 。
这个可以分开说 。 就所以你是 Tier 1 同时加垂直整合 。
我觉得对于我们来说的话 ，其实有很多东西是不需要自己做的 。 就行业里面的话 ， 这个很多公司都已经做得很好了 。
比如说智驾的这个传感器 ， 我们有非常好的合作伙伴 。 还有的话就是智驾的预控 ， 我们叫 ADCU。其实行业里面也有非常好的这个合作伙伴 。
这就是中国制造业过去几十年也是摸爬滚打出来的这个非常优秀的企业 。 那我觉得最优的方式的话 ， 肯定是这些合作伙伴里面找出最好的 、 找出最强的 ， 组建一个英雄联盟 。
合作伙伴不需要多 ， 一到两个 ，但是呢 ， 深度合作建立起深度的信任和合作关系 ， 建立起一个英雄联盟 ， 才有可能打造出来最好的一个产品 。
你之前跟我讲过说以前那个李斌 ，他不是想搞一个类似的事吗 ？
那个是斌哥给我们的建议 ， 叫做这个星空联盟 。他类比的是星空联盟 。他类比星空联盟的意思是说 ， 这个 Momenta 应该邀请很多的车企作为 Momenta 的这个投资人， 然后呢 ，Momenta 为这些车企打造高阶智驾 。
我觉得这个战略判断是非常对的 ，而且对我们公司帮助也很大 。 我们也确确实实是朝这个方向在做 。
因为确实有很多车企的投资人。
对对对 ，也取得了很好的这个成绩嘛 。 你看我上汽是我们投资人， 那个通用是我们投资人， 还有丰田 、 奔驰是我们的投资人。
这是一个非常好的一个双赢 。 对 ， 我们给客户提供了好的产品 ， 客户在我们的成长过程中获得了资本的收益 。
我们也因为客户对我们的支持 ，有了一个很好的成长 。
继续说到就你们说要超越摩尔定律 ， 成为一家卓越的公司这个点 。 因为你还说了一件就是你觉得确定会发生的事 ， 就是 15 万以上的车都是会标配这个高阶的辅助驾驶的硬件的 。
26 到 28 年逐渐标配 。
所以你们接下来的大的方向里面 ，也包括就你们的方案是要这些价位的 ， 你们都覆盖什么 ？ 我理解你们最开始还是比较贵的一些车上可能才用你们的东西 。
对 ， 一定的 。 这也是汽车行业的一个规律 ， 就是就新东西的话 ， 肯定是在贵的车上先上 。 上完之后的话 ， 这个产品更成熟 ， 产品的成本更低之后的话 ， 再往下探一个价位 ， 比如先上 30 万的车 ， 之后再上 20 到 30 万 ， 之后再 15 到 20 万的车 。
你们和高通合作主要是因为这个原因吗 ？
这是其中一个原因 。 另外一个原因是因为高通的这个不光是它的性价比好 ， 另外一个是它的功耗也好 。
所以的话是有可能上有优车的 。 之前大家对这个行业的判断就是未来这个百分百都是电车 。 但现在的话大家看到好像哪怕是中国 ， 中国引领着全球的这个电动车的发展 ， 哪怕在中国也好 ， 可能也是一个三分之一 、 三分之一 、 三分之一的一个格局 。
就之前现在的分界线是什么时候啊 ？ 什么时候大家开始这么想的 ？
可能也就是从 23 年开始吧 。 你会发现 23 年开始纯电的增速就不会那么快了 ， 反倒是 PHEV 包括增程增速还很快 。
逐渐的大家认知和想法有一些调整 。
所以以前高阶的方案要上混动也比较难吗 ？ 混动你在本身没啥问题吧 ？
其实您要上的话肯定都能上 。 但是的话额外带来的这个成本是比较高的 ，因为要额外增加一套外部的这个 fueling 的系统 。
所以高通方案一个是性价比 ， 一个是功耗 。 你觉得可以让它拓展更多的车 。
对对对 ， 纯电 、PHEV， 还有这个油车都可以 。
因为你们以前的主要的量产方案是在英伟达上做的嘛 。 然后你们现在又有一个新的合作伙伴 ，而且英伟达和高通在这个市场肯定还是就他们之间是会有一些竞争的 。
你们去处理这种供应商关系有什么经验吗 ？ 或者你的策略是啥啊 ？
就是深度合作 ， 好好做产品 。 我觉得都是非常成熟的企业 ， 然后呢 ， 都知道最终竞争的优势来自于客户的认可 。
客户的认可的话来自于这个产品的竞争力 。
这个转去还是看客户的需求 ， 对吧 ？ 是车企 。
对 ， 客户的需求 。
车企来选的 。
客户的需求 。
在那个比如说 15 万左右的车上面 ，因为其实像大疆这些 ，他们性价比也是做的比较好的嘛 。 那你觉得就这个价位的车型的客户会更关注什么 ？
我觉得不管任何价位的车 ， 最终关注的首先一定是体验 。 因为自动驾驶这个东西的话 ， 它是一个跟安全有关系的一个东西 。
这个东西你要做到安全 、 做到安心 、 做到智能 、 做到好的体验 ， 消费者才会用 。 而你会发现这个消费者对于这个产品的要求是很高的 。
它一定要在某些场景下跟它开的一样好 。 而且这些场景的话最好还是能够长时间连续的 。 这样的话能够给它提供一个连续的体验 ， 这样的话它才会用 。
但比如说你这个产品还没有做到这样一个体验 ， 车企的话说 ， 哦 ， 这个反正我就需要这样一个东西 ，有这样一个东西的话 ， 我就可以给用消费者去宣传 。
这是一种短期性的 。 然后呢 ， 消费者买了这个车 ， 然后说 ， 哎 ， 你有这个东西 ， 那我试一下 。
试完之后的话发现 ， 哎呀 ， 这个不能用啊 。 用了几次之后就不敢用了 。 那会是什么样一个结果呢 ？
就哪怕这个东西卖得再便宜 ，也需要几千块钱 。 几千块钱的话对于一个普通消费者来说 ， 花了几千块钱买了一个东西 ， 用了几次之后不用了 ， 那他就觉得这个东西对他的价值还是很低的 。
因为你之前有说过 ， 你说你担心行业会有低水平竞争嘛 。 你觉得这个事后来到底是发生了还是没发生 ？
低水平竞争25:27
肯定会发生 。 你看中国的市场的发展 ，在任何一个阶段它都会有这个低水平竞争 。 这也是为什么我们觉得特斯拉的 FSD 到中国是非常好的一件事情 。
就可以把整个的竞争水平往上拉 。 大家先卷价值 ， 再卷价格 。 你至少你先把这个价值先卷到足够高的一个高度 ， 把整个的这个行业的水平 、 消费者口碑 、 消费者认知卷到一个足够高的高度 ， 消费者真的觉得你这个产品好 ， 然后呢 ， 愿意买单 ， 或者心心念念的想买单 。
只是有一部分人买得起 ，有一部分人可能觉得有点贵 ， 还是有点心疼 ， 就觉得确实是好东西 。 但是的话 ， 等我再有点钱我再买 。
我觉得这是一个非常良性的一个市场 ， 会有良性的一个发展 。 但是的话 ， 如果你一开始这个价值就没有卷到足够高的一个高度 ， 你就去卷价格 ， 又把这个价格卷到很低 ， 然后呢 ， 为了把价格卷到很低又不得不牺牲价值 。
最终到了市场之后的话 ， 这个消费者一看 ， 哎 ， 智驾就是个骗局 ， 骗了我的钱 ， 然后呢 ， 我试了两次之后的话就再也不用了 。
那就把这个市场做烂了 。 其实你看那个 16、17 年那时候的电动车 ， 多多少少就有这个危险的趋势在里面 。
很多很便宜的电动车 ， 然后呢 ， 质量很差 ， 体验很差 ， 安全性很差 。 那个阶段的话其实对于电动车市场来说是一个很危险的事 。
但后来当然特斯拉进入了中国 ， 然后呢 ， 变成一个鲶鱼 ， 然后把整个的市场的价值 、 市场的这个产品的体验往上卷 。
当然中国也有好的产品了 ， 比如说蔚来的车 ， 理想的车 ， 出来之后的话也在把这个产品的质量 ， 然后用户的体验往上卷 。
所以可以说现在是好事快到了是吧 ？ 你觉得这个雨龙混杂的阶段可能要快结束了 ？
我觉得可能还是要两年的时间吧 。
出海27:17
在你们的这个大的这个计划里面 ， 就包括因为你看到的中矩是 Tier 1 嘛 ， 然后剩下的这个智驾的供应商数量是很少的 ， 那肯定是要出海的 ， 肯定是个全球市场 。
就在全球市场上， 你觉得海外车企立即找合作伙伴的时间窗口到什么时候会结束啊 ？
我的感觉好多车企其实已经结束了 。
已经结束了 。 所以其实什么时候结束的了 ？ 去年吗 ？
有的是去年， 有的可能是今年 。 就国际客户的合作跟国内客户的合作不一样 。 国际的客户的话 ， 它就是一个平台 ， 一个平台上的多个车型 。
就基本上只会找一个供应商 ， 一个合作伙伴来合作 ，不会找独家 。
而且它这个一个平台会覆盖未来多少年的车型啊 ， 大概 ？
它一个平台的生命周期短的话可能三五年的时间 ， 长的话可能会到七年 。
所以说如果你去年到今年， 如果你没有锁定一些国际大车企的这种下一代平台的订单 ， 你可能要再进去作为新的供应商是会比较难的 ， 对吧 ？
是挺难的 。
你觉得拓展其他海外车企客户的主要挑战是什么 ？
