2021/07/16 16:35

AutoByte作者

WAIC论坛纪实 | 智能驾驶行业需要更多这样的激辩！

将不同的观点摆上台面，面向公众进行辩论，这在大大小小的开放式论坛中，实属罕见。而近日，在由东浩兰生及机器之心-Auto Byte联合主办的「WAIC智慧出行论坛」中，一场货真价实的「圆桌讨论」环节受到了广泛关注。

这场圆桌嘉宾的参与者包括华为智能车云服务CTO喻杰、AutoX创始人及CEO 肖建雄、嬴彻科技CTO杨睿刚，以及的卢技术有限公司创始人兼CEO张英。在Auto Byte副总裁曹锦建议大家启动「插嘴模式」、畅所欲言后，诸位嘉宾打破了传统印象中「依次问答」的沉闷形式，对他人观点大胆提出异议，并就自动驾驶路线、成本及商业化等层面问题进行了一场专业且激烈的辩论，氛围热烈，展现了新时代自动驾驶行业应有的学者精神。

此举引发了线上及线下媒体观众们的强烈反响以及一致好评，现场也响起了他们发自内心的掌声。「从业多年，还真没见过这样有意思的论坛圆桌环节。」一位媒体人这样评价道。

未来，Auto Byte希望在相关活动中能够延续这种学术精神，因为我们不仅需要更多地将现实问题摆在桌面探讨，也深知只有这种执着和思想碰撞，才能促使行业走向新的高度。

右一为AutoX创始人兼CEO 肖建雄

以下，为本次圆桌环节的完整视频及文字速记，供大家了解详情：

主持人：身为媒体人，我希望开启一种「插嘴」模式，大家畅所欲言，让氛围更随性一些。今天我们要讨论的主题其实比较宏大，不过可拓展性也比较高，那就是「我们距离高阶无人驾驶的普及还有多远」。

开始讨论这个议题之前，首先想请教一下喻总，我们知道数据就是自动驾驶的命脉，如果我们想实现全场景连接自动驾驶的话，我们需要跨越多高的障碍，才能实现未来的蓝图？

喻杰：我想各位都有一些见解，这个问题恐怕没有一个统一的答案，比如说「跑了多少英里就可以、积累多少数据就可以」。之前吴总介绍的时候也提了，比如说美国的一些智库大概提出来，我们大概需要测试可能10亿以上的英里数才能达到人类自动驾驶的水平。

虽然这里提出的是「全场景」，但在我们看来，恐怕还得分场景来看：像肖总这边如果是做Robotaxi，可能需要的数据量更大、产品更复杂。如果像吴总说的我们做一个封闭园区，相对来说好一些，产品比较可控。

不同公司应该有不同的想法，在我们得到的业界数据中，比如其中一家辅助驾驶公司，已经跑了很多英里数，数据约为几十亿。这就是各个行业的现状，但并不代表是一个门槛或者是未来的发展趋势。

从另外一方面来看，对数据的诉求恐怕会是无止境的，我们并不认为到了一定阶段就算是安全了。事实上对于消费者，对于2B的业主方，他们总是要持续提高效率。在此情况下，我们对于数据的积累追求是无止境的，要不断提高自己的能力。

这可能是一个持续的过程，对于数据本身来说，我们可能还要强调数据的有效性。如果是在封闭园区，不断转圈也可以积累很多里程，但是出去对于别的场景可能就是无效的。所以应当如何挖掘？可能需要行业里的所有公司一起努力。但是对于我们来说，我们希望做一个工具链，无论对于自动驾驶也好还是主机厂也好，都能够帮助大家加速这一进程。大家还是各有所长，或者对于自己的领域经验的积累。

我认为在自动驾驶领域，无论是算力、算法，还是数据，可能算法的积累方面目前是被大家忽视的，应该把这一块的重要性提升起来。我们在座各位其实在自动驾驶领域有很多积累，他们可能对于这方面也有其他的认识。

华为智能车云服务CTO 喻杰

主持人：您说的数据、算法、算力都非常重要。这让我想起最近AutoX刚举办第五代系统发布会，算力级别很高，可达到2200 TOPS，为何L4级自动驾驶需要这么大算力?

