172: Momenta IPO后再访曹旭东：就是想做没有尽头的AI

【嘉宾】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已经到90%了。而且我们两家的话是有比较强的定价权。

【嘉宾】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共识。

【嘉宾】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，它达到人类水平或者超越人类水平的应用，数据量都是海量。甄 Jian对我的帮助还是非常非常大。甄 Jian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。但是有时候聪明人他不是那么喜欢笨重地去看这些数据，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。真正超级牛的人就是聪明人下笨功夫了。

【嘉宾】都是我问他的私服。对，我有十几件，或者更多吧。

【嘉宾】这个写的是我们公司三个十年的愿景，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。

【嘉宾】对。

【嘉宾】对对，那个是我们的使命， Battle AI, Better Life，更好的人工智能，更好生活，这个是一百年。

【嘉宾】对。

【嘉宾】对。

【嘉宾】这个公司的一个战略。这个飞轮的话，就是数据驱动飞轮，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，对。这个我们也可以后面展开讲。

【嘉宾】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。

【嘉宾】就没有包含自研，就是三方的。

【嘉宾】对对对。

【嘉宾】从现在的市占率来看的话，就是我们跟华为的市占率是最好的。其他家的话，可能还有很大的一个差距。

【嘉宾】就是城区NOA。

【嘉宾】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，或者有可能在现在。

【嘉宾】就已经关闭了。就是这个行业有几个特点，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。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有90%吗？

【嘉宾】加在一起已经到90%，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。如果你从这个角度去思考的话，还要持续地往上走，对吧？从L2加到L3加到L4。而这个人工智能或者智驾的算力，现在还在加速，每年10倍，每年10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去投研发的。但是第二梯队的话，没有一家全，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技术的研发的钱是非常非常有限的。

【嘉宾】其实我觉得会加强。对不对？比如说你是车企，你现在要定点一个供应商，你这个车型的话，最重要量产五年左右的时间，或者说维护和迭代五年左右的时间，那你首先会考虑说这个供应商能不能活五年。其次呢，又会考虑说，即使它能活下来，它这五年的技术是跟第一梯队的差距在缩小呢，还是在拉大？因为车企最重要卖车，最重要向消费者去宣传，未来有可能还从这个买断的模式，升级成订阅的模式。升级成订阅的模式呢，那要的，这就已经不是只靠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。

【嘉宾】会是一个变量。所以我刚才说嘛，中国就两三家嘛。

【嘉宾】就两家，我觉得非常确定的一个是我们，一个是华为。

【嘉宾】但大家不可能买特斯拉嘛，谁会买特斯拉。所以他实际上没法变成一个三方供应商。就是他想做这件事情，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，反而是个制肘，是个限制。

【嘉宾】这可能是两年前的facts。现在不是这样了。两年前的这个乘用车的话，可能是一个好玩的玩具。就是有了这东西，然后可以宣传，然后有一部分特别喜欢玩的用户的话，他愿意付钱去买这个东西，这个东西更多是玩的东西。

【嘉宾】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，是刚刚进入的好用的门槛，还没有到极致的好用。如果是每年10倍，每年10倍的话，我相信到了28年，哪怕是一个端到端成熟版本，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。那这时候，它就进入了一个非常好用的阶段，它就从一个must have，变成了一个must have的一个产品。这个的话，其实我从一线，从客户身上的感受是极其强烈的。

【嘉宾】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，他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。后面啊。那已经排到第四了。这个具体在第几，我这个可能不太清楚。反正就是，前面有很多就更重要了。可能几年前的话，他远远不到第四了。可能第一，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，超过价格外形之类的，我觉得其实还是挺难的。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。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。

【嘉宾】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。就是它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工程，但现在的话，可能智驾的体验，他也变成了一号位工程。不是说，只会研发，他会直接跟我们，去谈智驾体验应该是什么样子的，对吧？就是，他在使用智驾的过程中，可能有什么样的问题，这个问题的话，这样在更广大的消费者的视角来说，更好的体验到底是什么？

【嘉宾】一定的，就比如说，这个智驾的安全性的体验，再比如说，各种各样的紧急情况的处理能力。我举个例子，就比如说，我拿我们自己的点，就比如说，我们的R7和R6，R7就是你们最新的模型，R6是上一代。我举个例子，就比如说，施工的场地，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，

【嘉宾】我觉得各有特色了。

【嘉宾】嗯，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，实际上你可以配置不同风格，但是呢不同风格的话，就比如说你奶爸车的风格，还有运动车型的风格，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%，然后差异化的部分可能占了10%到20%。一般来说一个产品，它如果只是好跟更好的话，可能市场就会有一种质疑，认为是那是不是谁都能做？

【嘉宾】我觉得这还是挺好玩的一个特性的。其实就是好跟更好的这个行业，它就是规模效应特别强，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、三四家，全球两三家、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，这就有好多家。包括了这个车，车品牌本身，车的品牌，它的造型，它的内饰，包括它的操控，然后不同的人的话，也有不同的偏好，所以全球的品牌、中国的品牌，它也不可能中国就有两三家，全球就有三四家。对，就是观点，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，但不符合这个行业特性。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。就像没有人喜欢跟所有的人穿一样的衣服，年轻人，没有人喜欢天天穿制服，那是你天天穿私服。我觉得还是对中国两三家、全球三十家（注：疑为三四家）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影响，但它可能会加速这个竞争。拿电动车来类比它的入华那个时间点的话，那时候电动车其实还是很有争议的，然后有做得非常好的品牌，也有做得不太好的品牌，但特斯拉就加速了这些不好的品牌出清，然后好的品牌越做越好。对，就是带着整个行业，大家一起去卷安全。

【嘉宾】非常期待，非常期待。

【嘉宾】我觉得它入华那个时间点，如果是今年年底，然后呢我们的智驾今年年底的智驾的话，肯定我觉得这个各有千秋。我觉得各有千秋，对，我们可以期待那个时刻。

【嘉宾】我觉得你就把它当成一个内部的供应商，然后呢我们当成外部的供应商，然后大家同台竞技。其中的话整个市场会持续的consolidation，持续的整合，持续的更集中。

【嘉宾】这个就要看这个车企的整个战略到底是什么。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，也不是说我的车企能做电视，而是说我知道我的用户是谁，

【嘉宾】我知道我的用户喜欢什么样的产品，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，再从产品倒推说我需要哪些技术，然后再去整合这些技术。我觉得这是车企的最核心的能力。车企实际上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，给用户带来惊喜的。

【嘉宾】它是其中一部分。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，其实没有本质区别，就像自己造一个电池和电池用宁德时代的，没有什么本质区别。

【嘉宾】对也不对。

【嘉宾】比亚迪为什么会起来？他垂直整合了10年的时间，直到2020年左右的时候，他推出了汉，他才快速地起来。另外一个的话，就是他快速起来的那段时间，是中国新能源大发展的时间。垂直整合的话，你可以认为他就有点像用杠杆去发展，如果刚好这个时机非常好，用了杠杆，赌对了，可以发展很快。我觉得比亚迪真正跑出来的很多原因，就是垂直整合的杠杆刚好赶上那个时机，然后对他的发展起到了很大的决定作用。我觉得这个是对的，但是呢，他不是最本质的。最本质的还是他在那个时间点做出来了像汉这么好的产品。

