Chris Urmson: 克里斯·厄姆森：Aurora、谷歌、CMU 与 DARPA 的自动驾驶汽车
Chris Urmson: Self-Driving Cars at Aurora, Google, CMU, and DARPA
嘉宾：Chris Urmson
全文文稿 · 按对话顺序保留完整内容，深入理解上下文。
§01原文文稿 · 00:00–10:32
以下是与克里斯·厄姆森（Chris Urmson，原文转写为 Chris Sampson）的对话。
他曾是谷歌自动驾驶汽车团队的 CTO，
是卡内基梅隆大学参加 DARPA 大挑战赛
的自动驾驶汽车项目背后的关键工程师和领导者，
也是 DARPA 城市挑战赛的冠军。
如今，他是自动驾驶软件公司 Aurora Innovation 的 CEO。
（一家自动驾驶软件公司。）
他与斯特林·安德森（Sterling Anderson）一起创立了这家公司，
安德森曾是特斯拉 Autopilot 的前主管，
还有德鲁·巴格内尔（Drew Bagnell），Uber 前自动驾驶与感知负责人。
克里斯是世界上顶尖的机器人学家
和自动驾驶汽车专家之一，长期以来
在这个笼罩着神秘和炒作的领域里
是一个理性的声音。
他既承认解决自动驾驶问题
所涉及的巨大挑战，
也在努力去解决它。
这里是人工智能播客。
如果你喜欢，请在 YouTube 订阅，
在 iTunes 上给五星，在 Patreon 上支持，
或者在 Twitter 上联系我，
账号 Lex Friedman，拼写为 F R I D M A N。
现在，请听我与克里斯·厄姆森的对话。
你参与过 CMU 与红·惠特克（Red Whitaker）一起
参加 DARPA 大挑战赛
和 DARPA 城市挑战赛的团队。
从这些比赛中你学到了哪些
技术上或哲学上的东西？
我想最关键的一点是，这件事是能做到的。
我想这就是第一届大挑战赛
令人难以置信的地方，
我记得当时我是卡内基梅隆的研究生，
当时有这样一种两难：它
看起来真的很难，所以做成了会很酷、很有意思。
（会很酷、很有意思。）
但在当时，我们是周围唯一的机器人研究所，
所以如果我们参加了却摔个大跟头，
那会很丢脸。
所以我想，光是有意愿去做这件
在当时被认为几乎不可能的事，
（在当时被标记为几乎不可能，）
然后在几次尝试之后，
真的把它做成了，
我想那真的非常令人兴奋。
但你是在哪个时刻开始相信它是可能的？
是从一开始就相信吗？
你个人呢？
因为你是首席工程师之一。
实际上很多工作都得你来做。
对，我是那里的技术总监，
和一群其他非常优秀的人一起
做了很多工作。
我相信它能做到吗？
当然相信。
你为什么要去做一件你认为
完全不可能的事呢？
我们当时觉得它会很难。
我们不知道自己要怎么才能做到。
我们不知道自己第一次能不能做到。
结果证明第一次没做到。
那，对，我想你必须得相信。
我认为天真有某种好处，对吧？
如果你不知道某件事到底有多难，
你就会尝试不同的东西，而这给了你
一个那些更明智的人也许没有的机会。
最大的痛点是什么？
机械、传感器、硬件、软件、
建图和定位的算法、
一般的感知、控制？
比如首先是硬件还是软件？
我认为这正是这个领域的乐趣所在：一切都很难，
你必须把每一部分都做好。
所以就城市挑战赛而言，如果我从今天回头看，
它今天应该很容易，因为那是一个静态的世界。
意思是没有其他参与者在其中移动。
（意思是这样。）
它是在沙漠里进行的，所以 GPS 信号很好。
所以那一点，我们可以大致把它测绘出来。
所以现在回头看，它属于我们当时就能做到的事情范围之内。
（我们当时就能做到。）
光是把车辆弄好，
有一大堆工程工作
才能让车辆能被我们控制和驾驶。
这在今天仍然是个麻烦，但当时更是如此。
然后，他们究竟想让我们做什么的不确定性