我觉得就是拓展国际客户 。在中国市场的话 ，其实只要有好的产品 、 好的技术就可以 。 商务上的话反倒没那么好 。
就是海外的这个客户还是非常讲究产品 、 讲究技术的 ，而且有非常详尽的对标 。 只要你东西确实做得好的话 ， 自然会跑出来 。
但是呢 ， 如果要去拓展海外市场的话 ， 那肯定要解决这个地缘政治风险的问题 。
你觉得 FSD 对外授权对全球的这一块的竞争会有什么影响 ？
其实至少我现在看下来的话影响不太大 。 比如说你是奔驰你会选择 FSD， 你是丰田你会选择 FSD。 不会选择 。在他们看来这个特斯拉是一个值得尊敬的对手 ， 除非它实在没有方案可用 。
如果它有方案可用的情况下， 它都不会选择 FSD。
端到端29:02
那这个正好就到我们下一个问题了 。其实就是你们现在的技术进化的一些问题 。 因为现在大家的这个整个行业的转向的路线都是什么 BEV、Transformer、 大模型 、 端到端这些 ， 对吧 ？
对 。
我想请你总结一下， 就是你们现在最新的这个高阶方案 ， 它是一个什么样的组合 ？
其实如果用关键词的话 ， 就是你刚才说的这个关键词 。 但这个关键词的话 ， 它的范围太广了 。
这就有点像 12 年的时候说 ， 哦 ， 这个好的人工智能的话都是 deep learning。 但 deep learning 是一个非常广泛的一个概念 。
这个 deep learning 下面的话有很多的可能的创新 。 这个模型结构的创新 ， 然后呢 ，loss function 的创新 ， 然后数据闭环的创新 ，有很多这个创新在里面 。
同样的就是这个 BEV、Transformer。 BEV 实际上是一个呈现形式 。
对 ， 就是一个表现图的形式 。
对对对 。 Transformer 的话是一个模型结构 。 你在这个 BEV 和 Transformer 上， 你可以搭建出来非常不一样的东西 。 而端到端大模型这个东西呢 ，其实只要你是一个深度学习的模型 ， 它就是端到端 。
端到端这件事情它本身不难 ，但是呢 ， 你要端到端取得一个非常好的结果 ， 这件事情的话其实是难的 。
就这个方向是对的 ，但是这个方向下的话可能有一万条路径 。 这一万条路径里面可能只有十条是真正 work 的路径 ， 剩下九千多条的话那都不 work， 都有很大的问题 。
你可以讲讲你们内部探索这个东西的过程吗 ？ 因为你应该是比较早就在说 one model， 就是关注到端到端这个趋势的 。
对对对 。
但实际上你们开始比较集中的做这个 ， 应该还是可能去年夏天 、 去年年中的时候吧 ？
其实我们做这件事情时间是比较早的 ，但那是有一个过程 。 就是真正的自动驾驶你要做到端到端的话 ， 就感知的部分是相对成熟的 。
但行业里面好的公司的话大概都知道怎么做 。
你说到什么时间点行业里都知道感知端到端怎么做 ？
我觉得这个很早啊 。 就你 20 年、21 年的时候 ，其实这个就很清楚了 ， 相对比较成熟 。 当然感知也有一些特别难的长尾的问题 ，不一定能解决 。
但是的话就是对于头部的 、 腰部的这些问题的话 ， 就用感知的端到端怎么去解决这些问题 ， 怎么做出来一个好的结果 。
就是行业里面好的公司的话应该很清楚知道怎么做 。
感知的端到端输入的是你感知到的这个环境 ， 输出的是什么 ？
输出的就是感知的结果 。
感知结果 ， 然后再输给控制系统的 。
对 。 但是呢 ， 难的是说这个规控 ， 就这个 planning。 Planning 的话怎么用 deep learning 来做 ， 怎么用一个端到端的模型来做 。
就这件事情的话甚至有一段时间是有争议的 。 就是这件事情是不是适合拿深度学习来做 。 行业里面都有很多的声音 ， 甚至我有听到特别极端的 ， 就说如果你在这个行业里面讲你用 deep learning 来做 planning， 那你这一定是一个骗子公司 。
这个我记得 。
就基本上是 21 年、22 年都有听到这样一个声音 。
当时大家反对用 deep learning 来做 planning 的主要原因是什么 ？
我觉得其中一个原因的话就是可解释性不是那么强 。
就觉得不安全 ？
就可解释性不强和不安全这两件事情本来是两件事情 ，但是行业里面有的人会把这两件事情关联在一起 ， 觉得这个东西不可解释就不安全 。
但我们的话其实在 20 年的时候就已经用 deep learning 在做 planning。
但那是个尝试的状态是吧 ？
那是相当于探索吧 ， 预言的一个状态 。 等到我们做到 22 年的时候 ，其实 22 年的时候就已经做到一个比较好的状态了 。
那当时其实我们在 22 年的时候做了一个比较重大的决策 ， 就是我们在 23 年的时候要量产高速的 NOA。
高速的 NOA 的话 ， 到底我是上 deep learning 的 planning， 还是上传统的 planning。其实我们两套东西都有 。 当时在 22 年的时候 ， 两套东西都还不错 ，但是呢 ， 各有特点 。
传统的那套 planning 的话可能确定性比较高 ，但是呢 ， 天花板不高 。 而这个 deep learning 的 planning 的话 ， 你明显能看到有一些场景会有一些令人惊艳的行为 ，但是还有一些问题我们还不知道怎么来解决 。
就是 deep learning planning 它的优点就是上限低 ， 它的缺点就是下限低 。 然后呢 ， 传统的话就是上限低 ， 下限相对高 。
所以你可以认为就说传统的 planning 的话 ， 它在很窄的一个区间里面 。 而 deep learning planning 它在很宽的一个区间里面 。 很宽的区间意味着什么呢 ？
意味着机会 ，也意味着风险 ， 对吧 ？ 所以我们当时 22 年的时候其实遇到一个很艰难的一个挑战 。 22 年初的时候 。
年初的时候 。
那时候上海还没有分成呢 。 应该是 22 年初 ， 或者是 21 年底 。 那时候我记得还是冬天的时候 。 那时候我们做决策到底是量产的时候 ， 就也就是说一年之后， 我们到底要上 deep learning planning 还是要上这个传统的这个 planning。
最后的话还是决定要上这个 deep learning planning。其实这是一个比较大风险的一个决策 。 因为这个 deep learning planning 的话 ， 它的上限高 ， 这个大家都是知道的 。
但是呢 ， 它的下限低 ，以及它比较低的下限怎么来解决这些问题 ， 那时候没有人知道答案 。 也就是说我们需要在一年的时间内要把这些下限低的问题全部都解决掉 ， 找到这个解决方案 。其实还是一个比较冒险的决策 。
21 年特斯拉开那个 AI Day 的那些成果 ， 哪些你觉得是对你们寻找这个答案是有用 ， 或者对你做决策是有一定的帮助的 ？
还是说其实没啥用 ，不像大家认为的那么有用 ？
其实我们借鉴的不多 ， 尤其是对于我们做这个 deep learning planning 来说 ， 这个基本上没有 。 因为特斯拉它的 FSD 在 V11 的时候都是传统的 planning， 只有它在 V12 就是今年上半年的时候 ， 它才做到了 deep learning planning，而且是 deep learning planning 跟 Perception 合在一起 。
对 ， 它 21 年的那一次应该主要还是说的是感知的一些进展 。
主要说的是感知的一些进展 。
就那天其实你们之前也自己基本上也做了 。
对 。
那你为什么当时敢做这个判断啊 ？ 你怎么知道未来一年可以解决 ？
其实我们不是百分百的确定说我们能够解决 ，但我们相信这是正确的方向 。
那你做了 plan B 吗 ？
也不能说没有 plan B，是有 plan B 的 。 但后来的话就是 deep learning planning 的这些问题我们基本上都解决了 。
所以你当时的决策完整的时候就是你们要全力的去推到时候上的 23 年的这个高速 NOA 是这个 deep learning 的 planning。
嗯 。
但同时规控那个你们肯定也是在做的 。
对 ，在做 。 但是呢 ， 投入的资源的话相对就会减少 。
这个比例是多少啊 ？ 投入资源的比例你现在还记得吗 ？