【嘉宾】品牌我觉得是一个心智吧，就是你觉得它心之所向，你听到这个名字之后，它就带点光环的那种感觉。

【嘉宾】对，我觉得品牌本质上是信任，本质上是信任。然后这个信任从哪来呢？肯定是一代又一代的产品，持续的 over deliver，然后你才建立起来的这个品牌心智，或者建立起来的这个信任。那持续的 over deliver 又来自于什么呢？还是说你到底需要什么，然后你可能说不清楚，但是只要你试到了你就知道就是它了，而且其他的产品没有。

【嘉宾】这肯定有帮助。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，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。

【嘉宾】我觉得知名度一般，美誉度尚可。

【嘉宾】对，谈到品牌谈到信任，就都是C端。

【嘉宾】这个比较少，因为我们大部分的客户都会跟我们做 co-marketing。比如他去卖车，卖智驾方案的时候都会讲，这是我们地平线的智驾方案。所以一旦用的话，大概率都是知道是我们地平线的方案。

【嘉宾】就跟我们这个十年的积淀，十年陪伴两亿人出行，对应的就是安全、安心的品牌形态。

【嘉宾】对。

【嘉宾】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。

【嘉宾】对，今年，然后明年的话会打平，后年会盈利，对，就是。

【嘉宾】当然这也是一个选择，就我们这个结果，对应的前提是说，我每年的研发投入，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GPU，就是训练的资源的投入。我今年可能是两亿美金，明年是四亿美金，二八年可能是六亿美金，就这个增长的节奏，我觉得就还不错了。然后另外这个增长节奏的话，我们是有信心，让我们做到每年十倍，每年十倍的提升的，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，到二七年打平，二八年盈利，我们觉得就是，既然我们上市，就刚才提到说，我们的战略目标，就是Brand Trust，既是面向消费者的品牌核心，也是面向投资人的品牌核心，对吧。你如果上了市，如果亏损不断放大的话，那可能会损害这个投资人利益。

【嘉宾】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，你包括比如说像华为，我觉得他肯定大概也会做，对吧，然后很多车企也在做，那全球范围内的话像OpenAI，他也在做。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，就是机器人应用场景里面的C端，可能是家庭机器人，因为场景最复杂，然后商业价值也最大。

【嘉宾】就是我相信我们的这个毛利润的持续增长，肯定能够支撑我们这个，把机器人做出来，对。

【嘉宾】就我们今年其实也不会做，或者不会加大地投入，我们计划的话，可能是明年。两方面吧，就是你从终局史来倒推的话，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，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，我们现在端到端是World Model，World Model的话，很重要的一个点，就是在物理世界。

【嘉宾】这个海量的数据能够真正被用起来，用Buzzword的话就是Scaling，开始Data Scaling，Model Scaling，然后物理世界的规律可以预训练到这个模型里面。有了物理世界的规律，在自动驾驶的话，你可能Middle Train学的是驾驶常识，然后Post Train学的是好行为的对齐Alignment；对应到机器人的话，Middle Train可能是Domain Knowledge或者具体领域的常识，然后Post Train的话也是Alignment，就是好行为的对齐。你可以看到，两个的研发范式是非常相似的，然后背后的Data Infra、Train Infra也是高度可以复用。对，World Model这个东西的话，我们在去年就验证这个东西是Work的，我们愿意再量产一点，然后今年的话会量产交付。

【嘉宾】在今年上半年，就我们跟那个做机器人的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。一个代表型公司像Genrist，就是他用大规模的数据，而且是无本体的数据做Middle Train，完了之后用本体数据做Post Train，那就把这个成功率的话可能从50%提升到90%。这件事情的话在机器人领域还是带来很大的震动。所以的话你会发现，可能在一年前做机器人的话，更多的是聊为那，今年的话规模的机器人公司可能更多的是说我妈妈都这么做。

【嘉宾】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，这个数据的成本大幅地降低，数据的效率会大幅地提升。另外一方面的话就是，大规模的Post Train意味着你需要大量的数据，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。

【嘉宾】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问题，只要有自动驾驶在前面，就是机器人端侧的计算应该是够用的，可以同时部署这个物理大脑和云大脑在端侧。当然，云端可以部署一个更大的云大脑，端侧部署一个小一点的云大脑，在前面一个物理大脑。

【嘉宾】这个算力的话，可能在二八年就能解决，而且解决很好，而且在自动驾驶上已经被验证。我知道有个小的问题，就比如在家庭这种场景里面，理论上来说，它的网应该可以很好的吧，即使这种情况下，它还是大部分得放在端侧在云端去处理的。然后呢，云大脑的话，有可能比如说那个小一点的云大脑，也不需要放到端侧，只放到云端也可以。但如果你需要这个非常好的一个成品体验的话，那端侧也需要有一个云大脑。

【嘉宾】对，但是物理大脑、云大脑的话，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其实本地上是一样的，因为物理大脑的数据并没有上传到云端，然后呢，只有云大脑相关的一些信息，可能有些在云端。

【嘉宾】有些在本地，有些在云端处理，所以隐私的话可能还好，这是一方面。另外一方面的话，不管从可靠性、精度还有成本，都能做到还不错的程度。包括整个本体相关的供应链，都能做到比较成熟。我觉得真正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一万美金，或者一万美金到两万美金，但是最理想的情况是做到一万美金。

【嘉宾】首先的话，在我们看来，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Robotaxi，包括Robotaxi这个飞轮已经不完全是数据飞轮，它可能在数据飞轮的技术上、这个体系进步的升级，它变成一个L4的飞轮，变成一个Robotaxi的飞轮。就是整个研发能力的溢出，或者组织能力的溢出已经有了。这时候我再去做机器人，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，那就会出现三个锅两个盖子，你怎么盖都盖不住的问题，会很痛苦。

【嘉宾】我觉得宇树首先在中国的机器人里做了非常开创性的工作。

【嘉宾】没有。但我大概知道，宇树的话更多的可能从这个身体的角度去做，但我相信……

【嘉宾】肯定也从小脑做了大脑，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。

【嘉宾】对，这一造的话，我觉得中国的整个的供应链，整个的这个身体是非常非常完备的，不需要我们去造。

【嘉宾】呃，这个还在这个探讨过程中，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，就有些人可能是做偏平台的，说要做Robotics领域的安卓，他们做的是偏大脑部分；创业公司里面像Pi，他也是做的偏大脑部分；然后更多公司的主流选择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。

【嘉宾】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呢？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增量价值，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，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，那就选择自己去做。

【嘉宾】对对对，嗯，就。

【嘉宾】这件事情做成挺难的，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很多的成果，但又不完全一样。刚才提到说百亿美金或者是数百亿美金，那我们在做这件事情的话，我觉得有两方面的优势。一方面的优势的话，实际上就是我们在不管是Train Infra、不管是Data Infra、不管是人才积累、不管是Foundation Model上的成功经验，这些很大程度上都是可以复用的，还有高密度人才的溢出，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。百亿美金现在听起来很多，但是我的判断，Embodied AI在未来几年是一个爆发式的增长，这个增长会主要来自L4 Consumer的业务。我们在描述的时候其实不把这个量产叫做产生价值的业务，我们叫量产，因为量产计划L4 Consumer也有，也有L4，而且我们的判断这个拐点，就L3、L4的拐点可能就是28年。可能28年之后比如说到了35年，量产业务就没有L3了，所有的产品形态全部都是L4的产品。