也是挑战的一部分。
对，你一开始其实并不知道赛道的走向。
你大致知道，但你其实并不
知道会走哪条路线。
没错，我们不知道路线。
我们甚至，按照规则的描述方式，
你得靠猜。
所以如果你回想那场挑战赛，
当时的设想是，政府，
也就是 DARPA，会给我们一组路点，
以及在连接每个路点的连线之间
你必须保持的大致宽度。
所以他们能做的最阴险的事，
就是在一片灌木丛和岩石的旷野上
划一条一公里宽的走廊，然后说：你们自己想办法。
幸运的是，它实际上基本上变成了
沿着一组小路行驶，这与他们所要寻找的
应用场景更相关。
但不管怎样，在当年那真是一件了不起的事。
所以那位传奇人物红，大致上在领导着这项工作，
笼统地说。
你现在是一位领导者。
关于领导力，你从红身上学到了什么？
我想有几点。
一是去尝试那些真正困难的事。
那里才有巨大的机会。
不过我想另一个重要的一点，
是看一个人能成为什么样的人，而不是他现在是什么样。
这其实是我
从红身上学到的最深刻的教训之一，
那就是他会看着本科生
或研究生，赋予他们成为领导者的权力，
让他们承担责任，去做了不起的事，
而我想换一个人看着他们
会想，哦，那不过是个本科生。
他们能懂什么？
所以我认为那种“信任但要核实”、
对人能够成为什么样的人抱有信心，
我认为是一件非常有力量的事。
那么顺着这个，我们快进穿过这段历史。
你能不能梳理一下自动驾驶汽车系统
在技术上的演变，
从头两届大挑战赛到城市挑战赛，
再到今天，在你看来有重大的转变，
还是说是同一类技术只是变得更稳健了？
我认为有过一些非常非常大的跨越。
就大挑战赛而言，
真正解锁它的技术是高精地图。
在那之前，很多越野机器人的工作
都是在没有任何关于车辆将遇到什么的
真实先验模型的情况下完成的。
所以那项创新，我们能够得到
分米级分辨率模型这一事实，确实是件大事。
它让我们能够界定车辆所面对的
驾驶问题的复杂度，
并让它能够高速运行，
因为我们可以对它将遇到的环境
做出一些假设。
所以那是那里的一大步。
就城市挑战赛而言，
那里的一大技术创新
是多光束激光雷达，
以及能够生成高分辨率的、
中到远距离的世界三维模型，
并用它来理解车辆周围的世界。
那确实是一项颠覆性的技术。
与此同时，
我们看到一批其他技术，
它们一直在逐渐成熟，
迎来了各自的高光时刻。
贝叶斯估计一直，
SLAM 一直是机器人学中的一大领域。
在那之前几年，你去参加一个会议，
几乎每篇论文里都会有 SLAM 的影子。
所以看到贝叶斯估计技术
在一个非常引人注目的舞台上得到应用，
我觉得看到这一点相当令人兴奋。
而当时 SLAM 大多是基于激光雷达做的。
对，事实上我们并没有真正实时地做 SLAM，
因为我们事先有一个模型，
我们有一张路网图，但我们在做的是定位。
我们用激光雷达或摄像头，
取决于具体是谁在做，
来相对于一个世界模型进行定位。
我认为相比于在那之前
幼稚地信任 GPS 和 INS，这是一大步。
而且同样，这个领域里已经有很多工作在进行。
这当然并没有在 SLAM 或定位上
做什么特别创新的事，
但看到那项技术在一个大舞台上的
真实应用中被需要，
我觉得非常酷。
所以就城市挑战赛而言，
那些地图总体上是离线构建好的。
那么人们是各自单独做的吗，
各个团队是各自单独做的，
所以他们有各自不同的方法，
还是说大家多少会分享那些信息，
至少在直觉层面上？
DARPA 给了所有团队一个世界模型，一张地图。
然后我们当时必须搞清楚的一件事，
而且这至今仍然是
会把人绊住的事情之一，
其实就是坐标系。
你拿到一个经纬度，
精确到很多位小数时，
你并不真正在意所使用的
地球椭球模型。
但当你想达到 10 厘米
或厘米级分辨率时，
你就会在意坐标系是 NAD83
还是 WGS84，这些是描述地球非球形性的
不同方式，
同时也描述，我想，