肖健雄：L4级别完全无人驾驶，特别是Robotaxi领域，在路况处理环境方面非常具有挑战性。所以除了大量数据以外，我们认为更重要的，是解决通过比较可观的数据能处理绝大多数的机器学习，学到绝大多数的应用场景或者说百分之百的应用场景。

这种时候，我们首先需要多种传感器的融合，V2X在几天前发布的第五代系统里面有50个传感器，有28个800万像素车规级高动态范围的摄像头，有6个激光雷达，其中都是最高分辨率的128象限的激光雷达，有4D毫米波雷达，这些数据量相当庞大。如何能处理这么大的数据量？就需要非常强大的算力，这也是刚才您提到的我们有2200 TOPS算力，可能是全中国最高的车载计算平台的计算能力。

我们觉得AI很难，但并非因此就不去解它。AI很难，Robotaxi很难，我们怎么解？就需要非常好的感知系统和传感器。高分辨率的传感器就需要非常好的计算能力，才能处理完这些数据。所以我们采取的是正面迎敌的方式，知难而上，做好准备，从软件、硬件上最底层的准备解决非常难的难题。

同时回到上个问题，我想也补充一点，业界大家经常觉得数据越多越好，其实这有个前提条件，就是有效数据越多越好。另外有效数据很重要的一点，就是高质量的数据越多越好，高质量数据意味着什么？比如说我们在做无人驾驶，有激光雷达、毫米波雷达等等，这么大的数据量每个小时可能产生超过1TB的数据量，这是有效数据。但是对于Robotaxi来说，比如说特斯拉你有10个120万像素低分辨率的摄像头，这样简单的一些行车记录仪类似的数据，对于Robotaxi基本上没有任何作用，因为我们在Robotaxi领域你要求的精度非常高，你需要依赖非常好的传感器收集到的数据才是有效数据。而依赖辅助驾驶的数据，对你的作用基本上跟你网上下载一些行车记录仪的视频，其实没有什么区别。

为什么没有人天天网上下载行车记录仪的视频进行机器学习？因为他只能作为一个开始的训练，当你真正开始处理最后的最难case的时候，这些数据完全没有作用，而且甚至会让你更加难受，可能会产生很多噪音。

因为现在绝大多数机器学习都基于监督学习，就意味着人要标注出有效数据。比如说你有几百台车，你的数据量是否不够？其实恰恰相反，大家想一下每台车每小时产生超过1TB，假设每天就跑10小时，一台就有10TB的数据，你有几百台车，每天就有将近1PB的数据。

机器学习为什么学？就是从人身上学，就需要人工的速度。所以有效数据，基本上全世界我没有看到任何一家公司敢号称有1PB的数据全部被标注过，1PB的数据只是几百台车跑一天10个小时的数据。

所以说特斯拉有越多的车、数据量越大，好像就能解决人工智能？恰恰相反，其实特斯拉硬盘空间非常小，里面的网络带宽非常小，网络流量又是很贵的，数据基本上就是现场采集现场扔掉，基本没有任何作用。所以特斯拉的数据无法上传到仿真器里面进行高清仿真的，所以这些数据只用了当天现场测了一下，所谓的“影子模式”，然后就现场扔了，再也没有办法重复利用。不像Robotaxi，我们的数据都是可以在仿真器里面无数次进行仿真，一次数据可以N次使用，这个效率完全不一样。

所以我们觉得在数据领域，整个行业有很大的误区，以为越多越好，不在乎质量。其实恰恰相反，大家一定要在乎数据的质量，只有保证数据质量情况下一切才有意义。数据质量意味着需要很大的存储空间，需要几个TB的存储空间。比如说我们为什么在车上就有32TB的存储空间？就是因为这些高质量数据记录下来，才能真正有用。所以我们为什么需要这么强大的算力、存储空间？这恰恰就是为数据而生，为了能够有效记录这些高质量的数据，有效处理这些高质量数据，有效进行高分辨率的高清的仿真，在仿真器里多次使用，只有这样才能真正发挥数据能力。

嬴彻科技CTO 杨睿刚

主持人：肖总用高算力需求体现出我们的高质量数据的需求，Robotaxi普遍是应用L4级的技术，而现在一些自动驾驶公司是按照L3、L4、L5渐进式的技术路线，杨总认为这个路线是否可行？因为现在业界也有很多支持和反对的声音，您是怎么看待的？