【嘉賓】這個看公司的戰略選擇，就比如說我們在中國，在Robo Taxi的業務上，我們的戰略選擇就不是說我去做一個平台，我跟滴滴競爭，我跟高德競爭，我跟T3競爭，我更多的是選擇合作。我們的定位就是一個ASD，然後我賺的就是ASD分成的這個錢。所以這個車隊可能不是你在運，是命運和第三方的平台在運，就這個CAPEX不是我們來出，是我們的夥伴來出的。這還是我們戰略選擇的一個很重要的出發點，就是我做這件事情，到底能不能給行業創造新增價值。如果我能創造新增價值，我就做了，如果沒辦法創造新增價值的話，我就不做了。這樣的話一方面能更聚焦，另一方面也能避免一些不必要的內卷或者競爭。

【嘉賓】坦率來說，我覺得Scalable Robo，如果你從這個是不是一個好的business來說的話，如果看未來五年，我們的排序是什麼呢？就是Robo One排第一，Robo Truck可能第二，Robo Taxi排第三。

【嘉賓】One的話主要是做同城配送，涵蓋了四輪、兩輪，還有這個小三輪。Robo Truck的話，其實也是掙錢的一個business。幹線的物流，我們覺得是自動駕駛最後一塊拼圖，因為它的難度非常大，既有技術上的難度，也有比如說商業和政策上的難度。所以幹線物流的話，我覺得即使做那也是最後做，不是現在來做。我們說Truck是大宗的物流，大宗商品的物流，就比如說拉煤、拉礦。然後短途的話，就是跑三五十公里，長的話可能一兩百，最多兩三百公里。然後跑的路根本就不是幹線，也不是高速，跑的都是很郊區，甚至是很荒的路。這個荒的路有可能是很爛的柏油馬路，也有可能是車壓出來的路。它可能有路有路基，但是這個路看起來跟我們日常出行開的路就完全不一樣。所以你說這個場景，這些路可能主要就是在運這些東西，相當於是某種意義上的一個特定的。它不完全是，就是有的大宗的產品是這樣的，就是這個路就是為這個大宗開的。但有的不是。但這些路肯定都是郊區的，場景車流量不會特別大，但是場景的複雜度肯定也挺高的。比如說路上有坑，然後有動物橫穿，甚至有的大宗的場景，就狼在馬路上溜達，對吧。這個可能也會有車也會有人，但人和車的話相對會稀疏一點。

【嘉宾】对，因为需求的话会更强烈，另外一个竞争相比Robotaxi会更少一些。

【嘉宾】对，就我们叫Scalable Robo。

【嘉宾】我觉得Waymo在Robotaxi上取得的非常好，现在是有关系的。另一方面Waymo也拿到了特别大的融资，也有很好的估值。

【嘉宾】我觉得这两条已经很重要了。

【嘉宾】我觉得就是可能要考虑的因素会多一些。

【嘉宾】坦白来说，作为这样的公司的话，就这样的话题被讨论的很少。对，就是你只要有利于这个业务发展，我们都会投入，但我们投的话都是以创业公司的方式来投，就设置一个一个的最小闭环，一个一个的验证，然后每个Milestone被验证的走入下一个阶段。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。反倒更重要的是说，我怎么把这个Foundation Model做好。

【嘉宾】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。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，或者说任务这条线，它是一套相同的底座。那为什么是到R7的时候，你说又验证的它是可以再多。

【嘉宾】然后呢，但我们进一步验证的是，在Robo 1和Robo Truck的场地，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，就完全一样。但是Robo 1的场地和Robo Truck的场地还是有些差别，尤其Robo Truck的场地，还是需要有一些相同的，但又需要有一些不一样的东西。

【嘉宾】这个不就是研究我们的更好人工智能，这个更好生活，然后这个不断的一步两步三步去做，就是相当于第一曲线第二曲线第三曲线。你比如说英伟达大家还是会说他是家GPU公司，还是AI基础设施。

【嘉宾】他可能会是一个规模多大的公司？

【嘉宾】那時候我才30歲，然後我們公司好多人才年紀大一點，可能28歲29歲，年輕一點的24、25歲，就是很年輕的一個團隊。然後在那個時間點，做智能家居創業的公司有多少家？一兩百家、兩三百家。你說那時候，我是因為覺得說最終我們能跑出來、我們能上市，所以我做這些職業公司？那我覺得不是，我覺得更重要的還是說做這樣的事情很有樂趣。我們的初心是覺得，我已經做了很多年的感知智能，那我想做認知智能。認知智能的話，智能家居是一個很好的切入點，同時它有特別大的客戶價值和社會價值，就是十年解放百分百的時間，提升出現的效率反悲，對吧？所以就在感興趣的方向，然後不斷地去創造覺得我們應該創造的價值，就一直做到現在。回頭去看的話，這每年其實都會遇到很多的問題，然後也會解決很多的問題，並沒有想著說我們的目標是成為多大體量的公司，或者是說一定要成為Number 1。當然Number 1心裡面是有這個目標的，但是在我看來這個目標不是那麼強烈的，或者不是排第一的那個點。排第一的那個點的話，更多的還是或者說每天不斷感受到的那個點，是說我在對問題有更深入的認知，然後技術上有更多的創新，然後跟一幫非常純粹而優秀的人一起去解決問題、創造價值。我做出來的產品有更多用戶使用了，然後當然有用戶也吐槽，但也有越來越多的用戶這個從吐槽變成了認可、喜歡用我們的產品，並且開始跟他的家人、跟他的朋友去推薦我們的產品，我覺得這個過程是開心的一個過程。那同樣的就是剛才提到的我們的第一曲線、第二曲線、第三曲線，這個過程的話就有點像打遊戲一樣，你第一關打完了覺得很好玩，那就進入第二關，第二關打完了覺得更好玩，那我們進入第三關。

【嘉宾】其實就是說一個科技公司它是怎麼去拓展的，這個的話其實是需要設計的，就包括了比如說你做Learning的時候，也有一種方式就是課程學習，就跟你先上了小學，再上初中再上高中是一樣。同樣做一家公司的話，整個的路徑也是需要設計的，就比如說我們先做兩產，再做Robo，然後再做這些人。對，做下一步之前在上一步的話，就要為這一步考慮，也要為下一步考慮，這一步的目標的達成對於下一步來說是一個很重要的積累。

【嘉宾】不是，機械人可能最早應該20年21年的時候，就疫情期間。為什麼覺得家庭機器人的價值特別大，以及為什麼我覺得老齡化和少子化是機器人對於社會帶來最大的價值，就一個特別具象的事情。我大概是哪一年？可能疫情後的第一年，二、三年的時候，那時候是疫情期間回老家，二、三年的時候，就疫情後第一次回老家。回老家的時候跟家人聚會，家人聚會的時候，那時候就跟家人講，就我的姑母、大姑問我說這個徐東你們在做什麼呀？我就先開始給她講我們的自動駕駛，這個大姑聽完之後就兩字：非常棒，就很棒。然後完了之後說，你們還有啥？我就跟她講說，我們這個未來也會做機器人。