其实是一半一半 。 然后现在的话可能这个在 deep learning planning 上投入的资源会多很多 。 但在当时的话应该是一半一半 。
所以当时投一半已经算是你觉得是风险比较大的选择了 ， 对吧 ？ 就风险小的选择其实应该做那个规则的方法的去做 。
对 。 我觉得即使投一半了 ， 放在当时那个行业的大背景下， 我觉得已经是一个不错的一个投入 。
当时行业的大背景就是对这个事有争议 ，但不是特别相信 。
对 。 有非常大的争议 。
那你这个事你怎么说服客户的 ？
这个很难说服客户 。 就是这个东西的话你一定要让客户看到效果 ， 看到效果并且还得有保底方案 ，而且还得上到一定的量 ， 客户才会接受 。
因为这个东西实在太新了 ，在那个时候 。 就基本上你靠讲 PPT，不管谁去讲都是没用的 。 你只能是一个阶段一个阶段证明 ，并且每个阶段在证明的时候都得有 backup 的方案来保底才可以 。
所以这是个还挺复杂的研发和项目管理的过程 。
对 ， 包括的是一个沟通的过程 。 但这件事情到了 23 年， 因为我们 22 年就跟客户沟通这个东西 ，并且不断的去证明我们讲的这些东西是可兑现的 。
22 年到 23 年， 然后逐渐的建立起信任之后 ，并且让客户也感受到这个东西就是确实天花板更高 ，而且下限低的问题的话我们也能解决 。
等到 23 年底的时候 ， 那时候就是我们就把这个 deep learning planning 和 deep learning Perception 合在一起变成一个端到端的模型 。
那时候的话其实也是一个非常大的一个架构的升级 。 这个非常大的架构升级的话 ， 客户比我们更积极 。
所以客户就觉得哇 ， 你们这个创新非常好 。 你们这个创新的话是代表着未来的趋势 ，而且这个创新未来有很高的一个天花板 。
虽然当下也有一些下限低的问题 ，但经过过去两年， 从 22 年到 23 年的合作的证明 ， 客户对我们的这个信任度就高非常多 。
你们是中国最早或者说全球最早一批用深度学习来做规控的公司吗 ？
我觉得这个肯定是 。
你们比华为也早是吗 ？
华为早 ，而且我们量产时间也早 。 我们是 23 年的时候就已经量产了这个 deep learning planning。
那会儿就是在高速 NOA 上量产的 。
对 。
你之前其实说过你们实现端到端的方式和特斯拉不一样吧 ？ 你刚才也说可能一万条路里面只有十条路是 work 的 。
你可以简单说一下就你们的这个方式是什么地方不一样吗 ？
我觉得这个东西很难讲 。 原因是啥呢 ？ 就是每家实现端到端的方案都不太一样 。 我其实很难知道说其他家 。
我可以分享一下我们的思路 。 我们的思路的话就是说这个实现端到端的话 ， 这件事情本身不难 。
因为深度学习模型它本来就是一个端到端的模型 。 对 ， 你把这个 planning 的模型和感知的模型串成一个端到端的模型 ， 这件事情也很容易 。
就有点像这个用乐高拼了一个感知模型 ， 又用乐高拼了一个这个 planning 的模型 。 然后中间一对接 ， 它就变成一个端到端模型 。
这件事情本身不难 。 难的话是怎么把它的上限拉得很高 ， 怎么把它的下限的问题全部都解决掉 。
所以的话我们觉得就是说既然感知是相对成熟的 ， 那不成熟的是 deep learning planning。 那我们就先把这个 deep learning planning 该迭代的东西迭代清楚 。
比如说这个模型的结构怎么来设计 ，loss function 怎么来设计 ， 还有数据产线怎么来搭建 ， 然后呢 ， 怎么清洗出来好的数据 。
以及这套方案的话怎么来评测 。 这样的话我们知道说它确实带来了这个好的效果 。 尤其在这个每周仿真 ， 比如说几千万公里 ， 能够评测出来一个这个靠谱的这个结果 。
下限低的问题的话 ，其实解决方案的话并没有那么复杂 。 但是呢 ， 它是一个体系性的工作 。 就是首先用到了我们那个 function scenario tree。
我们首先把这个场景从十几个到几十个再到几百个 ， 然后做细分 。 细分完之后的话 ， 我们有非常 solid 的评测 。
有了这些非常 solid 的评测之后的话 ， 我们就知道说哪些场景是 OK 的 ， 哪些场景的话可能会偶发的出现意料之外的问题 。
就是下限低的问题 。 这样的话就首先是准确的识别问题在哪 ，有地方是 。 第二个的话就是识别出来问题在哪的话 ， 那就去分析说到底是算法的问题还是数据的问题 。
那算法的问题的话 ， 我们可能改模型的结构 ， 可能改这个算法的 loss function。 然后再去做实验 ， 然后去检验这个问题有没有解决 。
如果是数据的问题的话 ， 那我们就去看说哦 ，是不是因为引入了一些这个不好的驾驶行为 。 因为人开车的话 ，有的行为是不好的 ，有的行为其实是很差的 。
但对于模型来说的话 ， 只要你把这个数据喂进去 ， 它很难区分哪些是好的哪些是坏的 。 所以的话 ，有时候下限低的问题是因为这个模型它学习的能力太强了 。
它绝大部分会学到好的行为 ，但有时候也会学到坏的行为 。 然后呢 ， 就突然偶发的会使用坏的驾驶行为去开车 。
那这个解决方式是你要更高质量的数据是吧 ？
就更高质量的数据 。 然后那这样的话就构建一整套的数据的产线 。 然后怎么去造这个好的数据 ， 怎么去挖掘好的数据 ， 怎么去清洗出来好的数据 ， 对吧 ？
我们有一整套的造挖起的数据的产线 。
你说这些流程现在都是自动化或者半自动化的吗 ？
对 ， 对 。 就你会发现这几件事情 ，不管是说你做 deep learning planning 还是你做这个端到端 ， 都是需要解决的问题 。
而且这些问题解决之后的话 ， 它的答案是相同的或者相似的 。 那这时候的话 ， 我们的研发方式的话就是先聚焦这个 deep learning planning， 把这个 deep learning planning 的问题解决好 。
解决好之后的话 ， 我们的实验观察就是 ， 当你把这些问题解决好之后， 你把这个 deep learning planning 和这个 deep learning 的 Perception 结合在一起之后， 这些已经被验证过的这个成功的方法 ， 基本上都是可以继承的 。
同时的话 ， 打通了端到端之后的话 ， 原来的收益还会被进一步的放大 。 这是我们研发过程中的一些经验和经验 。
试错文化40:49
你们怎么保证一些小的技术判断会持续正确啊 ？ 因为这个过程中也有很多很多技术选择 。
这个很难保证持续正确 。
或者提高它正确的概率吧 。
对对对 。 就是我们公司有个文化叫做低成本短周期试错 。
低成本短周期试错 。
对 。 就是你在做决策或者做探索之前的话 ， 先要搞清楚说你要探索的这个东西的最核心的内容 ， 最核心的假设是什么 。
完了之后的话 ， 把这个最核心的假设抽取出来 ， 然后去检验 。 那这样的话 ， 周期就会短 ， 成本就会低 。
就拿刚才的端到端来举例 。 如果我们一上来就做这个端到端 ， 很有可能的话 ， 这个试错成本就是高的 。
因为训练一个大模型的话 ， 可能需要百万美金的这样一个投入 ， 训练周期也非常长 。 这样的话 ， 你在有限的时间和有限的资金情况下， 你能够探索的可能性就会少很多 。
这样的话 ， 整体失败的概率就会变大 。 但我们的做法的话就是说 ， 这个端到端里面其实最不成熟的 ， 最需要探索的实际上是 deep learning planning。
那我就优先去探索 deep learning planning。 而 deep learning planning 的话 ， 它训练这个模型的成本可能不是百万美金 ， 可能是一万美金 。
它训练的周期不是一个月 ， 它训练的周期可能是一天可以训练完 。 所以的话 ， 你就把最需要检验的部分抽象出来 。
而且你得搞清楚你的核心假设跟还有你的检验的方法 。 得到这个结论的话 ，是不是能够从 deep learning planning 能不能迁移到这个大模型 。
不需要百分百能迁移 ，80% 能迁移的话也可以大幅降低你的试错成本 。 通过这样的方式的话去探索 。 就我们公司的文化其实就两个 。
一条是以客户价值为中心 ， 另外一个就是低成本短周期检验 。 我们觉得对于硬科技的科技探索来说的话 ， 这条文化其实是非常重要的 。
你说这是两个文化是吗 ？
