WAIC論壇紀實 | 智慧駕駛行業需要更多這樣的激辯！
机器智行發表於2021-07-16
將不同的觀點擺上檯面，面向公眾進行辯論，這在大大小小的開放式論壇中，實屬罕見。而近日，在由東浩蘭生及機器之心-Auto Byte聯合主辦的「WAIC智慧出行論壇」中，一場貨真價實的「圓桌討論」環節受到了廣泛關注。
這場圓桌嘉賓的參與者包括華為智慧車雲服務CTO喻傑、AutoX創始人及CEO 肖建雄、嬴徹科技CTO楊睿剛，以及的盧技術有限公司創始人兼CEO張英。在Auto Byte副總裁曹錦建議大家啟動「插嘴模式」、暢所欲言後，諸位嘉賓打破了傳統印象中「依次問答」的沉悶形式，對他人觀點大膽提出異議，並就自動駕駛路線、成本及商業化等層面問題進行了一場專業且激烈的辯論，氛圍熱烈，展現了新時代自動駕駛行業應有的學者精神。此舉引發了線上及線下媒體觀眾們的強烈反響以及一致好評，現場也響起了他們發自內心的掌聲。「從業多年，還真沒見過這樣有意思的論壇圓桌環節。」一位媒體人這樣評價道。未來，Auto Byte希望在相關活動中能夠延續這種學術精神，因為我們不僅需要更多地將現實問題擺在桌面探討，也深知只有這種執著和思想碰撞，才能促使行業走向新的高度。
右一為AutoX創始人兼CEO 肖建雄以下，為本次圓桌環節的完整影片及文字速記，供大家瞭解詳情：
主持人：身為媒體人，我希望開啟一種「插嘴」模式，大家暢所欲言，讓氛圍更隨性一些。今天我們要討論的主題其實比較宏大，不過可擴充性也比較高，那就是「我們距離高階無人駕駛的普及還有多遠」。開始討論這個議題之前，首先想請教一下喻總，我們知道資料就是自動駕駛的命脈，如果我們想實現全場景連線自動駕駛的話，我們需要跨越多高的障礙，才能實現未來的藍圖？喻傑：我想各位都有一些見解，這個問題恐怕沒有一個統一的答案，比如說「跑了多少英里就可以、積累多少資料就可以」。之前吳總介紹的時候也提了，比如說美國的一些智庫大概提出來，我們大概需要測試可能10億以上的英里數才能達到人類自動駕駛的水平。雖然這裡提出的是「全場景」，但在我們看來，恐怕還得分場景來看：像肖總這邊如果是做Robotaxi，可能需要的資料量更大、產品更復雜。如果像吳總說的我們做一個封閉園區，相對來說好一些，產品比較可控。不同公司應該有不同的想法，在我們得到的業界資料中，比如其中一家輔助駕駛公司，已經跑了很多英里數，資料約為幾十億。這就是各個行業的現狀，但並不代表是一個門檻或者是未來的發展趨勢。從另外一方面來看，對資料的訴求恐怕會是無止境的，我們並不認為到了一定階段就算是安全了。事實上對於消費者，對於2B的業主方，他們總是要持續提高效率。在此情況下，我們對於資料的積累追求是無止境的，要不斷提高自己的能力。這可能是一個持續的過程，對於資料本身來說，我們可能還要強調資料的有效性。如果是在封閉園區，不斷轉圈也可以積累很多里程，但是出去對於別的場景可能就是無效的。所以應當如何挖掘？可能需要行業裡的所有公司一起努力。但是對於我們來說，我們希望做一個工具鏈，無論對於自動駕駛也好還是主機廠也好，都能夠幫助大家加速這一程式。大家還是各有所長，或者對於自己的領域經驗的積累。我認為在自動駕駛領域，無論是算力、演算法，還是資料，可能演算法的積累方面目前是被大家忽視的，應該把這一塊的重要性提升起來。我們在座各位其實在自動駕駛領域有很多積累，他們可能對於這方面也有其他的認識。
華為智慧車雲服務CTO 喻傑