【嘉宾】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，中间没有回去，二五年的時候又回來趟老家，回來趟老家之后的話又去拜访大姑。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，这个好多人就聊了，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，我们的自动驾驶现在还是处在什么阶段，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十万块钱左右吧。然后我大姑的第一反应就说，哦这十万块钱不算贵，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，那十万块钱挺值的。那到时候做出来的时候，第一时间给你大姑买一个。我当时印象非常非常深刻，就我强烈的能感受到说，这个家庭机器人能够给家庭给家人，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。

【嘉宾】所以一方面是说要有设计，那一方面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上不断地去拓展，就真的突破人工智能边界，也能够更深入地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，有很多的启发。

【嘉宾】这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Beltway的追求之外，我们追求的，比如说Automotive上面的价值，就是10年挽救百万生命，解放百万小时，物流和出行的效率翻倍。我怎么把价值创造出来，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Robotaxi。量产的话，我作为供应商的方式来做，比如说我自己去造车，因为没有OEM，对。然后包括当代理提供做Robotaxi的话，我们也聚焦做ASG，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ASG，跟大家去合作的一个方式，对对。

【嘉宾】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些事情。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的价值，行业里面目前是没有现成的产品，没有现成的玩家。

【嘉賓】其實你本來不是學這個，這個可能得回溯更久的時間。那時候應該是在20年，2006年的時候，其實我個人是對數學對物理特別感興趣。2006年已經上本科，大二，那時候的話，我應該是修了統計物理，學習統計物理的過程就感覺特別開心，順帶就從統計物理延展到統計學，然後又從統計學延展到統計學習。而統計學習的話，它本質是從數據裡面去學習知識，甚至體驗出智慧的一個過程，當時就覺得這件事情很神奇。現在的話可能大家都知道了說，這個深度學習實際上是統計學習的一個分支，而大模型又是深度學習的一個分支，但在那個時間點的話，就覺得這件事情特別特別有意思，就進入了這個行業。

【嘉賓】首先我先說一下就是，當時怎麼去學這個人工智能的。就我個人的學習習慣的話，不太喜歡就完全看課本，更喜歡從問題出發，或者從我要做的事情出發，我需要什麼東西我就學什麼東西，大概是自學的過程。所以當時學習AI的話也不是去上課，然後專門去做什麼樣的練習，不是的。當時的話可能就有什麼樣的一些具體的問題，然後可能跟人工智能有關係，用人工智能的方法去解決。當我發現有些東西我不太懂的時候，可能就去查查書啊查查論文，按照我的理解去實現，實現出來的效果不好的話，有可能我的理解有問題，然後我就再去回頭再看一看，不斷疊代到問題解決為止。基本上我人工智能學習的過程就是這樣一個過程。

【嘉賓】我就找公司去實習，這個實習的崗位的話，剛好跟人工智能有一點關係。

【嘉賓】2006年倒不是，我找實習的話可能更多的是2008年2009年。其實最早的一份實習，那個公司我估計大家都沒有聽說過，當時是一個國企，這個國企下面有一個研究院，這個研究院的話，是專門為鐵路提供服務的。他做的是圖像處理，然後在鐵路下面放一個快速的高速的相機，當這個火車經過的時候，他會拍很多的照片，基於這個拍攝的照片來識別說，這個火車可能有哪些疑似的故障，然後報警出來，然後讓人去排查。比如說這個火車底部有一個零部件鬆動了，或者是說這個火車經過的時候，有一塊石頭彈起來，然後砸到的這個火車底部的某一個關鍵部件，這個關鍵部件可能處在一個不健康的狀態，需要去維修保養等等。這些工作的話，如果沒有自動化的方式，沒有智能的方式去檢測的話，人去檢測，第一個有可能會漏掉，第二個的話就是檢查的工作量特別大。這是我的第一份實習的工作，其實並不是說一些特別有名的AI的LAB，所以它是一個計算機視覺在一個具體場景的應用。

【嘉賓】當時其實我一開始就想進入烏染亞醫院，但是第一個我不是計算機背景的，第二個我也沒有人工智能的相關的一些經歷或者課程，所以投過簡歷，但是並沒有被錄取。所以剛開始的時候，我才找到了我剛才說的那個地方去實習。後來的話經歷的，兜兜轉轉好長的一段時間，先到那個公司實習，後來去索尼研究院，然後再到雅虎研究院，不斷的積累經驗，不斷的成長。

【嘉宾】然後後面再去申請烏染研究院的時候，才獲得在烏染研究院實習的機會。坦率來說我不是那麼喜歡讀書的人，我是更喜歡解決問題的人，對。其實我對於publication，就發表論文也不是那麼感興趣，我更喜歡解決世界問題，把一個東西做出來，然後大家都用起來，大家都覺得這東西很好玩，很好用，解決實際產品中的關鍵性的問題，或者去解決一些很底層的關鍵性的一些問題。

【嘉宾】那時候談不上說這個有什麼深刻的理解。那時候的話就是第一對人工智能覺得這件事情特別信任，另外一方面的話就覺得這個領域，還有很多的大的問題還沒有被解決，還處在這個領域非常初步的階段。另外的話就是覺得做這件事情的話，可能每天能充滿火力，就是當你去做一件你喜歡的事情的時候，你會覺得每天都很樂趣，每天想起床，每天想工作，每天覺得自己人生是用一個詞叫生機瀑瀑。就是智能這個問題是一個急劇吸引力的一個問題，就是一旦你開始思考這個問題的時候，很多時候你會發現你停不下來。而且這個思考的話不完全是從比如說現有的人工智能的體系框架裡面去思考，它僅僅是其中的一個視角。你還會從比如說動物的智能、人類的智能、生物的智能這個角度來思考。人工智能、人類的智能，它其實可能有一些底層的共通的一些東西，那這些底層的共通東西到底是什麼？所以這是一個你覺得機會很多，然後也可以很深的方向，對。就是我覺得是一片未知的值得探索的新大陸。就像我們公司辦公室的命名一樣，我們辦公室有一半的名字是大航海時代發現的島嶼的名字，然後另外一半的名字是科學家的名字。我覺得在那個時間點去看人工智能的話，就有點像未被發現的新大陸。

【嘉宾】好多年都是陸飛，其實我喜歡陸飛是因為One Piece One Team的那種感覺，好，就一個團隊，一個團隊。就包括了我們IPO的這個項目的代號也叫One Piece，OP，OP One Piece。就在一起的這種經歷和這種感覺就是保障。

【嘉宾】對對對，孫老大，我們平時都叫孫建孫老大。當時加入的時候，其實是我在那邊實習的時候做了一個比較好的工作，然後可能跟前人的這個做法不完全一樣，是全新的一個方法並且取得了一個很好效果。當時孫建孫老大覺得這個工作做得還是挺不錯的，然後就給了我一個非常特別的工作的機會。我當時本來我其實也不太喜歡讀書，然後也不太喜歡去讀一個PhD，所以就直接在那邊工作。