杨睿刚：大家都觉得自动驾驶里面重要的是有效数据，有效数据是不是传感器越多就有越多的有效数据？这个我们是可以讨论的。

首先L3、L4、L5，他们在定义上只要到了L3的级别，机器会成为驾驶主体，而不是人，这和L2有很大区别。所以说任何L3的车不管是从L3还是L4、L5的车，不管是从软件架构上、传感器配置、对底盘的要求，都没有本质区别，它们只有「精确度达到95%」和「精确度达到99%」的区别，但是从硬件和数据的角度来说，它们是没有本质区别的。

所以说我个人也不认可说拿行车记录仪在路上采数据，因为行车记录仪太少了，根本没有做到360度全向。但是如果说一辆车带了全套的传感器，上面有激光雷达、毫米波雷达、也有摄像头，而且带了足够的数据记录能力，这样采集到的数据是完全可以为迭代式发展提供有效的数据。

另外我要再说一点，刚才吴总也说了我们已经进入到自动驾驶下半场，从模型要变成量产，坦白来说我们嬴彻做的就是量产卡车的项目，我个人最大的感觉就是做量产的自动驾驶是戴着「紧箍咒」的自动驾驶：换句话说，我们要考虑的不光是安全和舒适性，还得考虑到车规级的硬件和功能安全，还有重要一点是还要考虑到成本。

只有在成本可控的情况下，自动驾驶技术才能普及，这一点我在嬴彻做自动驾驶深有体会。我觉得我们现在已经过了通过堆料来做自动驾驶的阶段，我们必须在成本可控的情况下做可量产的、能让大家普及的自动驾驶。

这是我的观点，只有L3、L4、L5是循序渐进的路径才能采集到足够多的有效数据。

肖健雄：我可能不是很认同，不是说行车记录仪装6个360度就叫有效数据，我觉得数据质量非常重要。未来不好说，大家看2021年的今天，全球在哪个地方有无人驾驶？现在只有两个地方，在美国凤凰城有无人驾驶，在深圳有无人驾驶。这些无人驾驶的车里面，每台车有多少个传感器？都有50个。我们不是说传感器越多越好，但是一定要够，不够绝对没有办法无人驾驶。而且这不是个数的问题，如果它都没有很精确地看到物体，那不可能无人驾驶。

刚才杨老师说到车上可以装激光雷达，如果你把车的传感器都装上了，那也不便宜，也不是量产价格能接受的L3系统。如果你把传感器都装上，它就是L4的车，干脆你把它当成L4来用赚更多的钱。所以这一点，我们也是觉得L2、L3价格卡的很死，传感器配置不够，那它的数据必然不是有效数据。而如果装备了足够L4的传感器，这时你再当做L2、L3用，技术上当然有效，但是实际上很难操作。因为一个L3的功能，其实大家都不愿意花这么多的钱来支持，这也是我们坚决认为L2、L3绝对不可能进化为L4，L4也不可能降级成L2、L3。

这就是飞机和火箭的区别，飞机的原理是基于空气动力学，飞机也有飞机的限制，价格不能太高。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，你飞机飞得再高都飞不过大气层。如果你造的是火箭，第一天就要想清楚造的就是火箭，火箭要怎么造零件一点都不要少。

所以我们坚决认为，数据有效性一定是在同类数据才有效性，同时这些传感器如果都装上了，数据真的有效，那他就是L4车的价格，干脆你就当成L4来用。这是我们探讨的问题。

杨睿刚：首先我们这是自动驾驶的论坛，我们说的是造车，而且是一辆能够普及的车，能够让我们所有人都能接受的车。大家可能觉得激光雷达很贵，但是实际上激光雷达的价格现在已经比原来有了两个数量级的下降，在量产车上激光雷达1000人民币，嬴彻用的激光雷达8000人民币，并且是符合车规级的，换句话说它可以跑5万小时不出问题。

首先我相信，既然都是做自动驾驶，也不会有人把六个行车记录仪放在车上，那叫做实验室的游戏。我们做的是车规级的车，严格按照车规级去设计，而且我们也坚定的相信采集到的有效数据，可以用于L4/5进阶的数据，只要我们的传感器不少，只要我们的传感器能记录下来并且做到时间同步，这些数据都是可以拿来做仿真和训练的。

我觉得我们做自动驾驶，特别是量产自动驾驶里面很重要的一点就是成本控制，刚才说有几十亿公里的数据，大家可以算一算，如果说是一辆小车，一辆Robotaxi，一般Robotaxi在城市里开速度比较慢，一天可能可以开300公里很高了，这样的话一天300公里，一年365天，一年大概10万公里。如果说我们达到百亿数量级的数据，车队的规模就是非常重要的，不可能通过一辆车跑，肯定是几万辆车跑。我不认为会有自动驾驶的公司，能够用不产生盈利的自营车队，去进行上万辆车队的测试，特别是当它有50个传感器的话，我觉得那个价格是个天文数字。