主持人：您說的資料、演算法、算力都非常重要。這讓我想起最近AutoX剛舉辦第五代系統釋出會，算力級別很高，可達到2200 TOPS，為何L4級自動駕駛需要這麼大算力? 肖健雄：L4級別完全無人駕駛，特別是Robotaxi領域，在路況處理環境方面非常具有挑戰性。所以除了大量資料以外，我們認為更重要的，是解決透過比較可觀的資料能處理絕大多數的機器學習，學到絕大多數的應用場景或者說百分之百的應用場景。這種時候，我們首先需要多種感測器的融合，V2X在幾天前釋出的第五代系統裡面有50個感測器，有28個800萬畫素車規級高動態範圍的攝像頭，有6個鐳射雷達，其中都是最高解析度的128象限的鐳射雷達，有4D毫米波雷達，這些資料量相當龐大。如何能處理這麼大的資料量？就需要非常強大的算力，這也是剛才您提到的我們有2200 TOPS算力，可能是全中國最高的車載計算平臺的計算能力。我們覺得AI很難，但並非因此就不去解它。AI很難，Robotaxi很難，我們怎麼解？就需要非常好的感知系統和感測器。高解析度的感測器就需要非常好的計算能力，才能處理完這些資料。所以我們採取的是正面迎敵的方式，知難而上，做好準備，從軟體、硬體上最底層的準備解決非常難的難題。同時回到上個問題，我想也補充一點，業界大家經常覺得資料越多越好，其實這有個前提條件，就是有效資料越多越好。另外有效資料很重要的一點，就是高質量的資料越多越好，高質量資料意味著什麼？比如說我們在做無人駕駛，有鐳射雷達、毫米波雷達等等，這麼大的資料量每個小時可能產生超過1TB的資料量，這是有效資料。但是對於Robotaxi來說，比如說特斯拉你有10個120萬畫素低解析度的攝像頭，這樣簡單的一些行車記錄儀類似的資料，對於Robotaxi基本上沒有任何作用，因為我們在Robotaxi領域你要求的精度非常高，你需要依賴非常好的感測器收集到的資料才是有效資料。而依賴輔助駕駛的資料，對你的作用基本上跟你網上下載一些行車記錄儀的影片，其實沒有什麼區別。為什麼沒有人天天網上下載行車記錄儀的影片進行機器學習？因為他只能作為一個開始的訓練，當你真正開始處理最後的最難case的時候，這些資料完全沒有作用，而且甚至會讓你更加難受，可能會產生很多噪音。因為現在絕大多數機器學習都基於監督學習，就意味著人要標註出有效資料。比如說你有幾百臺車，你的資料量是否不夠？其實恰恰相反，大家想一下每臺車每小時產生超過1TB，假設每天就跑10小時，一臺就有10TB的資料，你有幾百臺車，每天就有將近1PB的資料。機器學習為什麼學？就是從人身上學，就需要人工的速度。所以有效資料，基本上全世界我沒有看到任何一家公司敢號稱有1PB的資料全部被標註過，1PB的資料只是幾百臺車跑一天10個小時的資料。所以說特斯拉有越多的車、資料量越大，好像就能解決人工智慧？恰恰相反，其實特斯拉硬碟空間非常小，裡面的網路頻寬非常小，網路流量又是很貴的，資料基本上就是現場採集現場扔掉，基本沒有任何作用。所以特斯拉的資料無法上傳到模擬器裡面進行高畫質模擬的，所以這些資料只用了當天現場測了一下，所謂的“影子模式”，然後就現場扔了，再也沒有辦法重複利用。不像Robotaxi，我們的資料都是可以在模擬器裡面無數次進行模擬，一次資料可以N次使用，這個效率完全不一樣。所以我們覺得在資料領域，整個行業有很大的誤區，以為越多越好，不在乎質量。其實恰恰相反，大家一定要在乎資料的質量，只有保證資料質量情況下一切才有意義。資料質量意味著需要很大的儲存空間，需要幾個TB的儲存空間。比如說我們為什麼在車上就有32TB的儲存空間？就是因為這些高質量資料記錄下來，才能真正有用。所以我們為什麼需要這麼強大的算力、儲存空間？這恰恰就是為資料而生，為了能夠有效記錄這些高質量的資料，有效處理這些高質量資料，有效進行高解析度的高畫質的模擬，在模擬器裡多次使用，只有這樣才能真正發揮資料能力。