【嘉宾】孫建對我的幫助還是非常非常大的。其實在這之前我的這個工作習慣，我是更喜歡比如說邏輯思考或者理論思考的一個人。我覺得可能好的工作就有點像愛因斯坦發現相對論一樣，然後有一些定層的製造原則，然後有一個理論框架，基於這個理論框架的話，我就可以想出來一些精妙的方法或者點子。但是跟孫建一起工作之後的話，孫建其實工作的風格非常扎實，非常非常重視實驗，也非常非常重視實驗裡面的現象。尤其跟你的預期非常不一致的現象出現的時候，可能會有更為重大的發現。後來我就漸漸的有點改變了我的認識，然後我覺得一流的工作很多時候不是想出來的，一流的工作很多時候是做出來的。尤其當你有一些跟預期不一致的發現的時候，這個可能是更加一流的工作。原因是什麼呢？就是世界上聰明人太多了，然後這些頂層的原則理論框架大家都知道，那基於這個同樣的原則同樣的框架，那可能推演出來的一些好的想法，可能不會有特別大的，可能會有一些創新，但是創新的話很難是最頂尖的創新。但是呢當你去做大量實驗的時候，尤其關注這些實驗裡面跟預期不一致的現象的時候，這些新的現象，很有可能是只有你知道別人不知道的東西。如果你能對這些新的現象有深刻的洞察和組織，那很有可能是去發現一些新的東西，創造一些新的理論，而這個東西的話，很有可能是非常非常一流的頂尖的工作。

【嘉宾】有幫助。比如說現在我們公司經常講的做產品的話

【嘉宾】就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笨拙地去看具体问题的数据，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地去修正自己的一些观点，然后抓住问题的关键点在哪。但是有时候聪明人他不是那么喜欢笨拙地去看这些数据，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聪明人下苦功夫。

【嘉宾】是相通的，而且大模型的话，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，一定要找到尽可能多的一手数据去检验自己的想法。因为他的实验成本更高，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。

【嘉宾】当时是这个微软的前同事，然后，不过那个汤老师，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。

【嘉宾】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加的这种概念。

【嘉宾】我觉得现在的技术发展其实就相当是下个阶段。那时候可能是一系列的专用的小模型去赋能百业，现在是一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，然后分别成一堆的小模型。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常识的能力。

【嘉宾】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，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。然后一月份的时候我去了一趟硅谷，跟很多投资人也有交流，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在暴涨。我当时的第一判断就是Anthropic可能是在那个时间点最便宜的、员工制度的公司，因为这个很简单，你就算是看市销率就知道。Anthropic其实对于整个大模型行业做出了特别重大的贡献，这个特别重大贡献就是把L2的agent或者L2的coding agent，在比较短的时间内，当然也是长期的积累带来，然后变成了L4的agent。如果仅仅是一个L2的agent，可能整个市场规模的话就是一个百亿美金的规模。

【嘉宾】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。L2的coding agent更多的是人在写，大模型在辅助；变成了L4的coding agent，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，它可能不是一个万亿的市场，它是一个十万亿美金的市场。

【嘉宾】我去的时候其实就负责跟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，性价比以上最便宜的就是在香港的时候，你自己后来创业海拼。

【嘉宾】对，当时也没有全职员工，所以我当时就从清华招了好多实习生，有很多实习生还是非常厉害的。招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，有时候就打车回家，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，就突然从沙发上跳起来，然后就接着干。我觉得那段时间的话，还是挺激情燃烧的。

【嘉宾】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毕业的课题，我特别喜欢。然后我就经常晚上干到一两、两三点，有时候就睡在实验室。我个人这个人很多时候是比较懒惰的，绝大部分时间都睡到很饿，但那段时间那个课题是我特别喜欢的，我就早晨起得很早，然后晚上会睡得很晚。而且那时候刚好因为我是实验室里面最小的，我分到的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每天工作特别长时间，后来就得了这个干眼症。但是做的课题是我特别特别喜欢的，那个课题后来也很成功，然后也跟这个师姐一起发了论文。尽管我后来没有去做物理，但是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，还是我是一家公司的创始人也好，只要这件事情它确实有价值，这件事情有特别特别的吸引人，我很有兴趣，那投入的状态就是一个all in的状态。

【嘉宾】对对对。

【嘉賓】是這樣的，我首先的最底層的是想把這件事情做成，哪塊短板需要我學什麼，需要我做什麼，我都會去學習，都會去做，這個是最底層的。但你要說這個最天性的，那可能還是非常放鬆的狀態，然後去討論一些深刻的技術問題，這是我更喜歡的。但是就是說，當這兩者有衝突的時候，我還是會服務於更底層的東西，就是把這件事情做成。天性是很難改的，但是的話天性很難改，不代表說你不能學，對吧？仍然可以學著去做商務，然後怎麼去跟客戶交流，然後怎麼去理解客戶、理解需求，然後理解我要創造的價值，這東西可以學。但我覺得就是天性的東西的話，會讓你在某些方面超一流，因為你天然的喜歡，你就不自覺地去想，不自覺地會想得更深入。而這個非天性的部分，是覺得這個東西有需要，你可以去學，你可以去成長的，也能做到一流，但是有時候一流就是天花板，很難做到超一流。你自己的天性會把你自己的影響，全部方向上都做到超一流。

【嘉賓】首先的話，我覺得對於AI整個的 passion，整個的熱情，以及對於一些關鍵的方向或者重大的問題，以及重大問題更深的判斷，隨著你解決的問題的增加，你會發現對於一些重大的方向的判斷，對於重要的架構的判斷，以及關鍵性問題的識別，以及關鍵性問題更深的識別，這些更深的識別有可能是技術的，也有可能是組織上的識別，它的準確度可能會越來越高，然後需要的時間可能越來越短。可能在一個方向上卡殼的時間可能會越來越短，或者說在一個錯誤的方向上浪費的資源可能會逐漸的變少。所以你自然而然會去深入思考的問題，其實很多是戰略問題，包括技術戰略、組織戰略和方向戰略，可以這麼說。但是真的去做大的戰略問題的時候，不是只在上面去思考的，一定是 top down bottom up。當你有一個大的想法的時候，一定要去主動地去找，檢驗你的戰略判斷或戰略方向的一些關鍵細節到底是什麼，然後主動去找，找到了之後去檢驗，是不是跟你的想法匹配還是不匹配。匹配也是好的，不匹配其實也是好的，完了之後有了這些檢驗，然後再回來去調整你的關於戰略的一些想法。

【嘉賓】然後就不斷的 zoom in, zoom out，zoom in, zoom out。我記得我有一次跟某一個投資人聊，他說這個也是他最近學到一個新的詞，叫 zoomality，就是 zoom in, zoom out 的能力，而且快速的 zoom in, zoom out 的能力，這件事情很重要。而且 zoomality 有可能還能量化，比如說你向上可以 zoom out 幾層，比如說向上可以 zoom out 四層，然後向下又可以 zoom in 幾層，向下比如說你可以 zoom in 五層，zoomality 可能是等於九的話，那這個人就很厲害。

【嘉賓】這個可能是一個抽象的定義，就是你可以簡單地想，比如說一個公司裡面它有多個層級，每一個層級實際上它看的事情的抽象程度是不一樣的，那可能越往上抽象的程度越高，然後越往下具象的程度越高。那如果是這個技能到最高層的這個抽象程度，又能到最底層的具象程度，那這個肯定是比較厲害的。我的感受是什麼？就是你要做一個重大決策或者是解決一個關鍵性的問題，不能只在某一層思考，然後這個不斷地 zoom in, zoom out，zoom in, zoom out，然後去思考，就是需要找一些具體的一手的經驗。