对 ， 两个文化 。
我看你们那个走廊上贴的这个微星和愿力 ， 这个是什么 ？
哦 ， 这个愿力的第一条就是以客户价值为中心 。 微星的第一条是低成本短周期检验 。 你会发现就是微星它是感性的东西 ，而低成本短周期检验它是一个理性的东西 。
对 ， 为什么这是微星的第一条 ？
你会发现就是说很多人的话 ， 你要是不停的启发他 、 引导他 ，他是能够想到说哦 ， 我这件事情一定要低成本短周期检验 ，以及怎么做 ，他是能想到的 。
但很多时候他不去朝着这个方向想的话 ，是因为他微星不够 。
你怎么解释微星 ？
其实就是危机感 。 就比如说你就只有这么多的时间 ， 这么多的钱 ， 然后呢 ， 时间花完了 ， 然后钱花完了 ， 这件事情就彻底失败了 。
如果你始终有这个危机感在的话 ， 你就会想说这件事情 ， 那我有一个想法 。 你 by default 会认为我的这个想法是 promising，但另外一方面的话 ， 这个想法有很多的假设 。
这个假设听起来逻辑很对 ，但是呢 ， 听起来很对的逻辑的话 ， 我是没有检验过的 。 任何一个没有被检验过的这个逻辑 ， 如果我贸然去做 ， 很有可能我这些钱和这些时间就全没了 ， 机会就没了 。
所以的话 ， 就是这种危机感会让人变得更谦虚和更开放 。 会更好的识别出来你脑子里面的想法和这个想法要转化出来的那个行动有哪些是重要的核心假设 。
这些核心的假设的话 ， 我怎么去检验 。 检验的方法有很多啊 ， 你我可以去找这个有经验的人去交流 。
这也是一种检验的方法 。 也可以去设计一个最小原型的实验 ， 自己做实验去试 ， 对吧 ？ 就比如说我咨询了三五个人， 都是很有经验 、 很对的人。
但是不同人的反馈和观点不一样的情况下， 我只能自己想马过河去做 。 但我做的话 ， 一定要把它的最小原型抽象出来 ， 最低成本 、 最短周期的去做 。
这样的话 ， 我成功的概率就会变大 。
现在哪部分的技术决策是需要 ， 比如说联创或者核心高管你们来想的 ， 然后从上往下的哪些是大家推荐 ？
其实现在的话 ， 像我们大的一些架构的升级 ， 我们都会参与 。 但更多的我觉得我们起到的作用啊 ， 就是多提问题 ， 多把大家的注意力 、 精力牵引到一些重要的问题上， 然后去讨论 ， 去做实验 ， 然后呢 ， 逐渐的牵引大家形成共识 。
就我觉得公司的这个技术的高管 ， 包括我在内哈 ， 最重要的一件事情就是对于正确的方向要有持续的坚持 。
但在正确的方向下， 什么样的方案是最优的 ， 一定要让团队去通过讨论 、 通过实验 ， 然后逐渐的形成共识 。
你可以补充一下最近一年半的大的这种正确的方向吗 ？
我举个例子 ， 就比如说我们做量产的时候 ， 实际上我们有三大法宝 ， 就是 Momenta Framework、Momenta Adapter， 还有 Momenta Box。 然后呢 ，在量产的过程中的话 ， 极大的提高了量产的质量和效率 。
这些事情的话 ， 一开始大家去做一个量产项目的时候 ，他没有想到说哦 ， 我需要构建一套体系 ， 然后呢 ， 未来多个客户 、 多个车系 、 多个车型 ， 然后去做 。
这时候的话 ， 你就需要 top down 的跟他说 ， 你不光要解决这个问题 ， 你还得通过一些工具和一些体系来解决这个问题 。
如果这些东西没有解决的话 ， 这个是不行的 。 就是解决了问题是不够的 ， 你还要通过建体系来解决问题 。
这是一个 。 另外一个的话 ， 就比如说我们的做算法的时候 ， 或者说我们做产品的时候 ， 要求是一条主线 。在一线的同学经常会遇到短期的压力 ， 来自于客户的压力 ， 来自于交付的压力 ， 来自于解决问题的压力 。
有很多短期的压力在 。 那短期的压力就会很容易造成短期的行为 。 短期的行为的话就是说 ， 我解决这个问题的方法可能有十种 ，其中只有一种是主线的 。
什么叫主线呢 ？ 就是能够在我们这个主线产品上持续的积累 。 而其他的方法的话 ， 它可能工作量会更小 ，但是呢 ， 它不可积累 。
那面对短期压力的时候 ，有的这个一线的同学 ，他就会有短期的行为 ，他就会选择另外一条支线 。
这条支线的话 ， 短期内可能解决问题的难度会更低 ， 花的精力啊 、 资源也会更少 。他可能就先上了 。
逐渐的就是带来的问题是什么 ？ 它会带来说这个你在不同的客户 、 不同的车型上会有多条支线 。
只要你这个支线一旦开出来了 ， 你就需要持续的开发和维护 ， 资源和力量就分散了 。 分散的力量的话 ， 没办法在一条共同主线上去积累的话 ， 你会发现大家就会陷入消耗战 。
什么叫消耗战呢 ？ 所有的精力都已经不在提升主线了 ， 所有的精力在维护支线 。 说通俗点就是 ， 每条支线都在救火 ，但是每条支线都做不好 。
做不好又要救火 ， 就恶性循环 。 这个团队就非常崩溃 。 你去复盘说为什么这个团队当前的状态这么崩溃呢 ？
不是因为不够勤奋 ，不是因为不够聪明 ， 就是因为当时在支线和主线选择的时候 ， 选择了一条短期更容易的支线 ，而没有坚持长期天花板更高 、 可积累的主线 。
那在这种情况下的话 ，其实就需要 top down 的在方向上去做牵引 。
你刚说那个 Framework、Adapter 和 Box， 如果简单来说 ， 这三个是什么 ？ 都是三个什么东西了 ？
Framework 呢 ， 它就是保证说我们的软件算法能够一条主线适配到不同的客户 、 不同的车型 、 不同的传感器 、 不同的芯片平台 。
这是一套软件算法的架构 。
OK。 而且平时一线的人可以用这个 Framework 去看你这个东西是不是在主线上是吗 ？ 可以吗 ？
可以 。 这个东西的话其实不太容易 。 这个东西要经过好几代的架构升级和迭代 ， 才有可能做到说这个不同的车型 、 不同的传感器 、 不同的芯片 ， 它是一套框架 。
这个是 Momenta Framework。 另外的话就是 Momenta Adapter 的话是说 ， 我有了这样一条主线 ， 那我来一个车型 ， 它的传感器 、 这个芯片 、 车型都不一样 ， 那我需要适配 ， 对吧 ？
这个适配实际上是我们一套标准化 、 流程化 、 自动化的一套流程 。 我们这个 Adapter 的话 ， 既包含了这个流程 ， 又包含了使得这个流程自动化的工具 。
就是我们发现适配这件事情交给人去做 ， 第一个的话就是效率比较低 ， 第二个的话是质量也没法保证 。
而且对于大家的这个职业成长也不太好 。 就天天去做适配嘛 ， 大家觉得技术含量也不是特别高的 。
所以的话 ， 我们的同学呢 ， 更多的不是去做适配的工作 ，而是去开发这个 Adapter， 把它当成一个法宝来做 ， 然后能够把这个标准化 、 流程化的这个东西给构建起来 ，并且用工具能够自动化去做 。
这样的话 ， 人就不需要去做人要干的事情 ， 只是说这个工具做完之后的话 ，他去看一下报告 ， 看看报告出来这个结果的话是不是跟自己的预期一致 。
如果预期一致的话 ， 就往下走 。
第三个 Box 是 ？
Box 的话 ， 它是一个硬件 ， 我们把它叫做 Hardware Development Kit， 就是硬件开发套件 。 因为在量产过程中的话 ， 你会发现就是软件是基于硬件的 ，但你会发现在量产过程中的话 ， 这个整个硬件的底座是非常不稳定的 。
因为整车在量产开发过程中， 它有非常多的零件 ， 非常多的关联件 。 而且在开发过程中， 今天这个零件有问题 ， 明天那个零件有问题 。
这个零件今天是 A 样 ， 然后过了一段时间是 B 样 ，但是呢 ，B 样不一定比 A 样更好 。 理论上是这样 ，B 样会比 A 样更好 ，但是的话 ，有可能这一部分变好了 ， 另外一部分变坏了 。
B 样要是客户提供的 ， 对吧 ？
是客户管理的 ， 然后呢 ，有其他的供应商 ， 比如说这个传感器的供应商啊 、ADCU 的供应商啊 ， 然后他们来提供 。
就这些东西的话 ， 质量是非常不可靠的 。 那我们的话 ， 首先是用这个 Box， 然后呢 ， 可以把整车的所有的数据全部都收集过来 。
收集过来之后的话 ， 我们有一个工具叫 Vehicle Verification Platform， 它能够自动的对车辆当前状态做体检 ， 知道说哪些关联件的状态是 ready 的 ， 哪些关联件的状态是不 ready 的 。