我记不清是哪一个了，
§02原文文稿 · 10:32–20:43
正在发生的板块移动，
以及如何据此转换全球基准。
所以拿到一张地图，然后真正把它
以厘米级分辨率匹配到现实，这在当年
是件挺有意思、挺好玩的事。
那么当时感知承担了多少工作？
你们在多大程度上依赖基于地图的定位，
而不用感知去配准到地图？
我想问题是，感知在当时有多先进？
（感知当时有多先进？）
它当然落后于我们今天的水平，对吧？
距离城市挑战赛已经十多年了。
但它的核心已经有了。
也就是我们在跟踪车辆。
我们必须在 100 多米的范围内做到这一点，
因为我们必须汇入其他车流。
我们同样用贝叶斯估计
来估计这些车辆的状态。
我们必须处理一堆问题，
也就是你今天也会想到的那些问题，
比如预测那辆车将会在哪里，
在未来几秒内。
我们必须应对这样一个事实：
对此存在多种假设，
因为路口的一辆车可能右转，
也可能直行，
也可能左转。
我们还必须应对这样一个挑战：
我们的行为会影响
那位其他驾驶者的行为。
我们当时用相对幼稚的方式做了很多这类工作，
但它多少还是奏效了。
总还是得有某种解决方案。
那么十年后，这把我们带到了哪里，
今天把我们带到了哪里，
从那种人工搭建的城市，
到真实的城市、到城市环境？
对，我认为最大的一点
是那些参与者是真正不可预测的。
大多数时候，路上的司机，
其他道路使用者，行为都还规矩，
但每隔一阵子就会有人不规矩。
其他车辆的多样性，你会遇到所有种类。
在行为方面、在感知方面，还是两者都有？
两者都有。
当时我们不用应付骑行者，
不用应付行人，
不用应付交通灯。
你现在必须运行的尺度
比我们当时所考虑的那个空军基地
要大得多。
那么，简单的问题，
你认为驾驶中最难的部分是什么？
简单的问题。
对，不，我开玩笑的。
我确信没有哪一件事会作为唯一的难点跳出来，
但在从城市挑战赛跨入真实世界的过程中，
是否有某件你预见到
会是非常严重、非常困难的挑战？
我认为最根本的区别
是我们这次是来真的。
在那个环境里，
它既是一个复杂度有限的环境，
因为某些参与者不在场，
因为道路是有维护的，
当时有屏障把人隔开，
与机器人隔开，
而且它只需要工作 60 英里。
从 2006 年的角度看，
它只需要工作 60 英里，对吧？
而从现在的角度看，
我们想要能够行驶
五十万英里的东西，
这完全是另一回事了。
那么激光雷达有多重要，
你说激光雷达很早就进入了这个领域，
它确实是如今自动驾驶汽车
作为传感器的主要支柱。
那么在近期，激光雷达在传感器套件中的
作用有多重要？
所以我认为它是必不可少的。
我相信，但我也相信摄像头是必不可少的，
我还相信雷达是必不可少的。
我认为你真的需要
综合运用来自这些不同传感器的数据，
如果你想让这套系统真正稳健的话。
我想问的问题，
看看我们能不能把它理清，
是你怎么看埃隆·马斯克那句
挑衅性的话：激光雷达是拐杖，
它是一种，我想，成长的阵痛，
而且大部分感知任务
可以用摄像头完成？
我认为不可否认的是，
人们额头上没有激光也能四处走动，
他们能上车并驾驶，
所以这是一个存在性证明，
证明你可以用被动视觉来驾驶。
毫无疑问，这一点无法反驳。
就传感器而言，对，所以有证据。
对，就传感器而言，对吧？
所以有一个例子，就是我们都在这么做，
我们很多人每天都在做。
至于说激光雷达是拐杖，没错。
但就像内燃机
是通往电动汽车路上的拐杖一样，
就像任何技术最终
都会在未来被某种更优越的技术取代一样，
我真正看待这件事的方式是，
我们在地面上出行的方式，
我们使用交通的方式是失灵的，
我们有这样一个，我想我今早看到的数字，
去年有 3.7 万美国人死在我们的道路上，
这是完全不可接受的。
所以任何我们能够运用的、
能加速这项自动驾驶技术
走向市场、拯救生命的技术，
都是我们应该使用的技术。