【嘉宾】我觉得首先这个商汤本身就是创业，我觉得这个创业的话，这个我就不管什么样的角色，就是我觉得都是一段非常宝贵的经历。然后后来创立魔问团的话，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，比如说跟计算技术去比。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，它有决策的部分，它既有感知智能又有认知智能。就我还是希望 bet my 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。而认知智能的那时候，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。那我总得找一个有代表性的行业去同时做感知智能和认知智能，同时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。

【嘉宾】那个时间点也可以做机器人，对。

【嘉宾】对，也可以做机器人，但那个时间点的话，我就觉得做机器人太远。因为那个机器人的认知智能的复杂度，即使放到现在，也是机器挑量和困难。而在那个时间点的话，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。

【嘉宾】对，所以当时其实主要就 Google。然后我当时也跟 Google 人交流，交流完之后的话，我觉得交流的几个人，他都没有从本质去思考这件事情，做成的核心要素是什么。

【嘉宾】对，其实我那个时间点就觉得这个核心要素就是数据。首先你的整个的上下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。

【嘉宾】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，我就想一些方法怎么去解决这个问题。我觉得今天也是看到问题解决问题，那有可能永远到不了终点。

【嘉宾】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，就是16年的时候。在20年的时候用 deep learning 来做 planning，可以认为 planning，autonomous driving 的 planning 就是一个初级的认知智能，就是它属于决策的那部分，决策那部分，然后可能就是一个初级的认知智能。

【嘉宾】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头文字的同事，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。

【嘉宾】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。

【嘉宾】首先这个东西可能跟我上大学的时候就有关系。我上大学的时候就非常好奇智能到底是怎么回事，然后我就研究了很多这个跟生物智能或者是人类智能相关的数理论，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吧，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，这本书我在那个缺点期间的时候还跟大家分享过，叫Unintelligence，孙健也读过这本书，我读的是中文版叫《人工智能未来》，他读的英文版是Unintelligence。我们还互相推荐，一开始以为是两本书，后面好像是一本书。然后这本书其实整本都在讲神经网络，只不过那时候它没有什么deep learning或者大模型这个概念，更多的是用神经网络这个概念，所以我受到这本书的影响也很深。所以其实不管我在Virginia也好，还是我出来创业也好，我对这个方向还是非常坚定的，这是其中原因。

【嘉宾】另外一个原因的话，就是我在Virginia做产品，我在商场也做产品。我见过真正端到端的水平达到人类水平，哪怕在一个很窄的trader的应用里面，它达到人类水平或者超越人类水平的水平。数据量都是海量，Virginia时候的海量是多少叫海量？那个海量可能是一个billion。一个billion叫海量，就是可能百万级的是做一个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。一个billion的话可能就做一个好的产品。但其实这是一个很朴素的数据量变大，你的效果就变好，是很朴素的应用部分。所以这两块东西就拼在一起，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信念。

【嘉宾】对，可以这么说。或者说相信和看见同时发生。

【嘉宾】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，还会做一些定量的判断。定量判断的话不需要说算那么准，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错了。所以我当时就做了一个自动测算，如果要实现大规模的无人驾驶，就比如说在全球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1100公里的数据，而1100公里的数据我觉得靠自由车队也是不可能采集到这么多数据的。

【嘉宾】其实很简单，就是两类的安全性是1100公里一次重大事故，那无人驾驶要大规模普及...

【嘉宾】往後的推演就是，那我哪裡可以獲得這麼多數據？那就通過量產，這就有了我們的戰略。首先要有數據，規模的人數據驅動，完了之後要有量產，完了之後的話，這邊是ROBO的一些應用，比如說ROBO 1、ROBO Taxi、ROBO Truck，就變成了我們的一個飛輪兩條腿，就變成這個樣子。

【嘉宾】其實沒有大的變化。但2016年的時候，並沒有把這個東西總結成一個飛輪兩條腿，那時候只是說我有這樣的理念反覆地跟大家講。後面發現公司人多了之後，你反覆講也沒啥用，後面就把它總結成一個飛輪、兩條腿拼起來，並且畫一個圖放到T恤上，發現這個有效，那就這麼搞。你能做這個很正確的判斷就是一回事，然後再往後就是你這個判斷怎麼一直執行下來。

【嘉宾】其實我覺得解釋是沒啥用的，這個真的解釋沒啥用。就是尤其對外部的投資人，我覺得解釋是一點用都沒有，就是你做到了，然後大家才信。然後你沒做到，憑什麼大家給你這麼高的估值？憑什麼給你非常高的估值下去投資？沒道理。但內部的話就是你可以去篩選，篩選相信這個方向的人。而且相信這個方向的人，他朝著這個方向去做，那你只要這個方向是對的，他總是可以拿到正反饋的。拿到正反饋之後的話，加強了組織對於這個方向的信念，那就持續往這個方向做。

【嘉宾】沒有。原因可能也不複雜，就是這個方向他不難拿正反饋。就是這個正反饋可能從最終的長期的那個結果來看，他的週期可能很長，他的週期可能是三年五年，或者甚至更長的時間。但如果你從內部的研發的進展、技術的進展來說的話，這個正反饋不需要三年五年才能拿到正反饋。如果三年五年拿到正反饋，說明你的整個研發體系的設計是有問題的。你的這個研發體系的設計、研發問題的設計，以及研發階段性的設計，一定會使得你在短的話，可能一週到一個月就能拿到正反饋，長的話可能也就三個月拿到正反饋。你不可能設計一個研發的路徑和研發的體系，然後這個拿到正反饋的週期是一年或者是三年，那這個研發沒法做了。

【嘉宾】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，今年可能就几百台，明年可能是几万台，28年的话可能就十几万台。

【嘉宾】不是，就是Robotaxi，所有的全无人驾驶，就是Robotaxi。你已经能看到这个时间表和节奏了。

【嘉宾】其实我觉得这件事情，可能在差不多24年的时候你就看到。对，24年的时候，我们当时不是提出来智驾行业的摩尔定律吗？

【嘉宾】其实我们23年的时候是实现了这个DeepPlanning，然后24年实现了端到端，对，24年有了强化学习，26年的话是VLA大模型。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，但是这些技术突破背后底层的就是这个模型才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10倍。

【嘉宾】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也有一大的调整，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、能够打仗的这样一个创业公司。

【嘉宾】可能17、18年的时候，那时候我还不够寒葬吧。

【嘉宾】就比如说跑跑投资人，然后跑跑客户，然后研发的话可能跟大家聊聊。就那时候，套用我刚才定义的那个总监立体那个词，那时候我的总监立体可能等于二，往上看一层往下看一层就结束了。

【嘉宾】就是All Promise，对于投资人All Promise，就比如说我们的产品的进展，我们商业化的进展，然后都All Promise，而且严重的All Promise，都不需要我从内部发现，外部的人都能看得出来。

【嘉宾】其实也不复杂，就是首先的话跟大家讲，我们是一个创业公司，我们要为客户创造价值，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，完了之后理念上引导完之后就树标杆。