不 ready 的话 ， 为什么不 ready？ 能够生成一个报告之后的话 ， 给到我们的关联方 ， 让他们去改进 。 那当它的这个关联件没有改好的情况下， 怎么办呢 ？
如果卡壳了的话 ， 那基本上就是整个的开发项目始终是处在一个卡壳状态 。 所以的话 ， 我们这个 Box 的话是只要有任何一个关联件坏掉 ， 我们就用 Box 向我们已经验证成熟的那个关联件去替换 。
然后呢 ， 先去开发 ， 保证我们的整个开发进度是始终并行往前走的 。 如果这个关联件对应的供应商说这个问题解决了 ， 就不是说他说解决 ， 我们就认为解决了 。
我们实际上是有一套验证方案的 。 这个验证方案给到他 ，他用我们的验证方案验证完了 ， 说确实没问题 。
我们再自己验证一遍 ， 再把它这个新的解决之后的关联件再接进来 。 接进来之后呢 ， 再去开发 。
整车开发过程中的话 ， 这个关联件有几千个 。 你想想 ， 就是如果没有这个 Box， 任何一个关联件出问题 ， 基本上就是每天至少有 10% 的关联件是有问题的 。
你们这套流程你是学的谁吗 ？
自己摸索出来的 。 这个东西我觉得这一块的话 ， 可能是我们对行业非常大的一个贡献 。
你们做这个花了多长时间 ， 才把三大法宝做得比较成熟 ？
三大法宝的概念提出来是 20 年， 但是呢 ，在 20 年之前已经做了一部分工作了 。 然后呢 ， 特别大的投入的话是 21、22、23 这三年 。
现在其实已经比较成熟了 。
对 。 你讲的这个其实也跟你们的组织的人的体验 ， 包括你说之前有些团队的人比较崩溃嘛 ，有关 。 下面就也想聊聊这个组织啊 。
就前不久有个比较好笑的事 ， 就在端午节的时候 ， 反正我在一个工程师的群里 ， 然后大家在讨论哪个智驾公司发粽子了 ， 就有一个人说首先排除 MMT 啊 。
组织管理51:20
你看 ， 实际上你们发了吗 ？
没有 ， 没有 。 这个感觉像外卖上的风格 。 就一上来发个帖子 ， 首先排除 Momenta。
你觉得外界对你们的这种组织文化啥误解啊 ？
没啥误解 。 就我觉得这属于大家喜欢的一个梗吧 。 你要是真的去看外卖投票 ， 说大家选哪些智驾公司 ， 现在的话其实 Momenta 投票很多时候都是第一名。
因为你们是行业里面少有的服务过这个批量制作的公司嘛 。
对 。
然后这个肯定是有一个过程的 。 之前肯定是大家比较疲于交付的这么一个状态 ， 然后到现在你觉得可能是一个流程比较规范 ， 然后有很多自动化的过程 。
你可以总结一下这大概是经历了哪几个主要的阶段吗 ？
三个阶段吧 。 第一个阶段的话就是自己的这个交付 ，其实蛮关键的 。 当时经历了非常大的负面 。
你说自己啊 ？
对 。 这个自己交付完的话 ， 像比亚迪的这个交付 ，是第二个阶段 。 就已经有量产经验了 ， 然后呢 ， 仍然有一些新的不一样的东西在里面 。
然后到了比亚迪的话 ， 就是有一些东西其实在自己上已经经历过了 。 但是呢 ， 你还会发现就换了一个新的客户 ， 换了一个新的车型 ， 还会遇到一些这个新的东西 。
那也会有一部分的 0 到 1 和一部分的 1 到 N 吧 。 但我们现在的话可能是第三个阶段 。 第三个阶段的话就基本上不管是新客户还是老客户 ， 就基本上都是 1 到 N 的阶段 。
都是 1 到 N。
对 。 0 到 1 的阶段占整个的交付的工作量的比例其实已经比较少了 。
你可以说一下就是这两个换顺序 ， 它的区别是什么吗 ？
换顺序最直观的就是交付需要的人更少了 ， 这个交付的周期更短了 ， 交付的质量也更高了 。
相比两三年前 ， 交付人能少多少 ？ 少多少比例啊 ？
少非常多 。 就比如说 0 到 1 自己的那个交付的话 ， 大概是 400 多人吧 ，400 多人用了一年半的时间 。
一年半的时间 ，400 多人。 你说的你这个没有算研发的 。
就研发交付这个算在一起 。 再到第二个阶段的话 ， 可能就是几十个人， 大概大半年的时间吧 。 到现在的话 ， 可能几个人半年的时间 。
你现在最大的精力会花在哪啊 ？
我觉得技术产品还是会花很多精力 。 因为我觉得这个东西最重要 ，因为它承载着用户价值 。 一个公司本质就是成为用户价值 ， 一定要把这个东西做好 。
而且现在我们的客户越来越多 ， 量产车型越来越多之后的话 ， 你会发现这件事情特别有杠杆效应 。
就你的产品做好了之后， 所有的客户都开心 。 如果产品有问题 ， 所有的客户都不开心 。
我看你之前发朋友圈发了一个 W 的原则 ， 就是讲的这个杠杆这个事啊 。
对对对 。其实我觉得这个东西特别重要 。 我记得我们公司很早的时候 ， 那时候这个读一本书 ，是那个 Andy Grove，是那个给经理人的第一课 。
其实那本书我绝大部分的内容都忘了 ，但是呢 ，有一个概念记下来 ， 就是管理杠杆 。 你一定要去做这有杠杆效应的事情 。
两件事情都能做好 ， 知道吧 ？ 这件事情的杠杆是 1， 那件事情的杠杆是 100， 那就聚焦做那个杠杆是 100 的事情 。
你觉得现在最大的杠杆就是技术和产品 ， 对吧 ？
对 。
那如果在组织上的杠杆是什么 ？
组织的话是持续的去招聘更好的人， 然后持续的挖掘 。 去招聘进来的人的话 ， 持续去挖掘 promote 更好的人。
我觉得就是一个公司的文化的话 ， 最终体现就是谁上谁下， 谁做谁留嘛 。 对 。 主要是把好的人招进来 ， 好的人 promote 上来 。
这个组织一定就像炼钢一样 ， 锻造钢铁一样 ， 就越来越强 ， 越来越强 。
你觉得作为管理者 ， 最近一年半你比较大的进步是什么 ？
我觉得再回到刚才说的那个杠杆效应上， 更善于把大家牵引在有杠杆效应的事情上 。 不光是我自己在有杠杆效应的事情上花时间 ，而是说这个把最相关的人， 就是最了解情况 ， 然后承担最大责任的人的时间精力 ， 都牵引在杠杆效应的事情上 。
这个是靠什么呢 ？
就有很多的方法 。 就我举个例子 ， 就比如说我们内部有一个东西叫做落实三抓 。
落实三抓 。
我们就叫抓人事 、 抓对齐 、 抓进展 。 就是有一些套路嘛 ， 或者有一些方法 ， 这些方法是通过过往的一些成功经验总结出来的 。
就我们的观察就是说 ， 如果你希望这个组织对于重要的事情有关注度 ，不是说哦这件事情很重要大家关注就行了 。
第一个的话 ， 你要把这件事情叫什么名字 ， 取一个好名字 。 就有点像你做消费品一样 ， 你希望这个消费品卖得好 ， 你就需要有一个好名字 。
这样的话就大家更容易记住 ， 更容易理解 ， 这就更好的一个 marketing， 打入大家有限的心智嘛 。 这个抓人事的话 ， 第一个的话就是要把这个事情的定位定位好 。
完了之后呢 ， 这个名字能够很好的体现这件事情的定位 。 就一个关键词 ， 然后一说所有人都明白 。
所以我们在重要的事情上， 给这件事情第一一定要取名字 ， 第二个这个取名字的话是反复推敲的 ，不是很跑出来的取一个名字 。
抓对齐 。 抓对齐的话就是对齐这个事情的方向原则 ， 对齐这件事情的大致方案 ， 然后呢 ，以及每个人在这个大致方案里面的角色是什么 ， 责任是什么 ， 什么时间点 deliver 什么样的东西 。
抓进展 。 抓进展的话其实更多的就是说对于这个重要的事情大家要多沟通 。 那不是说好这个抓进展的话 ， 就是每周写一个周报 ， 然后去汇报这个进展 ，不是这样的 。
更多的是希望有一个 daily communication， 就每天都有一个交流 。 这个 daily communication 的话 ， 更重要的是说把大家的精力牵引到这件事情上 。
你会发现很多时候重要的事情不做 ， 或者是没有进展 ，不是说大家不知道这件事情重要 ，而是说重要的事情通常来说都很模糊 ， 大家不知道怎么干 。
你不知道怎么干 ， 我也不知道怎么干 。 然后呢 ，不知道怎么干呢 ， 自然就不干了 。 我去干我知道怎么干的事情 。
但实际上这个东西是错的 。 你就需要把大家时间牵引到重要的事情上 。 很多时候不知道怎么干的事情 ， 只要大家多分享信息 ， 多交流 ， 每天都在谈这个事情 ， 每天都在想这个事情 。
今天没想出来怎么干 ， 可能过了一周之后就想出来知道怎么干了 。 你要保证重要的事情在重要的这一群人身上需要有热度 。
这件事情很重要 。
这个总结很好 。 就是人身上有热度 。
对对对 。
就大家得想着这个事 。