而说这话感觉就是武断的：
嗯，我不接受使用激光，
因为那是什么什么，
但我接受使用八百万像素
或一千六百万像素的摄像头”，感觉就是武断的。
这些都只是一些技术，
我们应该从工具箱里拿出
能让我们去解决问题的最好技术。
我经常和，嗯，显然你也一样，
和那些汽车公司谈这个问题，
如果说有一个词出现得
比什么都多，那就是成本，以及设法压低成本。
所以虽然 3.7 万确实是个悲剧性的数字，
问题是，而且提这个问题的不是我，
因为我讨厌这个问题，
但我们想找到最便宜的传感器套件，
也就是能造出安全车辆的那套。
那么在这个令人不适的权衡中，
你预见激光雷达未来会降价吗，
还是你认为会有一天，没有激光雷达
也能实现 L4 级自动驾驶？
这两种我都看得到，但那真的只是时间问题。
我想，也许我会谈谈你问的
关于最便宜传感器的那个问题。
我不认为那其实是你想要的。
你想要的是一套在经济上可行的传感器套件。
在那之后，一切都是关于利润率，
以及把成本从系统中挤出去。
你还想要一套真正管用的传感器套件。
所以，讲一个关于
用 50 美元的传感器而不是 500 美元的传感器
来做自动驾驶系统会更好的故事，是很动听的。
但如果 500 美元的传感器能让它管用，
而 50 美元的不管用，那谁在乎呢？
只要你确实能有经济机会，
那里就存在一个经济机会。
而经济机会之所以重要，
是因为那才是你真正拥有可持续业务的方式，
也是你真正能看到它规模化、
走向世界的方式。
所以当我看激光雷达时，
我看到的是一项本身没有
根本性昂贵成分的技术。
它会比成像器更贵，
因为 CMOS 工艺或晶圆厂工艺
比机械工艺的可扩展性要强得多。
但我们仍然应该能够
在那一侧大幅压低成本。
而且我也确实认为，有了正确的商业模式，
你可以吸收更多，
当然是物料清单上更多的成本。
对，如果传感器套件管用，就提供了额外价值，
因此你不需要把成本压到零。
这是基本的经济学。
你谈到过你的直觉，
认为 L2 级自动驾驶是有问题的，
因为涉及人的因素：警觉度
下降、自满、过度信任等等，
就因为我们是人。
我们过度信任系统，
我们开始更多地去从事
次要活动，比如玩智能手机之类。
你在这一点上的看法有过变化吗，无论朝哪个方向？
你能谈谈吗？
那么，我想非常小心，
因为有时候这会被以某种
我绝不是本意的方式歪曲。
主动安全系统是一项非常重要的技术，
我们应该去追求它并把它集成进车辆。
而且在近期有机会
减少事故、减少死亡，
我们应该在这方面推进。
L2 级系统是指车辆
控制两个轴的系统。
也就是制动，以及油门/转向。
而我认为有一些 L2 级系统的变体
是在辅助驾驶员的。
那些我们绝对应该鼓励它们出现在路上。
我认为真正的挑战所在，
是围绕这件事的人因部分，
以及公众对它所带来的能力范围、
和他们应有的信任程度
§03原文文稿 · 20:43–29:57
所产生的误解。
而这就是我，
我其实对 L3 级系统
稍微更担心一些，
以及 L2 级系统究竟是如何被营销和交付的，
以及人们在那些人因问题上投入了多少努力。
所以关于这一点，我仍然相信几件事。
一是人们会过度信任这项技术。
过去几周我们看到
一连串的人在自己的特斯拉里睡觉。
我昨晚看了一集特雷弗·诺亚（Trevor Noah）的节目，
谈到这个，他，
这是一个聪明人，手头有很多资源，
他把特斯拉描述成一辆自动驾驶汽车，
还说人们为什么不能在自己的特斯拉里睡觉？
而这就好比，嗯，因为它不是一辆自动驾驶汽车，
它也不是设计成那样的，
而这些人几乎肯定会在某个时刻丧命，
或者伤害别人。
所以我们需要真正审慎地考虑
这项技术是如何被描述
和推向市场的。
我还认为，由于我们刚才谈到的
经济上的挑战，
这些 L2 级驾驶辅助系统，
其技术路径会偏离
我们要真正交付真正自动驾驶汽车
所必须走的技术路径，
也就是你可以上车让它来开的那种车。