【嘉宾】比如說來個同學在確實按照這個理念做出來好的技術，然後帶來了成品價值的提升，那就誰上誰下誰去誰留，這個很容易就……當然我現在說的有點輕描淡寫，當時其實還是挺痛苦的。

【嘉宾】但排出來來說就是，你現在回頭看，其實也是很顯然的問題，然後解決方法的話其實也不複雜，但當時發現這個問題到解決問題花了很長的時間，然後過程中也犯了很多的錯誤，然後也經歷了很多的痛苦。如果現在去做的話可能很容易解決，當時的話可能整個公司動蕩了半年的時間。

【嘉宾】我覺得你首先對於問題的總結和體驗，比如說我現在馬後炮地去總結，那肯定是很準，同時也直抓要害。但比如說在那個時間點的話，那我看到的都是牽一髮而動全身的問題，最重要的問題是哪一個，次要的問題是哪一個，哪些問題需要重點抓，哪些問題可以放放，可能在那個時間點的話判斷不一定準。

【嘉宾】我覺得大多數情況肯定是比以前準的，尤其是在事兒跟人牽一髮而動全身的耦合的時候，哪些到底是事兒的問題，哪些到底是人的問題，哪些是事兒和人都有相關的問題，這個我覺得現在的判斷力相比於之前來說，可能要準非常多。

【嘉宾】這個東西其實也是一種感覺，就有點像大模型的數據量足夠大的時候，突然就湧現了。

【嘉宾】那可能是今天時間比較晚，就到了晚上是吧？到了晚上直覺就會更強。

【嘉宾】一個是那段時間，就19年的時候。另外一段可能是21年吧，21年到22年初。那段時間剛好也是疫情，然後又遇到我們第一個兩台項目的交付，這個各種機緣巧合吧。

【嘉宾】不是因為它是第一個的，而是因為它確實、確實很難。就哪怕比如說把這個項目，然後拉回到現在、放到現在，然後再給我們這樣一個項目，它也是難度級別可能是最高的。

【嘉宾】週期的話，就你放到現在其實那個時間還是蠻寬裕的，就差不多有1年多的開發週期。但是當時新東西太多了，車是新的，執行器是新的，傳感器是新的，然後所有的關聯件都是新的，芯片是新的，域控是新的，然後域控上面的底層軟件是新的。所有的東西都是新的，所有的東西湊在一起，就是每個新東西都會有問題，就真的是牽一髮而動全身。而且那時候的話，我們的整個研發體系，包括我們的交付體系，都可以說很初級。很初級的話，遇到海量的問題，牽一髮而動全身都過來的時候，很多時候沒法準確地找到問題在哪。

【嘉宾】都會花非常多的時間。現在的話，可能依賴於我們的銀河體系交付體系，可能是1秒鐘的事情，或者1分鐘的事情。在那個時間點可能要花幾周，而且這幾周的話，就真的是有點像這個，比如說抗戰的時候，我們的武器不夠先進，我們就是靠人海戰術拿著大刀，然後去衝鋒，真的是血肉模糊的、極其痛苦的過程，然後最終拿到一個結果，才知道這個問題根因在哪，然後才能把這個問題解決掉。但現在的話可能就真的是1秒鐘1分鐘，然後就知道問題根因在哪，然後很快的可以自動化解決。

【嘉宾】首先的話，在那個時間點，不管是我還是這個公司的骨幹都非常在一線，所以就是這個一起去解決問題，一起去被這個現在看來可能很簡單的問題去困擾。後來找到這個問題根因，並且把這個問題解決之後，大家就去復盤，這個問題到底是出在我們的架構上，還是出在我們的研發體系上，還是出在我們的這個產品上。然後在那個時間點，我覺得大家對於怎麼做一套好的主線架構、怎麼做一套好的主線研發體系，逐漸就有感覺了。大家對於整個架構和體系設計的話有了感覺，有了深度，知道怎麼做更高質量的選擇、高質量決策，可能從那個時間點就出現積累。

【嘉宾】當時其實我們公司就有一個，叫復用主線和發展主線。就大家遇到一個問題的時候，你可以用方法12345來解決，但可能其中一個方法是可以復用主線現有的東西。然後如果主線現有的東西沒辦法解決這個問題，在主線的當前架構和體系下，然後怎麼去創新，能夠更好解決這個問題，而不是說在主線之外然後再去開一條支線，然後在支線上去創新。因為支線它帶來的問題的話，就是會分岔。當然這個概念放到整個行業裡面，不一定是新概念，因為我有一次跟華為的一個高管去交流的時候，他非常資深，他沒有用主線這個詞，但他說徐總你千萬不要有那麼多的煙囪，有那麼多的煙囪的話，你會被無代碼分析的。我一聽太形象了，煙囪就是支線。有那麼多支線之後的話，你會被無代碼分析的，所以這可能就是那個時候提出來一條理念。

【嘉宾】支架業務。

【嘉宾】對，他非常資深，在華為的話打過很多的硬仗，打過很多的勝仗，就是真的，我對華為是非常欽佩和認可的，很多時候就來源於跟華為的人交流、合作，然後他們的很多的做事風格，和他們的認知和理念，明顯就感覺視野非常高。

【嘉宾】有了這個復用主線、發展主線之後的話，我們也有我們的主線原則，比如說主線剃刀，主線合理和主線之類。剃刀是來源於奧卡姆剃刀，就因為我這個有時候……

【嘉宾】是深入看一些研發的問題的時候，就發現聰明人有時候喜歡把事情搞複雜。他是喜歡去假設一些假設，假設一些假設，對，假設一些假設。然後這些假設有些是重要的，有些是不重要的，有些又是他可能沒有考慮到的。然後你要解決這個問題的話，其實要抓住主要矛盾，和主要矛盾主要方面，然後去解決這個問題。然後奧卡姆剃刀的話，就是說如果有很多的方法去解決同一個問題，那就用最簡潔的那個方法去解決這個問題，而不是用複雜的方法。或者說你有很多個理論可以解釋一個現象，那大概率正確的那個理論是最簡潔的那個理論，就是抓主要矛盾，用最簡單的方法解決最關鍵的問題。

【嘉宾】主線合理，然後和主線之類，就是在解決問題的時候，要選擇那些在組織上大家能夠形成合力的架構和體系和方法，那不是說大家力量分散。就很多時候的話就是聰明，可能解決這個問題有A方法、有B方法、有C方法，它有這個加以併定。這些方法的話，就是單獨去驗證的話都是有效果的，但是放在一起，把方法融合到同一個架構裡面，沒辦法形成合力，那這些方法的話可能就不是好的方法，或者說是低效探索的方向。只有能夠形成合力的方法，才是高效被探索的方向。積累其實也是一樣的，就是在時間上是可積累的，在組織上是能夠形成合力的。所以這些口訣是指導大家在日常的很多小的選擇上，你優先選什麼的一些方法，就是怎麼做技術上的判斷，或者做技術上的一些決策的。我覺得這些東西它是類似的心訣，就是它是一個方法和思維上，你們還做的那些，就是比如說落實到你們自己的系統，或者說你們內部的比如說一些軟件流程上的那些東西，可以來提高你們整個的研發或者交付的效率。