嬴徹科技CTO 楊睿剛主持人：肖總用高算力需求體現出我們的高質量資料的需求，Robotaxi普遍是應用L4級的技術，而現在一些自動駕駛公司是按照L3、L4、L5漸進式的技術路線，楊總認為這個路線是否可行？因為現在業界也有很多支援和反對的聲音，您是怎麼看待的？楊睿剛：大家都覺得自動駕駛裡面重要的是有效資料，有效資料是不是感測器越多就有越多的有效資料？這個我們是可以討論的。首先L3、L4、L5，他們在定義上只要到了L3的級別，機器會成為駕駛主體，而不是人，這和L2有很大區別。所以說任何L3的車不管是從L3還是L4、L5的車，不管是從軟體架構上、感測器配置、對底盤的要求，都沒有本質區別，它們只有「精確度達到95%」和「精確度達到99%」的區別，但是從硬體和資料的角度來說，它們是沒有本質區別的。所以說我個人也不認可說拿行車記錄儀在路上採資料，因為行車記錄儀太少了，根本沒有做到360度全向。但是如果說一輛車帶了全套的感測器，上面有鐳射雷達、毫米波雷達、也有攝像頭，而且帶了足夠的資料記錄能力，這樣採集到的資料是完全可以為迭代式發展提供有效的資料。另外我要再說一點，剛才吳總也說了我們已經進入到自動駕駛下半場，從模型要變成量產，坦白來說我們嬴徹做的就是量產卡車的專案，我個人最大的感覺就是做量產的自動駕駛是戴著「緊箍咒」的自動駕駛：換句話說，我們要考慮的不光是安全和舒適性，還得考慮到車規級的硬體和功能安全，還有重要一點是還要考慮到成本。只有在成本可控的情況下，自動駕駛技術才能普及，這一點我在嬴徹做自動駕駛深有體會。我覺得我們現在已經過了透過堆料來做自動駕駛的階段，我們必須在成本可控的情況下做可量產的、能讓大家普及的自動駕駛。這是我的觀點，只有L3、L4、L5是循序漸進的路徑才能採集到足夠多的有效資料。肖健雄：我可能不是很認同，不是說行車記錄儀裝6個360度就叫有效資料，我覺得資料質量非常重要。未來不好說，大家看2021年的今天，全球在哪個地方有無人駕駛？現在只有兩個地方，在美國鳳凰城有無人駕駛，在深圳有無人駕駛。這些無人駕駛的車裡面，每臺車有多少個感測器？都有50個。我們不是說感測器越多越好，但是一定要夠，不夠絕對沒有辦法無人駕駛。而且這不是個數的問題，如果它都沒有很精確地看到物體，那不可能無人駕駛。剛才楊老師說到車上可以裝鐳射雷達，如果你把車的感測器都裝上了，那也不便宜，也不是量產價格能接受的L3系統。如果你把感測器都裝上，它就是L4的車，乾脆你把它當成L4來用賺更多的錢。所以這一點，我們也是覺得L2、L3價格卡的很死，感測器配置不夠，那它的資料必然不是有效資料。而如果裝備了足夠L4的感測器，這時你再當做L2、L3用，技術上當然有效，但是實際上很難操作。因為一個L3的功能，其實大家都不願意花這麼多的錢來支援，這也是我們堅決認為L2、L3絕對不可能進化為L4，L4也不可能降級成L2、L3。這就是飛機和火箭的區別，飛機的原理是基於空氣動力學，飛機也有飛機的限制，價格不能太高。但是如果你要上火星、月球，你第一天就得知道你造的是火箭，你飛機飛得再高都飛不過大氣層。如果你造的是火箭，第一天就要想清楚造的就是火箭，火箭要怎麼造零件一點都不要少。所以我們堅決認為，資料有效性一定是在同類資料才有效性，同時這些感測器如果都裝上了，資料真的有效，那他就是L4車的價格，乾脆你就當成L4來用。這是我們探討的問題。 楊睿剛：首先我們這是自動駕駛的論壇，我們說的是造車，而且是一輛能夠普及的車，能夠讓我們所有人都能接受的車。大家可能覺得鐳射雷達很貴，但是實際上鐳射雷達的價格現在已經比原來有了兩個數量級的下降，在量產車上鐳射雷達1000人民幣，嬴徹用的鐳射雷達8000人民幣，並且是符合車規級的，換句話說它可以跑5萬小時不出問題。首先我相信，既然都是做自動駕駛，也不會有人把六個行車記錄儀放在車上，那叫做實驗室的遊戲。我們做的是車規級的車，嚴格按照車規級去設計，而且我們也堅定的相信採集到的有效資料，可以用於L4/5進階的資料，只要我們的感測器不少，只要我們的感測器能記錄下來並且做到時間同步，這些資料都是可以拿來做模擬和訓練的。