可以上车睡觉，并拥有不亚于
甚至优于人类司机的安全性。
因为同样，这两个世界里的经济学
非常不同，所以这导致了
技术的分道扬镳。
所以你就是看不到那种经济学，
即从 L2 逐步提升，
并且做得足够快，
快到不会引发安全、关键安全方面的担忧。
你认为在这一点上它需要分叉，
基本上走向不同的路线。
而这真正要回到那些 L2
和 L1 系统在做什么？
它们是驾驶辅助功能，
负责任地营销它们的人
会讲得非常清楚，并把人因措施落实到位，
使得驾驶员实际上对车辆负责，
而技术的存在是为了辅助驾驶员。
围绕这些系统建立的安全论证，
依赖于驾驶员的注意力和专注。
而到了那一步，出于经济原因，
你可以在某种程度上放弃，
你可以放弃，比如说，漏报（假阴性）。
而思考这件事的方式是，
对于一套碰撞缓解制动系统，
如果有一半的时候，在驾驶员没注意到前车时，
它踩了刹车，
把车停了下来，
那将是我们道路安全上一个
了不起、了不起的进步，对吧？
那将相当于安全带。
但那意味着，如果那辆车
没有被监控，它会每两辆车就撞上一辆。
所以从经济上说，对于一套驾驶辅助系统，
那是一个完全不错的解决方案。
到了那一步你应该做的，
如果你能让它有一半的时候管用，
就是把成本挤出去，
好让你能把它装到尽可能多的车上。
但把成本挤出去
并不能提升漏报情形下的性能。
所以你仍然不会有一项
真正可用于自动驾驶车辆的技术。
所以显然，沟通，
这大概对所有 L4 车辆也适用，
关于……的营销和沟通，
关于这项技术实际能做什么、
它有多难、有多容易，
所有这类事情都非常成问题。
那么假设世界上每个人都被完美地告知，
并被弄得完全清楚
外面每一项技术，
它能做什么。
你的直觉是什么？
现在我们也许进入了哲学的领域。
有没有可能存在一辆 L2 级车辆，
让我们不会过度信任它？
我不这么认为。
如果人们真正理解了风险并把它内化，
那么当然，你可以安全地做到。
但那是一个并不存在的世界。
人们会，
如果把事实摆在他们面前，
他们就会把它和自己的经验结合起来。
比如说他们在用一套 L2 系统，
每天在 101 号公路上来回开，
这样开了一个月。
这一个月里它每天都管用。
到那时候这就很有说服力了，
即使你知道统计数据，
你也会想，嗯，我说不好，
也许那些数据有点蹊跷。
也许他们开的是难开的路段。
我可是亲眼看到了，它管用。
而问题在于他们拥有的那个样本量，
比如来回 30 英里，
也就是 60 英里乘以 30 天，
所以是 60、180、1800 英里。
这和每起死亡事故之间大约
8500 万英里相比，不过是沧海一粟。
所以他们其实并没有一个基于个人经验的
对真实风险的真实估计，
但他们还是会信任它，
因为很难不信任。
它管用了一个月，还会有什么变化呢？
所以即使你一开始对系统有完美的理解，
你自己的经验也会让它漂移。
我是说，那是个大隐患。
一年之内，甚至两年之内，
不一定是几个月。
我认为，随着这项技术
从我会说的那种比较懂技术的
车主群体走向大众市场，
你也许能让其中一些
非常熟悉技术的人，
他们也许能更好地把它内化。
而你对这种错误风险评估的
那种“免疫力”
也许能持续更久，
但当那些不那么懂行的人
读了资料，并把它和自己的
个人经验作比较时，
我想在那里它会变得更快。
所以你的工作，你在谷歌
以及现在在 Aurora 创建的项目，更聚焦于
第二条路径，即创造完全自动驾驶。
这太迷人了，
我认为它是最有意思的 AI 问题之一，
本世纪的 AI 问题，对吧？
我刚和很多人聊过，
就是普通人，我说不好，
比如我妈妈，聊自动驾驶汽车，
你会开始纠结于
把自己生命的控制权交给一台机器这种想法。
它在哲学上很有意思，
在实践上也很有意思。
那我们来谈谈安全。
你认为我们如何向世界证明，
你过去谈到过指标，
你认为我们如何向世界证明，