对 。 天天念叨这个事 ， 天天想着这个事 ，不一定是说这个某一次开会这件事情就知道怎么干了 。
但是呢 ， 就是天天念叨这个事 ， 天天想这个事 ， 过一周过两周 ， 总会有这个好的想法出来 ， 总会有好的行动出来 。
因为我感觉你们公司有很多这种做法 ， 都是很有体系的 ， 包括它会总结成一些很朗朗上口的说法 。
你觉得这是从什么地方借鉴的管理的思维了 ？
就大家时间出来了 。 我还记得有一个歌词叫 " 你应该活得像一句广告 "。 我们发现很多管理实践都是这样的 ， 就是你一定要把这个管理实践搞得像一句广告 。
这样的话 ， 这个才会进入大家的心智 ， 然后呢 ， 大家才会真的记住 ， 真的去理解 ， 真的去实践 。
所以就是自己摸索的 。
就自己摸索的 。 我举个简单例子啊 ， 就是我们这个一个飞轮两条腿 ，其实这个概念在我们公司成立之前就有了 。
然后成立从 17 年、18 年， 其实也在朝这个方向去干 。 但是呢 ， 整体到了 18 年、09 年的时候 ， 我们的感受是什么呢 ？
就是这个东西都讲过好多遍了 ，也在朝这个方向干 。 但是呢 ， 你仔细 top down， 从上到下， 从左到右 ， 然后去问一遍 ， 去了解一下一线的实际上的执行的情况 。
你会发现只有 20% 的非常悟性很高的人 ，他跟着公司往这个方向在做 。 80% 的人还是一个混沌的状态 ，有的人往东走 ，有的人往西走 ，有的人往北走 ，有的人往南走 。
整个公司没有办法形成合力 。 我们就在 18 年底 、19 年初的时候 ， 就把公司的战略总结成一个飞轮两条腿 ，并且还要穿到身上 。
包括我们的这个三大法宝 ，其实我们从 21 年到 23 年就是穿在身上， 穿在 T 恤上 。
现在这个 T 恤上有吗 ？
现在没有了 。 现在我们改成另外一个了 ， 改成十年晚就摆上生命了 。 因为我们觉得这个三大法宝已经做得还可以了 ， 相对成熟 。
那我们现在有这么多的客户 ，有这么多的车型要量产 ， 我们最重要的是 deliver 我们的核心价值 。 就十年晚就摆完生命 ， 安全安心 ， 这个是我们的核心价值 。
所以这件事情的重要性就比三大法宝去更重要了 。 因为大家心智空间有限 ， 你不能既应三大法宝又应这个十年晚就摆完生命 。
所以呢 ，有取舍之后的话 ， 就改成十年晚就摆完生命 。
你们当时 17、18 年想到要去做这个调查 ， 就发现 20% 的人才是清楚的 。 就是因为觉得就是感到公司的这个想法可能没有对得很齐 ， 对吧 ？
对 。 你就感觉整个公司的效率就很低 。
因为我觉得像智驾这种公司其实挺难管理的 。 就这个组织其实很难打造 。 然后我就在想你这些东西你是怎么习得这些的 ？
大家一起讨论啊 。 就是我发现管理还有另外一个很好的 ， 就是从员工中来到员工中去 。 就是你会发现底层的很多的这个方法论都是相通的吧 。
对 。 那管理有一个很好的心得 ， 就是从员工中来到员工中去 。 很多好想法就算比如说是我想到的 ， 那其实不一定好推 。
反倒是来自于某一个这个标杆的一个管理层 ， 然后呢 ，也把它做成一个标杆 ， 从他身上学 ， 然后呢 ， 又把他身上好的一些东西推到其他人。
这个人有这个标杆 ， 那个人有那个标杆 ， 然后互相学习 ， 共同提高 。 这样的一个氛围的话反而更好 。
你现在看的比较多的 ， 就你的信息来源主要是什么 ？
就是我们公司的话还是比较讲究这个一线的 。 一般不太喜欢看二手的信息 。 我经常上车 ， 上车的时候就是跟一线的安全员交流啊 ， 跟一线的研发去交流啊 。
然后我们跟我开了很多的会 ，其实不是办公室开会 ，不太喜欢在办公室 。
对 ， 这个你之前说过 。 你觉得最好的决策范围就是这些人都是能在一个车上坐下的 。
对对对 。 然后呢 ， 这些人一起在车上开会嘛 。
对 。 你觉得人再多开会也开不出来什么 。
对 。 我觉得大会的话一般都是信息的同步会 ， 然后呢 ， 小会的话是一些分享信息啊 ， 探讨啊 ， 甚至是一些关键的决策 ， 可能就是小会嘛 。
你觉得你现在比之前更倾向冒险吗 ？ 还是这个偏好一直没有变过 ？
我觉得整体差不多 。 只不过现在的话 ， 可能地球门短周期检验的这个工具库更多了 。
所以你们可以试的方向更多 。
对对对 。 就是我可以把这个风险更好地控制 。 其实我们决定探索一个方向的话 ， 更多的是看这个方向的价值 。
至于说这个方向有多困难 ， 或者有多大的风险 ，也会考虑 ，但不是主要因素 。 但我们一旦定了这个方向 ， 我们通常决策的方向是说这个方向非常好 ， 然后呢 ， 价值很大 。
那我们就暂定这个方向 。 暂定这个方向之后的话 ， 很重要一件事情就是说这个方向下有什么问题 ，有什么坑 。
然后尽可能地把这些坑 、 把这些问题尽可能地找全了 。 找全了之后的话 ，因为大家已经有这样一个预期 ， 说这个方向已经暂定了嘛 。
我们不是要推翻这个方向 ， 我们是要找到这个方向下有什么问题 ， 然后去解决 。 所以大家心态是说 ， 我去找问题的过程中尽可能地找到问题 ，并且想到这个问题的解决方案 。
而对于方向的选择和判断来说的话 ， 一般是不看这个方向有多难 ， 或者这个方向有多大风险的 。
或者说这个因素不是主要因素 ， 就是这个方向是不是价值足够大 。
所以它不是一个冒险偏好的问题 ，而是你怎么去选择 。 你刚说那个逻辑 ， 我觉得是价值的逻辑 。
就你觉得你们成为最后的头部玩家 ， 达到这个目标有什么风险 ？
我觉得要做的事情还是超越这个智驾的摩尔定律 。 然后要解决的风险的话 ， 比如说你要超越智驾的摩尔定律 ， 那你肯定要全球化 。
要全球化的话 ， 你要解决的是地缘政治的风险 。 但这个风险的话 ， 就是任何一个有雄心的中国公司 ， 然后要国际化的话都会遇到 。
好在的话有 TikTok，有 Temu， 然后他们已经做成功了 ，有一些是可以参考的 。 我觉得这是一个很重要的要解决的问题 。
而且不光是我们要解决 ， 我觉得中国好的公司都要解决 。 而且最好能够提供一些好的样例 。 因为中国最终的崛起 ， 一定是中国的这个产业的崛起 。
这个产业的崛起不是在中国 。
对 ，不是在中国市场 。
对 。 它可以全球市场 。 你去看日本的崛起 ， 你去看韩国的崛起 ， 包括德国的崛起 ， 包括美国的崛起 。 它都是说至少有一部分的产业 ， 它是全球化的产业 。
然后全球的消费者都觉得德国的产品好 ， 都觉得日本的随身听好 ， 都觉得韩国的内存芯片好 ， 都觉得美国的 iPhone 好 。
正是因为他们崛起的产业卖到全球 ， 这个国家才崛起的 。 我觉得这是根本因素 。 所以中国要崛起的话 ， 一定要把中国好的产品卖向全球 。
本期访谈还没有结束 。 下面是我们在试车时的聊天 ，有更多对方案和体验的讨论 。 当天我们乘坐的是上汽智己的 LS6， 路线是北京六道口附近的一段城区道路 。
试乘体验1:03:35
现在我们做的这个就是你们 4 月车展的时候发的这个无图的车身 OA 的方案 ， 对吧 ？
对对对 。其实已经迭代了好多版了 。 就我们现在迭代的速度的话 ， 就基本上每个月都会有一个比较大的提升 。
这个和我 22 年底在苏州做的 ， 当时也是个开发车嘛 。 那个是有什么区别 ？
完全不一样 。
完全不一样 ？
完全不一样 。 就是那时候还是依赖高精地图的 ， 现在完全不需要高精地图 。 对 。 只需要导航地图就可以 。
那时候的架构的话还是老的架构 ， 现在的话是全新的一个架构 。 就这个车上的话已经用到端到端的大模型 。
我们今天这个路线会经过哪些地方啊 ？
就挑选了一些比较复杂的一些场景 。
OK。
就把这个公司附近的一些复杂场景串起来 。 这样的话在有限的时间可以体验到更多的场景 。 比如说刚才就是一个两轮车横穿 ，在北京的话非常常见 ，在上海还好一点 。
就现在这个方案 ， 它在体验上， 就是你说和一年多以前已经整个架构都完全不同了嘛 。
对 。
那它在体验上最大的区别是什么 ？ 比如说我一般的消费者坐在上面 ， 我能明显感受到的区别是什么 ？
其实第一个就是有路就能开 ，有导航就能开 。 所以你把这个车开到新疆去 ， 开到西藏去 ， 比如说我老家是一个六线城市 ， 开到庆阳小城镇也都可以 。
你去过了吗 ？ 你在甘肃也开过了 ？
还没有 。 打算今年过年的时候去开一下 。
我看你们从今年 7 月开始做 ， 就是有一个项目叫 " 用智驾丈量中国 "， 对吧 ？