我覺得我們做自動駕駛，特別是量產自動駕駛裡面很重要的一點就是成本控制，剛才說有幾十億公里的資料，大家可以算一算，如果說是一輛小車，一輛Robotaxi，一般Robotaxi在城市裡開速度比較慢，一天可能可以開300公里很高了，這樣的話一天300公里，一年365天，一年大概10萬公里。如果說我們達到百億數量級的資料，車隊的規模就是非常重要的，不可能透過一輛車跑，肯定是幾萬輛車跑。我不認為會有自動駕駛的公司，能夠用不產生盈利的自營車隊，去進行上萬輛車隊的測試，特別是當它有50個感測器的話，我覺得那個價格是個天文數字。 
右一為的盧技術有限公司創始人及CEO 張英
主持人：我們們的「插嘴模式」果然很有效，兩位技術大咖都各自給我們算了筆成本經濟賬，也歡迎二位去各自的WAIC展臺相互參觀，講解交流。接下來我想問一下張總，也是代表廣大媒體朋友提問，因為我們對於的盧這家公司所知甚少，但是經過查閱發現的盧在自動駕駛方面專利數量非常靠前，之前的盧的精力主要聚焦在哪些方面，未來公司的整體規劃是什麼？ 張英：剛才和大家聊的時候就在講的盧的目標是做一個大玩具，用造機器人的方式來造這輛車。首先我們談感知、決策，以及控制……我們認為自動駕駛未來的瓶頸應該是控制範圍有多少，橫向移動的控制精度、縱向移動的控制精度、制動距離，這些極端環境決定你的範圍。第二是你和消費者之間的關係，我剛才看到有一張圖片，是在強光環境或者惡劣環境下讓車高速開，把我們消費者當傻子嗎？那麼強烈的環境下，你敢高速開，坐在車裡面的乘客會怎麼想？我們今天要提供的不是一個技術，而是產品，我們要處理技術消費者和產業監管者之間的關係，因為車畢竟還是公共安全的產品。當我們處理這個問題的時候，我們就需要從根上來解決這個問題，我特別贊同肖教授剛才講的，你一開始想造什麼，就決定了你的技術架構要圍繞什麼東西去跑。的盧要解決什麼問題？舉個例子，就拿側方位停車來說，的盧可以做到車頭與前車的車尾只有15公分，如果你橫向的控制和縱向的控制做不到，你怎麼停的進去？這基本上是現在感測器測距的極限，我就要做到這個樣子。我的目標是當消費者開著這輛車去任何環境的時候，只要在15公分這麼狹窄的情況下能夠停得進去。我們要解決的問題是消費者所想的問題，你想的問題不重要，到最後所有的消費者都不買單有什麼用呢。如果作為一個產品經理而言，現在需要的不僅僅是一輛自動駕駛計程車，我需要的是隨時互動的自動駕駛的計程車。比如說前面左轉，比如說我的同事在前面，幫我停在路邊接他。我們要重新思考機器和人的關係，而不是單純的把某項技術作為這個產業最重要的事情。如果要想解決這些問題，我們需要在算力平臺，在我們感測器呈像的編碼，這些最核心的地方我們下功夫。的盧最近幾年，比如說分散式的系統，我們用來做影像編解碼的部分。我們現在談得很泛，只在談自動駕駛當中的感知決策部分，整個車如果要想做到商品化，需要解決的問題多的多。所以的盧為什麼說我們花兩年時間積累了這些專利，可還是遠遠不夠，的盧後面要加大精力解決這些問題。我們的規劃是什麼？的盧能否花2-3年的時間提供一個大玩具給消費者，如果我們的消費者都喜歡，你不用講L5、L4、L3，我不看，我看的是你怎麼解決我的需求。自動駕駛私家車也好，計程車也好，如果我想去的地方都不能讓我很安逸、舒適地去到，那我還不如自己開一輛車，我要你的自動駕駛幹什麼？智慧裝置最難的地方是，如何讓智慧裝置和使用者心理預期之間取得平衡，如果你做的動作、控制、所有有效性的事情是使用者最想要的，這不就是機器人嗎，這不就是我們產業孜孜不倦所追求的要做的事情嗎？如果要做這種事情，就需要有革命性的架構，革命性的架構決定了我們怎麼看這個裝置。功能的問題要靠技術解決，驅動功能的是使用者需求。