右一为的卢技术有限公司创始人及CEO 张英

主持人：咱们的「插嘴模式」果然很有效，两位技术大咖都各自给我们算了笔成本经济账，也欢迎二位去各自的WAIC展台相互参观，讲解交流。接下来我想问一下张总，也是代表广大媒体朋友提问，因为我们对于的卢这家公司所知甚少，但是经过查阅发现的卢在自动驾驶方面专利数量非常靠前，之前的卢的精力主要聚焦在哪些方面，未来公司的整体规划是什么？

张英：刚才和大家聊的时候就在讲的卢的目标是做一个大玩具，用造机器人的方式来造这辆车。首先我们谈感知、决策，以及控制……我们认为自动驾驶未来的瓶颈应该是控制范围有多少，横向移动的控制精度、纵向移动的控制精度、制动距离，这些极端环境决定你的范围。

第二是你和消费者之间的关系，我刚才看到有一张图片，是在强光环境或者恶劣环境下让车高速开，把我们消费者当傻子吗？那么强烈的环境下，你敢高速开，坐在车里面的乘客会怎么想？我们今天要提供的不是一个技术，而是产品，我们要处理技术消费者和产业监管者之间的关系，因为车毕竟还是公共安全的产品。

当我们处理这个问题的时候，我们就需要从根上来解决这个问题，我特别赞同肖教授刚才讲的，你一开始想造什么，就决定了你的技术架构要围绕什么东西去跑。的卢要解决什么问题？举个例子，就拿侧方位停车来说，的卢可以做到车头与前车的车尾只有15公分，如果你横向的控制和纵向的控制做不到，你怎么停的进去？这基本上是现在传感器测距的极限，我就要做到这个样子。

我的目标是当消费者开着这辆车去任何环境的时候，只要在15公分这么狭窄的情况下能够停得进去。我们要解决的问题是消费者所想的问题，你想的问题不重要，到最后所有的消费者都不买单有什么用呢。

如果作为一个产品经理而言，现在需要的不仅仅是一辆自动驾驶出租车，我需要的是随时交互的自动驾驶的出租车。比如说前面左转，比如说我的同事在前面，帮我停在路边接他。

我们要重新思考机器和人的关系，而不是单纯的把某项技术作为这个产业最重要的事情。如果要想解决这些问题，我们需要在算力平台，在我们传感器呈像的编码，这些最核心的地方我们下功夫。的卢最近几年，比如说分布式的系统，我们用来做图像编解码的部分。我们现在谈得很泛，只在谈自动驾驶当中的感知决策部分，整个车如果要想做到商品化，需要解决的问题多的多。

所以的卢为什么说我们花两年时间积累了这些专利，可还是远远不够，的卢后面要加大精力解决这些问题。

我们的规划是什么？的卢能否花2-3年的时间提供一个大玩具给消费者，如果我们的消费者都喜欢，你不用讲L5、L4、L3，我不看，我看的是你怎么解决我的需求。

自动驾驶私家车也好，出租车也好，如果我想去的地方都不能让我很安逸、舒适地去到，那我还不如自己开一辆车，我要你的自动驾驶干什么？

智慧设备最难的地方是，如何让智慧设备和用户心理预期之间取得平衡，如果你做的动作、控制、所有有效性的事情是用户最想要的，这不就是机器人吗，这不就是我们产业孜孜不倦所追求的要做的事情吗？如果要做这种事情，就需要有革命性的架构，革命性的架构决定了我们怎么看这个设备。

功能的问题要靠技术解决，驱动功能的是用户需求。我们强调产品驱动软件，软件驱动硬件，如果我们做到这些，我们认为在未来的2-3年，我们有可能提供一个长得既好看，又能够满足绝大多数使用场景，又让你觉得有趣的大玩具。比如当你想要赛车的时候可以开一个漂亮的甩尾，比如说当我看到极窄道路的时候，难道我们还要找一个人说帮我看看能不能通过吗？这是技术的耻辱。