对 。
你们应该已经是去了很多地方了 。
去了很多地方了 。 对 。 最近太忙了 ， 一直没找出来时间 。 我特别希望有机会开车去三条路线吧 。
一个是那个河西走廊 。 我老家的话虽然是个小城镇啊 ，但是历史还是蛮悠久的 。 就当年四川之路最早从西安出来 ， 就长安出来 ， 大概走个一两天或者两三天就能途经我老家 。
老家算是周文化的发源地 。
下上周的周 。
下上周的周 。 周文化的发源地 。 然后再到兰州 ， 兰州再到河西四郡 ， 武威 ， 武威 、 张掖 、 酒泉 、 敦煌 。
然后一路到新疆 。 这条路线是我特别希望有机会走一走的路线 。
但这个路线是不是反而对智驾来说不是很难 ？
你要是去了 ， 你就会发现还是有挑战的 。
有羊什么的 ， 牛什么的 。
这个也会有 。 比如如果你全程选择高速的话 ，因为中国的基建做得特别好 ， 全程如果都选择这个城际间的高速的话 ， 应该挑战不大 。
但如果你选择的是城市的道路 ， 城市的道路 ， 那其实还是蛮复杂的 。 就经常有逆行的车 、 逆行的人， 然后道路也不像经济发达地区的这个道路质量那么好 。
这是一条路线 。 然后另外一条路线的话 ，其实我原来上大学的时候一直想走两条路线 ，但一直没走 。
就骑车走的 ， 一个是川藏线 ， 另外一个是新藏线 。 这两条路线的话没走过 。 就是有机会的话我也特别希望走一走 。
你已经跑过的这些地方 ， 就是带着你们现在这个新的方案跑过的地方 ，有什么你印象比较深刻的场景吗 ？
我记得有一次是我去合肥 ， 当时就故意没有选择高速 ， 就走的都是一些乡间的小路或者山路 。 当时就觉得那个山非常漂亮 ， 然后呢 ， 那个山路又非常崎岖 ， 就感觉开着智驾 ， 然后呢 ， 又可以看这个山间的这个风景 ， 就特别享受 。
就感觉这个智驾给用户带来的其中一个价值 ， 就可以解放双眼去享受旅途中的风景 。
你们当时在那段山路上实际上是没有接管的是吗 ？
没有接管 。 其实我还遇到另外一个特别有意思的场景 。 我记得当时好像是清明节前后吧 。 特别有意思的是什么呢 ？
是刚好我途经一个小镇的小路 ， 刚好有人就在路边去烧那个纸钱 。 我当时老早就看到那个烧纸钱了 ，因为就在路上 ，而且占了半个车道 。
占了半个车道 ， 我就跟人家说这个大概率要接管 。 如果不行的话你就接管 ， 咱们过去 。 结果那辆车开到那个火堆附近 ， 它就开始避让绕行 。
当时我非常惊讶 。 我就让司机说你先别走 ， 你接管咱们再开回去 。 开回去之后再试一下 。 试完之后的话 ， 每次它都会绕行 。
当时我还专门拍了好几段视频 ， 跟我们的研发同学 ， 就我们端到端大模型的研发是夏言在负责嘛 。
我记得专门发给他 。 我说这个大模型的能力真的是有时候会超出我的预期 ， 或者超出大家想象 。
对 。 就是把你都惊到了 ，是吧 ？
惊到了 。 就是因为这个功能的话是我们从来没有设计过的 。 我们没有专门的验证工作 ，也没有专门的设计 。
这叫什么功能啊 ？ 这不就是绕行障碍物吗 ？
就是清明烧纸的那个火堆 ，在我们的感知模型里面是从来没有被定义过的 。
就是如果在这个端到端的技术路线下， 你还要需要定义这么细吗 ？
这是非常好的一个问题 。 实际上如果你要做到非常好的一个体验 ，有可能这些长尾的物体你还是需要定义 ， 然后去评测 ， 然后去优化的 。
就我们内部有一个说法叫做 "You cannot optimize undefined target"。 如果这个目标是未被定义的话 ， 你很难去优化它 。 但是呢 ， 就说大模型它的优点在哪呢 ？
它经常会给你一些 good surprise。 就你没有定义过它 ， 你也没有优化过它 ，但是呢 ， 它已经具备了还不错的能力了 。
就比如说绕清明的烧纸钱的这个火堆 ， 肯定是我们没有定义过的 。 但它可能之前就已经学习了大量的数据 、 大量的人类的驾驶行为 。
它就学到了可能一个 general 的一个 concept， 就是说当我识别路面有异常情况的时候 ， 虽然我不知道这个情况到底是什么 ，但我应该避让 。
以及我避让的动作大概是什么样子 。 已经从过往的这个数据中学到了这样的经验和知识了 。
你们现在这个方案还是有一颗激光雷达的 ， 对吧 ？
有一颗激光雷达 。
现在还是需要这个东西 ， 主要是就是比如说车企 ， 包括客户 ， 都是觉得这样更有安全容易吗 ？
就是不同的客户 、 不同的车型 、 不同的价位区间 ， 它有不同的选择 。 就我们对于有的客户的话 ， 提供的就是带激光雷达的方案 。
有的客户的话 ， 它倾向于不带激光雷达的方案 。 这个我们也是可以提供的 。
那你们不带激光雷达的方案 ，也可以做到有导航的地方就可以开吗 ？
对 。
也可以的 ？
对对对 。
也是城区可以实现 ？
对对对 。 这个跟有没有激光雷达是没有关系的 。
OK。 所以它更多还是提供了一个安全容易 。
激光雷达在有些场景还是会提供额外的价值 ， 比如说夜晚的情况 ， 还有进出隧道的情况 ， 还有道路上有一些异常障碍物 ， 比如说有箱子啊 ，有石头啊 ，有倒地的自行车啊 。
这些情况的话 ，有了激光雷达 ， 它都能有更好的一个识别和避让 。
我们现在这个地方算是复杂的一个城市路口吗 ？
复杂的应该在国贸 。 我昨天刚好在国贸那边陪客户一起上车体验 。 刚好是中午的 12 点 ，是下班的那个散点 。
一方面有特别多美团的网约车 ， 然后穿来穿去 ，而且非常快 。 另外一方面又有大量的中午吃饭的人在那个街道上走来走去 。
人流密度和车流密度非常大 。 就咱们在六道口的话 ， 这个算中等偏下吧 ， 我的感觉 。 从交通流来说 。
这里有挺多外卖小哥的 。
对 。
你们现在整体 ， 你们是会倾向于是比较激进的 ， 还是我的意思就是比如说它要并道 ， 或者要超车 ， 它是比较激进的方案还是怎样 ？
我的感觉整体的风格应该是中等吧 。
中等 ？
中等。 我的驾驶风格肯定比新手司机还是要越激进一点 。
刚刚聊得太嗨了 ， 我一直被打断 。
对 。
我是这边负责就晚点骑车视频的 。 这个您刚才不是说好的东西还是得靠产品说话吗 ？
对 。
技术也得靠产品说话 。 所以我们还是想让您在车上来聊聊 ， 就是整个目前我们的一个技术状态 ， 包括我们合作的这个车型啊 ， 智己 。
因为智己这个车我其实 21 年最早 ， 就是 L7 的那个 ， 还是很早的状态我就开过 。 刚刚您说有一个疑惑 ， 就是我们怎么去分辨它是无图方案或者有图的方案 。
就是因为很多之前理想说我们可不可以在这个地方 ， 就是用指令去让它锁管 ， 就是辨别它是不是用的无图的方案 。
我们有什么办法去 ？
其实这个东西不难 。 就比如说找辆车拉到北京的郊区 ， 然后找个小村子 ， 然后呢 ， 小村子刚好有一个村道 ， 这个村道上是有导航的 。
你就试试能不能进智驾 ， 然后能不能左拐右拐过路口 。 就可以了 。 这很容易的 。
那怎么分辨是不是上了端到端大模型呢 ？
这个比较难分辨 。 首先端到端大模型这个东西很容易做 ， 非常容易做 。 就是只要是一个深度学习的模型 ， 然后呢 ， 给它这个图像的输入 ， 给它这个轨迹的输出 ， 它就是一个端到端大模型了 。
但是呢 ， 绝大部分的端到端大模型的这个效果很差 。 如果你没做好的话 。 因为端到端大模型它是一个天花板非常高 ， 然后呢 ， 下限也很低的一个方向 。
真正做得好的话 ， 它一定是说就我能够拿到那个最高的天花板 ， 同时呢 ， 我能够把这个下限很低的问题都很好的解决 。
一定是都很好的解决 。 因为这个自动驾驶它对安全性 、 安心感的要求是非常高的 。 哪怕你解决了 99%， 剩下 1% 这个下限很低的问题没解决 ， 你这个产品没办法 release。
因为大多数情况都很好 ， 突然有一下这个车的行为非常诡异 ， 这一下子可能用户就不会用你的这个智驾产品了 。
你们现在是混合了规则是吗 ？
有 。 就我们端到端大模型输出之后的话 ， 我们还有一层叫 OBP， 就 optimization based planning。 然后呢 ， 我们这个端到端的模型会有多条轨迹的输出 ， 最终 OBP 的话会做轨迹的选择 ， 最终给出来一条最好的轨迹 。
其实对消费者来说 ， 它是不是端到端 ， 可能他们也不 care 了 。 就是最后你这个东西表现好 。
对对对 。 消费者最关心的就是体验嘛 ， 安全安心 。