我們強調產品驅動軟體，軟體驅動硬體，如果我們做到這些，我們認為在未來的2-3年，我們有可能提供一個長得既好看，又能夠滿足絕大多數使用場景，又讓你覺得有趣的大玩具。比如當你想要賽車的時候可以開一個漂亮的甩尾，比如說當我看到極窄道路的時候，難道我們還要找一個人說幫我看看能不能透過嗎？這是技術的恥辱。我們認為技術就要解決消費者關心的問題，當我的問題解決了消費者問題之後，剩下的什麼物流、taxi那些問題都不是事兒。的盧就是要做通用，就是要做一個大玩具，和我們的消費者一起成長。我們認為自動駕駛未來要克服的問題，不僅僅是法規問題、技術問題，更大的坎兒等著我們，是消費者如何理解你，如果你的消費者不買單，你永遠也是零。主持人：聽起來的盧就是默默打造一款超過消費者期待的大玩具，我們也對這個產品越來越好奇。各位專家都從自己的專業領域出發，為我們提供了一個清晰的現實框架。下面我們探討一下很宏大，可擴充性很強的問題，“我們距離高階無人駕駛的普及還有多遠”，您甚至可以將其視作判斷題，也就是“我們是否能實現高階自動駕駛技術的普及”。 喻傑：首先我們看這個標題，跟之前拿到的有點不一樣，我們定義一下什麼是高階自動駕駛？如果是L3以上，從技術層面和法規層面上來看，其實是比較大的挑戰。L3以上，一般來說機器對於全部的駕駛行為要負責。從量產車型來說，目前一般都避免談L3以上，所以就出現了L2.99這種講法，無非就是避免法律上的問題。同時，技術上的挑戰也是很大的，我們多大程度上能做到高階的自動駕駛？待會兒可能楊總和肖總應該是有不同的看法，我個人覺得可能在限定範圍內，當然要看我們的範圍有多大，車隊有多少。拿Waymo舉例，它的確實現了高階自動駕駛，而且也開始讓真正的使用者和消費者受益了。當然他的商業模式是否成立？這個我們可以再分析。但是他畢竟是在那個小範圍之內，可能還不斷在擴充，但是他還沒有拓到另外一個城市。從這個角度來說，怎麼算是真正的普及？我們可以探討一下。另外一點，比如說輔助駕駛這一塊，比較大的可能性還是不斷擴充自己的ODD。我們從簡單的車道保持，到現在也有一定紅綠燈識別的能力，從這個角度來說，我認為比較常見的還不會是高階自動駕駛，大家在短期之內能夠得到的，還會是輔助駕駛或者高階的輔助駕駛，我們不談L幾，但是大家可能出於技術上的考慮或者法律風險上的考慮，應該都會限制住不叫L3，我認為這是比較長期的過程。至於說真正的高階大概有多遠？可能在限定區域內能夠實現了，但是能否比較快速的推廣到更多區域，讓更多人受惠？這點可能會是比較緩慢的過程。當然也聽聽其他專家的觀點。現在如果說真正定義的高階是放手給機器的話，我認為還是需要時間的。肖健雄：假設這個定義是完全無人駕駛，就像Robotaxi一樣，這得看我們說的是多大範圍？如果我們是說一個區域，比如說Robotaxi在深圳某些地方已經實現了無人駕駛，在今年1月份已經對外公開試運營了，包括去年一整年都在深圳進行無人駕駛的測試，如果這樣的話已經實現，所以這個數字是個負數。但是大家說如果是整個城市，現在畢竟還是一個區，但是如果像Robotaxi這種應用，基本上你不需要好幾個城市，不需要跨城，但是在同一個城市，這種我們覺得是相當近的未來，可能2-3時間內是可以實現的。因為一個區你能搞定，像Waymo我也體驗了一下他們的科技，鳳凰城不是個很小的城市，它在裡面可以進行自動駕駛。如果能夠實現這種規模，那麼理論上沒有什麼可以阻止它更大的規模，當然鳳凰城的路況相對比較簡單。從這個角度來說，一個城市搞定無人駕駛，我們的答案是2-3年。但是如果全中國無人駕駛，可能需要時間，可能需要長達十年的時間才能普及到全國這麼多的城市、城鎮，因為中國是相當大的國家，我們們國家真的很大，不像新加坡一個城市就能搞定的，所以確實需要一定時間。