【嘉宾】所以出了一個問題。

【嘉宾】這很早，就是那個GPT剛出來的時候，其實我們就用這個東西來做這件事。20年底20年初的時候，我們內部有一個選項令，叫GPT選項令。就是你用GPT，然後用一個創新的方法解決了一個實際的問題，而且這個方法或者這個工具不光你自己用的特別好，你還推廣到了至少一個內部用戶使用，你就可以拿這個獎。

【嘉宾】可能平均來看的話，10個人3個月，或者不到10個人3個月的時間。

【嘉宾】对。这个也看这个车的量产交付的周期，如果给我们的工程量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。可以这么说，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，很多时候的选择就是配置，不需要重新开发。

【嘉宾】就是如果仅仅说的是刚才说的这个能力的话，我觉得是有可能的。把功能全部都覆盖全了，把所有的传感器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。比如说需要真的做到100款车，可能三年做到100款车，只要你真的做了100款车，100款车可能对应的积累是可以做到的。

【嘉宾】但是有这个积累不代表说，就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，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。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，有自己的定位有自己的追求，然后在这个方向下不断的创新才有可能做到。

【嘉宾】就首先是不是真的相信这件事情，是不是相信数据驱动。

【嘉宾】特别是，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，然后数据驱动的方法能够做到。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。

【嘉宾】其实我们公司有两个文化，一个是以客户价值为中心，持续的围绕客户价值做创造价值，我觉得这件事情是很重要的。另外一个条文化的话，我们叫低成本短周期检验，或者低成本短周期试错。这个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zoom in zoom out很重要，你有一个方向性的判断，它的抽象程度可能很高，但是这个不是你在这个层面上自然而然说就够了，你得zoom in往下好多层，然后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。

【嘉宾】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。

【嘉宾】很难有这样的事情发生，zoom in。

【嘉宾】首先zoom in，如果一件事情是一个重要决策，比如说我们要做大模型这件事情，不会说我今年才做这个决策，而是说这件事情，可能我们在2021年就在讨论这件事情，然后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，哪些问题我们没想清楚，想清楚的问题重要程度是什么，还有我们没想清楚问题的重要程度是什么。

【嘉宾】等到真的要幹的時候，這不是說一個做還是不做的一個決策，更多的是說我選擇一個什麼樣的timing，以什麼樣切入點，然後以什麼樣的節奏，以什麼樣的路線去做這件事情。當然有可能這件事情醞釀了很長一段時間之後，發現這件事情不對，或者這件事情不適合我們做，我們最終就沒做，也有可能這樣。

【嘉宾】我覺得有這樣的印象，更有可能是發生在19年。那時候可能從這個lab轉變成一個以客戶為中心做產品，然後衝到價值的創業公司的一個氛圍。那個過程的話，就是很多事情其實在決策，然後調整上是非常硬。這就是為什麼我覺得那時候很折騰，就是事情折騰了那麼久的時間，動盪了半年多的時間才調整過來，然後過程也很痛苦。如果現在我去做的話，可能一個月的時間就搞定。但之後的話，其實我的感受就是公司的重大決策，都不是說我做了，然後我做了這個決策，然後告訴大家你們去幹，就這東西不work。重大決策的話，都是說我有一個想法，就天天跟大家聊，今天跟大家聊，明天跟大家聊，然後聽大家的想法，完了之後，這個真的幹。尤其重大決策真的幹的話，可能是有這個想法已經過去了，短的話可能過去了一年了、兩年了，長的話可能有這個想法，然後已經過去了三五年了。

【嘉宾】對對對肯定是這樣，所以你就需要把重大決策想得靠前。你不能說這件事情就已經要爆發了，然後才開始討論和考慮，那這個肯定是來不及的。但如果這件事情比如說在一兩年前或者三五年前，就考慮這件事情，然後這件事情在整個的組織裡面，經常地被討論，然後有不同的觀點，然後你來我往，然後不斷地去凝練，這可能是更好的一個方式。

【嘉宾】對，我覺得沒有特別的方法，就是如果覺得這件事情重要，我們就經常思考，然後經常地跟大家討論。反而這個想得多的、討論多了，然後你一手的一線的信息收集多了、沉澱多了，對，自然會有越來越深入的一些思考和認知還有判斷。

【嘉宾】說我們公司不是有需求三層，阿彌陀佛的需求、需求延伸。我覺得很多的一件事情，就是你必須要到一線去拿一手的信息，就是也做到辦公室先回報。這個東西很容易，但是做起來沒那麼容易，因為這個到一線去拿一手信息其實挺累的。但我現在熱潮蓋了之後，你用得比較多的一些公司的產品，就首先，就當我有特別開放想法的時候，我可能多個攤位先都會聊一遍。

【嘉宾】对，然后就相当于有多个顾问。然后这个交流量，但台发了以后，就现在大过年是一个，这些关键系统或是重大问题上的视频。跟公司的优秀的人这个无关，或者是高管的视频，我觉得还是很大差异。但是的话，作为一个信息的输入，可能这个期望性的会问，或者是说我在思考，有问题都已经思考到晚上三四点，不好意思给大家打电话的时候，我可能会跟这个国内大模型程度的外部顾问去交流。

【嘉宾】我觉得CEO，重要的不是效率，是我觉得CEO最重要的是认知和判断。这块不是最重要的，可能因为我过往的今天就是，好的角色通常都是效率，常常花时间去思考和讨论，然后到一线，获得一手信息这件事情。就是我觉得，一手和一线的信息，和来自于一手一线的动转，这些事情对于做出判断来说非常重要。很多时候没办法做出这个判断也是因为离一线太远，或者一手的信息不全，或者是有骗人，或者是错误，然后没有把所有的信息放在一起去综合地去体验，认知和判断。

【嘉宾】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，就是说问题可能会很多，一定的。但是当我们决定做还是不做一件事情的时候，就考虑两面，一个的话这件事情新创价值是不是够大，第二点的话，这件事情我到底是不是真的喜欢，这是驱动力。然后再去看主意，主意的话是不是有致命性的问题我们解决不了，做不到，导致这件事情成功不了，就看这两点，一个是驱动，一个是主意。只要这件事情价值够大，我喜欢，我肯定会越走越好。至于说相比别人是不是做得更好，你做之前是不知道。但是过往的经验，就是只要这件事情价值够大，你非常喜欢这件事情，然后你能不断地聚集，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能够享受的人，然后不断地去吸引这类人，不断地去聚集越来越多这样的人，你会发现，就是当我不是刻意去追求我要比别人做得更好的时候，随着这个时间推移，那你可能就是越做越好，越做越好，越做越高。所以这个可能是我们做事情和做决策的出发点。

【嘉宾】不能说没有，对，不能说就是受到操盘期。就这件事情，其实我们在做大模型的时候就已经觉得这件事情要走，就为什么呢？就是还是缩放定律，所以当时我们为什么，首先我说一下

【嘉宾】在你的基金投资选择的观察里面，其实之前也都有人去做。在某一个时刻，你变成全世界第一个来做一件事情，究竟是你想做什么的，这个原则是不是？我们放到轻量级，这是第一点。第二点的话，就是我们是不是真的喜欢一件事情，就是完结之后，中间是不是有重大的blocker，我们就比较保佑。我问你一个方式，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吸引，就比如我刚刚说的那个开源也是挺显挺有用过的原因，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。

【嘉宾】好 感谢 感谢 慢着。