现在我们做的这个是智己的 LS6。
其实我们现在具备的能力是有导航就能开的 。 但从那个释放的节奏来看的话 ，因为有的用户他对这个产品更熟 、 更有默契 ， 那可能就更早的把这个全国都能开的能力释放给他 。
有的用户的话可能对智驾没那么了解 ， 那就是逐步释放给他 。 他需要有一个这个交流 、 适应 、 建立起这个了解和信任的一个过程 。
我们现在是红灯是吧 ？
对 。
我们刚才是可以过吗 ？
刚刚黄灯越线了 ， 然后但是有个东西 ，有个电瓶车影响我们了 ， 我们就他他他过不去了 ， 那就过了 。
电瓶车过不去 。
刚才有一个美团小哥把我们的路线挡住之后 ，他其实已经过了那个停止线了 。 理论上他是可以过 ，但是因为那个横向车已经开始走了 。
刚才他思考了一下之后停下来 。
对对对 。
那如果是人类司机会开过去吗 ？ 你觉得 。
我的判断就是非常激进的人类司机有可能尝试 。 大多数的人类司机应该不会这样开的 。 因为它一旦变成黄灯 ， 然后呢 ，有车流 、 人流都已经跑起来了 ， 它很容易被卡到这个车流和人流中间 ， 就比较危险吧 。
就大多数的司机的话都是说如果我只是过线一点点 ， 然后呢 ，其他的这个人流车流都已经动起来了 ， 那我就先等等。
但是非常少数激进的司机有可能会尝试挑战一下 。
对 。 你们这个整体还是比较追求安全和舒适的这种感觉的 。
对 。 这点其实非常重要 。 就是用户他对安心感的这个需求是非常强的 。
从你们就是已经上车的这些方案之后， 你看到了哪些就是用户的实际使用行为让你觉得挺有意思的 ， 或者说想象不到的 ？
比如说上次狼先锋 ， 比如说他们开始搞这个千人大测试之后， 就有几个什么 TOP5、TOP10 的 99% 的里程都在用嘛 ，他们也觉得很奇怪啊 。
类似这种啊 。
其实还好 。 因为你跑来去的话 ， 总能排出来千分之一 ， 使用里程特别长 。
平均就比如说它整个开车的里程里面 ， 大概多少会用到这个 NOA 啊 ， 就城市加高速一起的话 。
这个比例还挺高的 。 就不同的客户不一样 。
OK。 反正就是如果你买了这个东西 ， 你用的概率还是挺大的 ， 对吧 ？
如果是我的话应该天天用 。
我也想问 ， 就是咱们怎么去判断 ， 就是哪些条件会决定它说有这种梯队级别的这种差距 。 比如哪些场景我们最能看得出它能力上的差距 。
我觉得这个对消费者也很有用啊 。 比如说我要去买车 ， 我试车对吧 ？
对 。
我应该让它带我去什么地方去试 ？
我觉得就是城市的场景你都不用区分 。 就是只要是正常的一个城市场景 ，不是那种特别简单的就路段 。
你就正常的城市场景你跑个一个小时， 就不需要说哪个场景谁比谁更好的 。
如果我们现在在那个车道的话 ， 绕那个 LightOn 是不是有的车就能跑 ，有的车不就跑了 ？
我感觉他想绕了 。
这边有车 。 我说那边 。 那边路上有这个 LightOn。
你说我们能不能绕去 ？
对 。
肯定可以啊 。
这是那么大的一个目标 。
绕行挺果断的 。
这个路还有点复杂 ，因为这两边的这车都停到路中间了 。
对 。 正常的城市道路跑一个小时就可以 。 就是第一梯队 、 第二梯队 、 第三梯队 ， 就是正常道路你跑一个小时就很明显 。
因为你年初的时候你说美国那边你去试乘了 FSD， 当然是那个时候的 FSD。
那个是 V11。
V11 的体验 。 还有包括 Waymo 嘛 。
是这样的 ， 就是那时候的 V11 的体验跟 Waymo 的体验差距还是巨大的 。
OK。
但是呢 ， 最近我们的团队去了硅谷 ， 试了最新的 V12 和 Waymo 的体验 ， 已经非常接近了 。 就进化很快 。
我们的判断就是特斯拉 FSD 在这半年的时间内进化了几十倍 。 到底是小几十倍还是大几十倍 ， 这个说不太准 。
但是呢 ， 肯定是超过 10 倍的体验提升 。 说实话 ， 我们当时试完 V11 的时候 ， 我们觉得 V11 不过如此 。
就我们的体验比 V11 的体验要更好 。 不光是我们啊 ， 就包括华为的体验也会比 V11 的体验更好 。 就觉得特斯拉的 FSD 不过如此 。
但是呢 ， 我们的团队最近去体验了它最新的 V12 的体验之后的话 ， 还是大为震撼 。
为什么就你们和华为的这个轨迹 ， 感觉可能是这样更平稳的进化的 ？ 为啥 FSD 突然这么的一下了 ？
我们的轨迹也是这样 。
也是这样啊 。
我觉得这个 FSD 的一个很重要的原因就是因为它的 FSD V12 其实在去年的时候就已经投入了非常大的资源在研发了 。
去年 Elon Musk 不是花了 20 亿美金买他的那个服务器嘛 。 所以我觉得它的 FSD 的话只是在做到比 V11 显著好之前的话没有释放 。
明白 。
一个是它的发布节奏上给你的感觉说有一个质的变化 ，有一个大的提升 。 另外一方面的话 ， 它发布之后它提升的速度也很快 。
但它提升的速度跟我们提升的速度可能差不太多 。 今年上半年可能都提升了差不多 10 倍 。
这个东西在发布之后和发布之前 ， 它的进化的贡献来源会不一样吗 ？
发布之后有更大的数据 。 就发布之前的话 ， 可能就是相对少的这个车辆搭载去收集数据或者去验证 。
至少验证的车辆的话 ， 一定是说发布之后的话这个车的数量会大很多 。
因为你刚才也说到就是去年马斯克花了 20 亿美元建这个云服务器 ， 包括你也说你们其实主要的成本也是人车云嘛 。
成本门槛1:18:34
对 。
你们的云是怎么解决的 ？
首先我们的云的话有自建 ， 然后也有第三方的云 。
你们有自建的云 ？
对 ，有自建的云 。 而且我们自建云的规模还挺大的 。
你们为什么选择自建啊 ？ 其实很多大模型公司都是不自建的 ，有部分吧 。
因为太烧钱了嘛 。 但是对于自动驾驶来说 ， 至少一部分自建是 make sense 的 。 因为云厂商的 assumption 是说你的这个用量是 。
弹性的 。
波动的吧 ， 弹性的 。 但对于自动驾驶来说 ， 这个用量是非常稳定 。 所以至少自建一部分算账是比较合理的 。
但即使如此的话 ， 我们能够建的这个云的投入跟特斯拉的这个云的投入还是远远大 。 因为我们是一个创业公司 ， 还是差量级的 。
所以我们在整个的算法架构上， 之前也有分享 ， 我们是一个短期记忆 ，有一个长期记忆 。 短期记忆先低成本短周期的去检验好的数据和好的方法 ， 完了之后再把这个好的数据和好的方法再给大模型去训练 。
这样的话 ， 我用 1/10 的成本 ， 甚至 1% 的成本 ， 我可以做到同样甚至更好的效果 。 这也是符合我们公司的那个低成本短周期检验的那个文化的 。
那你们处理数据的降低成本的方式是什么 ？
就一方面的话 ， 肯定是要加大投入的 。
对 ， 研发投入 。
我的判断 ， 我们在云上的投入的话 ， 可能在未来两年可能有 5 到 10 倍的增加吧 。 这不可避免的 。 就是你再聪明再想办法 ， 就我的数据量的话可能会增长 100 到 1000 倍 。
那我用聪明的方法去获得我的这个计算 ， 可能增加 5 到 10 倍就够了 。 这是有可能的 。 包括了我们训练的优化 、 仿真的优化 ，以及更聪明的方法 ， 提前去验证好的方法和好的数据 。
所以现在大家改来改到端到端 ，其实是进一步增加了智驾这个环节的成本 ， 对吧 ？
对 。
研发壁垒可以这么说吧 ？
是的 。
就你能玩得起这个的厂家就更少了 。
对 。
那它整个研发成本相比于之前那种说我不能部分比较依赖规则 ， 然后那种路线才能多多少 ？
我觉得越往后就成本越高 ， 门槛越高 。 就是定量的现在不太好说 ，但一定是越往后的话会成量级的提升 。
就我的判断啊 ， 就是未来如果头部的公司要做到 L4 的话 ，在云上的支出至少是需要花 10 亿美金的每年 。
如果这个 10 亿美金的最基础的这个门票都没有的话 ， 那可能就不要追了 。
本期节目就到这里 ， 欢迎收听 。 如果你对今天聊的话题 、 对智驾行业有观察 、 好奇或疑问 ， 欢迎在评论区分享你的想法 。
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 。
也欢迎你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》， 收听我们的节目 。
也欢迎关注我们的公众号 《 晚点 LatePost》。 下期再见
。