但是透過這個話題和前面的討論，可以把兩個結合一下。我覺得現在整個業界都有兩個完全矛盾相反的聲音，一方面高階無人駕駛是否能實現，一方面有人懷疑一輩子都別想看到這個東西。另一方面，大家今天在想還沒有實現的東西是不是太貴了？要便宜一點。我覺得如果大家真覺得很難，就不要想著怎麼減那幾塊錢讓它更難。就像上火星很難，那造個火箭是不是就得考慮一下不要給它成本壓的那麼低？我覺得兩個聲音同時存在，一方面有人覺得太難了，永遠做不出來，有人覺得太貴了，我要搞的特別便宜。輔助駕駛和無人駕駛，升級升級就變成無人駕駛了，兩種聲音大家仔細想一下，邏輯上相互衝突有矛盾的，你要是真覺得那麼容易，真的容易降價格，就不應該覺得他做不出來。所以這一點我指出來，兩個聲音也是透過今天這個論壇拋磚引玉，我只是想指出這兩種不同的聲音其實是自相矛盾的。我們包括我本人的觀點，既不是這邊也不是那邊，是在中間，有人說是不是比較激進？其實我是最不激進的。我覺得無人駕駛很難，確實不容易，我們要加很多高精度的東西，確實很難，我們做足了功夫來打這場硬仗。但是我們也不會覺得它難到做不出來，所以我們處於中間狀態，既不覺得它很容易，也不覺得它永遠做不出來，我覺得這兩個都是比較極端的觀點，我們覺得比較積極向上的觀點，就是我們們迎難而上，因為它難需要感測器、需要很強的算力、需要很強的架構，我們們作為一個行業一起頭腦風暴，一起發揮創新思維，想著怎麼解決這個難題，而不是懷疑它根本做不出來然後就不做，或者覺得它特別容易做然後我們們什麼都不幹就可以實現自動駕駛。這是我們借這個話題引開的更深層次的，大家如果真覺得這個很難，應該開始集思廣益發揮創新性的思維，來解決這個難題。主持人：剛才我也差點兒要插嘴了，我覺得鳳凰城的路況和北京的路況相差甚遠，現在中國也是有了第一條自動駕駛高速公路，另外也是有了6個車路協同試點城市，是不是需要等待整個城市煥然一新才能實現高階無人駕駛的普及？ 肖健雄：我想補充一點，鳳凰城的路況很簡單，所以自動駕駛很容易。其實這個觀點表面上有道理，但是實際深層面，作為一個技術人員的角度不是很站得住腳，因為一個再簡單的路況，也可能突然有一個小孩跳出來，所以這個路況其實很難可控，可能剎那間0.1秒內可能一個很簡單的路況變成非常複雜。所以Waymo既然有信心能夠在這裡完全無人駕駛，說明這個城市非常靠譜。不要單純說路況簡單，99%簡單這個不難，難的其實本來就是那0.1%，0.1%再簡單的路面，可能一剎那間突然很難。這個邏輯也可以用在高速公路上，高速公路場景好像很簡單，絕大部分情況確實很簡單，但是比如說前面撞車，兩個人打架，一堆人下來圍觀，這個時候你不能說一個車高速開過來我們們就不理，我們們就把他們全撞了，這肯定不行。有些東西看起來簡單，實際難度相當大的，包括鳳凰城、高速等場景，如果要真正實現高階別無人駕駛，絕對這個系統需要非常強，才能確保在0.1%發生的時候，有辦法能處理它。主持人：的確像您說的，很多很細微的場景，即使我們很難遇到，但是也是我們需要解決的難題。想問一下楊總，您覺得重卡這邊面對的比較難處理的場景有哪些？ 楊睿剛：重卡的最大問題，首先是高速運動和高載重量，這個對於我們的感知系統提出了很多要求，世界上最好、最貴的鐳射雷達，恐怕感知距離也只有200米，重卡的剎車距離從100公里/時剎到0，要150米。所以說我們對於系統要求，至少看到300米以外，目前沒有任何鐳射雷達能夠看到這麼遠，我們只能透過計算機視覺的方法，透過多個高畫質攝像頭把這個距離看到非常遠。第二個難點是控制，在車的重量方面，重卡輕載16噸，滿載49噸，Robotaxi大概為2-2.5噸。而且重卡是兩節的設計，所以剎車剎得不好，就會產生非常危險的摺疊，所以這些都給重卡自動駕駛場景造成了非常大的困難。