一辆自动驾驶汽车、一套 Aurora 系统是安全的？
这是个困难的问题，
因为没有一句话能说清的答案。
我们必须展示我们勤勉而审慎地
所做的一整套工作，
而这正是功能安全流程之类的东西
所发挥作用的地方。
就好比说：这是我们做这项工作的方式，
这意味着我们非常周密。
所以如果你相信我们关于
“我们就是这样做的”这番话，
那么你就能有一定的信心，
相信我们在工程工作上是周密的，
也就是我们投入系统的那些工作。
然后在此之上，
为了证明我们不只是周密，
而是真的擅长我们所做的事，
会有一系列证据，
用来证明这些能力
如我们所想的那样运作，
在统计意义上，以及在我们能够
证明的任何程度上，
既通过某种组合的仿真，
某种组合的单元测试
和分解测试，
还有一部分将来自路测数据。
我认为我们最终
向公众传达这一点的方式，
显然会有一些与公众的对话，
关于这件事，
但我们会借助那些可信的节点，
也就是我们会花更多时间，
和 NHTSA（美国国家公路交通安全管理局）
以及其他联邦和州监管机构更深入地交流，
鉴于他们是
为公共利益行事、并且是可信的，
如果我们能向他们展示足够多的工作
让他们信服，
那么我想我们的处境就相当不错了。
这意味着你和那些
本质上是安全专家的人合作，
去尝试讨论和展示。
你认为，答案大概是否定的，
但以防万一，
你认为存在一个指标吗？
目前人们一直在用
接管次数。
而它很快就变成了一种营销手段，
也就是你调整你所做的实验来适应它。
我想你说过你不喜欢它。
不喜欢。
§04原文文稿 · 29:57–39:39
不，事实上，我曾公开告诉车管局（DMV），
我认为这不是一个好指标。
你认为有可能创造出一个指标、
一个能在死亡数据之外
证明安全性的数字吗？
我认为可以。
而且我认为它不会只是一个数字。
所以当我们在内部纠结这个问题时，
在某个时候我们能够
更公开地谈论它，
那就是我们如何看待人类的表现，
在不同的任务中，
比如检测交通灯，
或者安全地穿过车流左转？
我们认为人在这些不同能力上的
失败率是多少？
然后向我们自己，
再向监管岗位上的人，
最终向公众证明，
我们有信心我们的系统
会比那更好。
所以这些单项指标
最终会讲出一个有说服力的故事。
我确实认为，归根结底，
就安全而言我们关心的
是挽救的生命和减少的伤害。
最终还有那些“伤亡美元”，
也就是人们不必再掏钱去修车。
我确实认为，在航空业，
他们会看一种“事件金字塔”，
坠机在金字塔顶端，
那显然是最糟的事件，
然后是受伤和险情事件之类的，
还有违反操作规程，
你据此建立一个统计模型，
反映低严重度和高严重度事件
之间的相关性。
我认为那也是
我们将能够借鉴的东西，
因为每 8500 万英里一起事件，
在统计上是一件很难
哪怕是在美国这个尺度上，
也很难直接比较。
而那起与之相关的死亡事件，
也就是与自动驾驶汽车相关的死亡，
至少目前被显著放大了，
就它所受到的关注量而言。
那说到了公众认知。
我认为公众中关于自动驾驶汽车
最热门的话题
是“电车难题”这种表述，对吧？
这个，我们别太深入，
但它在很多方面是被误导的。
但它说明了人们正在纠结于
把控制权交给机器这种想法。
那么你如何赢得人们的心，
让他们相信自动驾驶可以成为
他们生活的一部分？
我认为你让他们亲身体验它，对吧？
我认为这是对的。
我认为人们应该持怀疑态度。
我认为人们应该提问。
我认为他们应该怀疑，
因为这是新奇而不同的东西。
他们还没有接触过它。
我认为这完全合情合理。
但与此同时，
显然有机会让道路更安全。
显然我们可以改善出行的可及性。
显然我们可以降低出行的成本。
而一旦人们尝试了它，
理解了它是安全的，
并能够在日常生活中使用它，
我认为它就会成为那种
理所当然的东西。
我在自己做的演示中确实见过这一点，
我让一些人进来，
他们非常怀疑。