我们认为技术就要解决消费者关心的问题，当我的问题解决了消费者问题之后，剩下的什么物流、taxi那些问题都不是事儿。的卢就是要做通用，就是要做一个大玩具，和我们的消费者一起成长。我们认为自动驾驶未来要克服的问题，不仅仅是法规问题、技术问题，更大的坎儿等着我们，是消费者如何理解你，如果你的消费者不买单，你永远也是零。

主持人：听起来的卢就是默默打造一款超过消费者期待的大玩具，我们也对这个产品越来越好奇。

各位专家都从自己的专业领域出发，为我们提供了一个清晰的现实框架。下面我们探讨一下很宏大，可拓展性很强的问题，“我们距离高阶无人驾驶的普及还有多远”，您甚至可以将其视作判断题，也就是“我们是否能实现高阶自动驾驶技术的普及”。

喻杰：首先我们看这个标题，跟之前拿到的有点不一样，我们定义一下什么是高阶自动驾驶？如果是L3以上，从技术层面和法规层面上来看，其实是比较大的挑战。

L3以上，一般来说机器对于全部的驾驶行为要负责。从量产车型来说，目前一般都避免谈L3以上，所以就出现了L2.99这种讲法，无非就是避免法律上的问题。

同时，技术上的挑战也是很大的，我们多大程度上能做到高阶的自动驾驶？待会儿可能杨总和肖总应该是有不同的看法，我个人觉得可能在限定范围内，当然要看我们的范围有多大，车队有多少。拿Waymo举例，它的确实现了高阶自动驾驶，而且也开始让真正的用户和消费者受益了。当然他的商业模式是否成立？这个我们可以再分析。但是他毕竟是在那个小范围之内，可能还不断在拓展，但是他还没有拓到另外一个城市。从这个角度来说，怎么算是真正的普及？我们可以探讨一下。

另外一点，比如说辅助驾驶这一块，比较大的可能性还是不断拓展自己的ODD。我们从简单的车道保持，到现在也有一定红绿灯识别的能力，从这个角度来说，我认为比较常见的还不会是高阶自动驾驶，大家在短期之内能够得到的，还会是辅助驾驶或者高阶的辅助驾驶，我们不谈L几，但是大家可能出于技术上的考虑或者法律风险上的考虑，应该都会限制住不叫L3，我认为这是比较长期的过程。

至于说真正的高阶大概有多远？可能在限定区域内能够实现了，但是能否比较快速的推广到更多区域，让更多人受惠？这点可能会是比较缓慢的过程。当然也听听其他专家的观点。现在如果说真正定义的高阶是放手给机器的话，我认为还是需要时间的。

主持人：肖总，您这边可以给出大概的时间点吗？

肖健雄：假设这个定义是完全无人驾驶，就像Robotaxi一样，这得看我们说的是多大范围？如果我们是说一个区域，比如说Robotaxi在深圳某些地方已经实现了无人驾驶，在今年1月份已经对外公开试运营了，包括去年一整年都在深圳进行无人驾驶的测试，如果这样的话已经实现，所以这个数字是个负数。

但是大家说如果是整个城市，现在毕竟还是一个区，但是如果像Robotaxi这种应用，基本上你不需要好几个城市，不需要跨城，但是在同一个城市，这种我们觉得是相当近的未来，可能2-3时间内是可以实现的。因为一个区你能搞定，像Waymo我也体验了一下他们的科技，凤凰城不是个很小的城市，它在里面可以进行自动驾驶。如果能够实现这种规模，那么理论上没有什么可以阻止它更大的规模，当然凤凰城的路况相对比较简单。

从这个角度来说，一个城市搞定无人驾驶，我们的答案是2-3年。但是如果全中国无人驾驶，可能需要时间，可能需要长达十年的时间才能普及到全国这么多的城市、城镇，因为中国是相当大的国家，咱们国家真的很大，不像新加坡一个城市就能搞定的，所以确实需要一定时间。

但是通过这个话题和前面的讨论，可以把两个结合一下。我觉得现在整个业界都有两个完全矛盾相反的声音，一方面高阶无人驾驶是否能实现，一方面有人怀疑一辈子都别想看到这个东西。另一方面，大家今天在想还没有实现的东西是不是太贵了？要便宜一点。我觉得如果大家真觉得很难，就不要想着怎么减那几块钱让它更难。就像上火星很难，那造个火箭是不是就得考虑一下不要给它成本压的那么低？