回到「高階自動駕駛離我們有多遠」，我剛才看了還是普及的自動駕駛，我覺得高階自動駕駛現在就有，純無人礦卡在澳大利亞那邊開了三、五年了。可如果說要變成普及的、大家都可以感受到的純無人駕駛，不管從技術來說還是法律法規上來說，我個人覺得至少得有5-10年才能真正感受到脫手脫把，讓車真正變成大玩具。我們這裡都是做自動駕駛的，都是最終要給使用者提供一個產品。在這個定義下，做重卡和做Robotaxi還是很不一樣的。任何商用車都是生產工具，所以我們要想讓產品能夠產生效應的話，就必須要算TCO（Total Cost of Ownership，總體擁有成本）。如果多花了20萬、30萬把產品買回來，在重卡3-4年生命週期裡面，到底能否把這個錢收回來？從重卡司機現在的效益成本來看，一個司機大概一年15萬，3年就是45萬，換句話說，我的成本上限就是45萬，如果系統超過45萬，那不管是再高階的自動駕駛也沒有人會用，因為用它就是虧錢，這個和乘用車還是不一樣的。所以我們做自動駕駛特別關注的就是成本，既然大家做的都是商業化的行為，我們都得考慮成本。Robotaxi運營的成本大家現在都還沒有算明白，那筆賬還是挺難算的。最後我要說的是，我相信在座諸位都認為自動駕駛已經不是IF（會不會來）的問題，而是WHEN（什麼時候來）的問題，所以我對於高階自動駕駛的普及還是很有信心的，但是道路很漫長，前程也是很艱鉅的。主持人：張總，您從乘用車這方面談一下比較宏大的議題？張英：第一，我們稱之為樂觀派當中的悲觀派。首先，對於自動駕駛會不會到來，或者說機器人這個命題會不會到來，我們充滿了樂觀，我們認為這一天不是等你老了才會到來，應該很快就用上。而之所以說悲觀派，是因為以現在的產業環境和現在絕大多數的公司搞不定這個事情，包括所謂的高階無人駕駛。舉個例子，我們未來也會把在制動方面的所有專利和技術開源出來，比如說150米制動問題，是因為你利用現在廠商的能力，只能做到150，我們就要解決這個問題。張英：如果150是你的數學公式，那你整個工程化會更糟糕，我們就要解決這些問題，怎麼解決這個問題？我認為現在很大一部分除了技術的問題，還有工程化的問題，工程化的問題怎麼解決？端到端地解決。比如說制動有問題，我們就在制動的地方解決問題；如果在影像識別地方有問題，我們就解決感測器的問題，解決影像格式的問題；如果我們在算力方面有問題，我們就利用分散式的軟體把整個車從中央計算機變成一臺資料中心。我們遇到問題就解決問題，如果我們考慮成本、考慮一堆問題，你永遠不要做這個事情。以我們過去的經驗，我們就是不斷克服和解決問題，才能讓幾億的使用者用上智慧手機，以消費者為導向，不斷地做技術創新。當你把核心競爭力構建在工程上，我們認為高階的自動駕駛就已經來了。我再回應一下，我們的盧一直不認可L2、L3、L4、L5，我們認為這是行業自己給自己定義的一套標準。從消費者的角度而言，現在的高階自動駕駛有沒有到來？或者說我們把「高階」這兩個字能不能換另外一個意思解釋？你有沒有自動解決使用者最困難的場景？所以我們認為自動駕駛不是一項技術，而是一項服務，在最需要你的時候你給他提供服務。當我開著車在一個老的街區尋找美食的時候，旁邊有很多腳踏車亂放，還有道路線不清晰，這個時候才是消費者最需要自動駕駛的時候。的盧致力於要解決的是這種高階的自動駕駛場景，我們始終以消費者視為最重要的力量源泉，然後不斷的從工程角度看哪些地方有問題，我們就在這些地方解決這些問題，解決完這些問題之後再透過生產製造過程當中的質量控制、廣泛的產業鏈合作，把這個成本降下來，這就是的盧夢寐以求的：把一輛好玩的機器人造出來，追上更高的技術，解決大家絕大多數時候所遇到的難題，然後以大家都能買得起的價格讓大家使用，這就是我們講的「科技大眾化」，這才是一個科技公司應該做的事情。