同样，在车里，我最喜欢的一个例子
是带某人上高速公路，
我们在 101 号公路上以每小时 65 英里行驶。
过了 10 分钟，他们会转过头来问，
它就只会这些吗？
而你会说，它是一辆自动驾驶汽车。
我不太确定你以为它会做什么，对吧？
但它变得平淡无奇，
而这正是你希望一项技术成为的样子，
像这样的一项技术，对吧？
我们并不真的，当我打开这里的电灯开关时，
我不会去想那些电子
从某个地方被沿着电线推送过来、
被发电出来的复杂过程。
就好比，它不亮我才会恼火，对吧？
而我所看重的，是这样一个事实：
我可以在这个空间里做别的事。
我可以看见我的同事。
我可以在纸上读东西。
我可以不怕黑。
我认为那就是我们希望这项技术成为的样子：
它在后台运行，
人们得以拥有那些生活体验，
并且安全地去体验。
所以把这项技术交到人们手中，
说到了部署的规模，对吧？
那么你怎么看那个令人头疼的关于未来的问题，
因为没有人能预测未来，
但也许就诗意地说一说，
你认为我们什么时候会看到自动驾驶汽车的
大规模部署，上万辆那种规模？
我们会在 10 年内看到。
我相当有信心。
什么样的规模算令人印象深刻？
什么时刻，你做过 DARPA 挑战赛，
那里只有一辆车。
在哪个时刻它会变成“哇，这是真正的规模了”？
我认为它变得严肃起来的时刻，
是当我们真的有一辆无人驾驶车辆
在公共道路上行驶，
而且我们能够持续地做到这一点。
没有安全员。
车里没有安全员。
我认为在那个时刻，
我们就算跨过了从零到一的门槛。
然后问题就在于我们如何继续扩大规模？
我们如何建立正确的商业模式？
我们如何围绕它打造正确的客户体验，
好让它真正成为世界上一个有用的产品？
我认为那真的，
在那一刻它从
一个科学与工程混合的项目，
转变为工程与商业化，
真正开始兑现我们都看到的那种价值，
并把它在世界上变为现实。
你认为那种部署会是什么样子？
我们最先会在哪里看到没有安全员的苗头，
这儿一两辆、那儿一两辆车？
是在高速公路上吗？
还是在城市环境的特定路线上？
我认为会是城市、郊区这类环境。
对，在 Aurora，当我们思考如何着手这件事时，
当时流行把货运卡车
而不是城市驾驶作为切入点。
而同样，人们对此的直觉是，
高速公路更好开，
因为大家大体朝同一个方向走，
车道也宽一点，等等。
我认为那种直觉相当不错，
只是我们真正在意的不是“大多数时候”。
我们在意的是“所有时候”。
而当你开着一辆卡车在高速公路上行驶，
比如每小时 70 英里，
还带着 7 万磅的载重，
那是一股惊人的动能。
所以一旦出事，就会非常严重。
而你所看到的那些挑战发生得更少，
所以你学得没那么快。
它们比城市驾驶略微更难一些，
但它们并不比城市驾驶更容易。
所以我认为这会发生在中速的城市环境里，
因为如果两辆车
以每小时 25 英里相撞，这不好，
但大概每个人都能走着离开。
而那些有可能发生此类事件的情形
经常出现。
所以我们可以更快地学习。
我们能以对所有人更低的风险来做这件事。
然后我们就能为那些
需要从一地到另一地的人创造价值。
而一旦我们把那个解决了，
那么其中的高速公路驾驶部分就自然而然地解决了。
但我们能够在城市环境中
更安全、更快地学习。
所以 10 年，然后规模化是 20、30 年，
谁知道呢，如果创造出足够有吸引力的
体验，它可能更快，也可能更慢。
你认为会有突破吗，
会有什么样的突破
能完全改变那个时间表？
同样，我不仅是在请你预测未来，
我是在请你预测那些
尚未发生的突破。
那么，我想换一种问法是，
如果我能挥动一根魔杖，
我会让系统的哪一部分今天就运转起来，
以尽可能快地加速它？
别说基础设施，拜托别说基础设施。
不，绝对不是基础设施。
真正是那种感知—预测能力。
所以如果明天你能给我一个完美的模型，
关于车辆周围已经发生了什么、正在发生什么，
以及在接下来五秒内会发生什么，
就在道路上一辆车的周围，
那将相当显著地加速事情的进展。
就夜里睡不着觉而言，
你最困扰的是汽车、行人还是骑行者？
所以我最担心的是脆弱的道路使用者，
是骑行者和汽车的组合，对吧，
或者骑行者和行人，因为他们没有护甲。
汽车更大，它们对车里的人有保护，
所以那里的最终风险更低。
§05原文文稿 · 39:41–44:47
而行人或骑行者，
他们暴露在路上，没有任何保护，
所以我们需要对此格外注意。
你会考虑一个非常困难的技术挑战吗，
也就是行人这样一个事实：
如果你试图通过小心、缓慢行驶
来保护行人，他们就会利用这一点。
那么这种博弈论式的“共舞”，它让你担心吗，
从技术角度看，我们如何解决这个问题？
因为作为人类，我们解决这个问题的方式
有点像是一点点挤过人群，
从技术角度看，这感觉
不像是一个恰当的算法。
但你会思考我们如何解决那个问题吗？
对，我认为那里有两个不同的概念。
一是，我是否担心因为这些车辆
是自动驾驶的，人们就会走到路上
占它们的便宜？
我听过这种说法，但我其实不太信，
因为如果我在路上开车，
有人走到我面前，我会停下来。
即使我很恼火，我也不会直接
从一个站在路上的人身上碾过去。
所以我认为，今天人们就可以占这个便宜，
你确实会看到有些人这么做。
我想存在一点额外的风险，
因为也许相比自动驾驶车辆，
他们对我会看到他们的信心更低，
所以也许那会让情况
稍微偏移一点。
但我认为人们不想被车撞。
所以我认为我不太担心
人们走到 101 号公路上
制造比今天更多的混乱。
至于那种挤过一大群
散场离开演唱会之类的人群，
我认为那在技术管线里更靠后。
我认为你说得对，那很棘手。
我不认为它一定，
我认为人们用来做这件事的算法相当简单。
差不多就是缓慢前进，
如果有人离得很近就停下。
我认为那大概可以相当容易地复制，
尤其是考虑到
你不是以每小时 30 英里来做这件事，
而是以每小时 1 英里，所以即使在那些情形下，
风险也相对很小。
但那不是我们正在考虑的事，
不是我们在认真考虑的事。
而且那大概与其说是个算法问题，
不如说更多是在创造一种人的体验。
所以是那些人机交互（HCI）的人去创造一个视觉显示，
让你作为行人被愉快地
请到一边去，那是一个体验问题，
而不是算法问题。
今天 Aurora 的主要竞争对手是谁？
从长远看你如何胜过他们？
所以我们真的很专注于我们自己在做的事。
我想，我已经说过几次了，
这是一个巨大而困难的问题，
有一批公司在攻克它是件好事，
因为我认为对社会来说，
有人做成这件事太重要了。
所以我们不会花很多时间
从战术上去琢磨外面都有谁、
以及我们如何单独击败那个人。
我们为了最终走得更快在做什么？
嗯，其中一部分是我们拥有的领导团队
有相当惊人的经验。
所以我们大体了解整个格局，
也在一定程度上明白哪里是死胡同，
我们尽量避开那些。
我认为其中一部分，
就是我们建立起来的这个出色的团队。
人们，这是一项技术和一家
人们相信其使命的公司，
所以它让我们能够吸引
非常棒的人来工作。
我们有一种我认为人们所珍视的文化，
它让他们能够专注，
让他们真正能花时间去解决问题。
我认为那让他们保持干劲。
然后我们下了苦功，
在我们认为最终能加速我们的
基础设施和架构上投入了大量资源。
所以，因为我们早期能够引进的人，
因为我们拥有优秀的投资者，
我们不必把所有时间都花在做演示、
从一个演示跳到下一个演示上。
我们被给予了自由去投资于
做机器学习的基础设施，
从我们的路测中提取数据的基础设施，
利用这些数据来加速工程的基础设施。
我认为那种早期投入，
以及对那类工具的持续投入，
最终将让我们能够加速，
做出相当了不起的事情。
克里斯，说得真好。
这是个很好的收尾之处。
非常感谢你今天的交谈。
非常感谢。我真的很享受这次交谈。