我觉得两个声音同时存在，一方面有人觉得太难了，永远做不出来，有人觉得太贵了，我要搞的特别便宜。辅助驾驶和无人驾驶，升级升级就变成无人驾驶了，两种声音大家仔细想一下，逻辑上相互冲突有矛盾的，你要是真觉得那么容易，真的容易降价格，就不应该觉得他做不出来。所以这一点我指出来，两个声音也是通过今天这个论坛抛砖引玉，我只是想指出这两种不同的声音其实是自相矛盾的。

我们包括我本人的观点，既不是这边也不是那边，是在中间，有人说是不是比较激进？其实我是最不激进的。我觉得无人驾驶很难，确实不容易，我们要加很多高精度的东西，确实很难，我们做足了功夫来打这场硬仗。但是我们也不会觉得它难到做不出来，所以我们处于中间状态，既不觉得它很容易，也不觉得它永远做不出来，我觉得这两个都是比较极端的观点，我们觉得比较积极向上的观点，就是咱们迎难而上，因为它难需要传感器、需要很强的算力、需要很强的架构，咱们作为一个行业一起头脑风暴，一起发挥创新思维，想着怎么解决这个难题，而不是怀疑它根本做不出来然后就不做，或者觉得它特别容易做然后咱们什么都不干就可以实现自动驾驶。

这是我们借这个话题引开的更深层次的，大家如果真觉得这个很难，应该开始集思广益发挥创新性的思维，来解决这个难题。

主持人：刚才我也差点儿要插嘴了，我觉得凤凰城的路况和北京的路况相差甚远，现在中国也是有了第一条自动驾驶高速公路，另外也是有了6个车路协同试点城市，是不是需要等待整个城市焕然一新才能实现高阶无人驾驶的普及？

肖健雄：我想补充一点，凤凰城的路况很简单，所以自动驾驶很容易。其实这个观点表面上有道理，但是实际深层面，作为一个技术人员的角度不是很站得住脚，因为一个再简单的路况，也可能突然有一个小孩跳出来，所以这个路况其实很难可控，可能刹那间0.1秒内可能一个很简单的路况变成非常复杂。

所以Waymo既然有信心能够在这里完全无人驾驶，说明这个城市非常靠谱。不要单纯说路况简单，99%简单这个不难，难的其实本来就是那0.1%，0.1%再简单的路面，可能一刹那间突然很难。

这个逻辑也可以用在高速公路上，高速公路场景好像很简单，绝大部分情况确实很简单，但是比如说前面撞车，两个人打架，一堆人下来围观，这个时候你不能说一个车高速开过来咱们就不理，咱们就把他们全撞了，这肯定不行。

有些东西看起来简单，实际难度相当大的，包括凤凰城、高速等场景，如果要真正实现高级别无人驾驶，绝对这个系统需要非常强，才能确保在0.1%发生的时候，有办法能处理它。

主持人：的确像您说的，很多很细微的场景，即使我们很难遇到，但是也是我们需要解决的难题。想问一下杨总，您觉得重卡这边面对的比较难处理的场景有哪些？

杨睿刚：重卡的最大问题，首先是高速运动和高载重量，这个对于我们的感知系统提出了很多要求，世界上最好、最贵的激光雷达，恐怕感知距离也只有200米，重卡的刹车距离从100公里/时刹到0，要150米。所以说我们对于系统要求，至少看到300米以外，目前没有任何激光雷达能够看到这么远，我们只能通过计算机视觉的方法，通过多个高清摄像头把这个距离看到非常远。

第二个难点是控制，在车的重量方面，重卡轻载16吨，满载49吨，Robotaxi大概为2-2.5吨。而且重卡是两节的设计，所以刹车刹得不好，就会产生非常危险的折叠，所以这些都给重卡自动驾驶场景造成了非常大的困难。

回到「高阶自动驾驶离我们有多远」，我刚才看了还是普及的自动驾驶，我觉得高阶自动驾驶现在就有，纯无人矿卡在澳大利亚那边开了三、五年了。可如果说要变成普及的、大家都可以感受到的纯无人驾驶，不管从技术来说还是法律法规上来说，我个人觉得至少得有5-10年才能真正感受到脱手脱把，让车真正变成大玩具。

我们这里都是做自动驾驶的，都是最终要给用户提供一个产品。在这个定义下，做重卡和做Robotaxi还是很不一样的。任何商用车都是生产工具，所以我们要想让产品能够产生效应的话，就必须要算TCO（Total Cost of Ownership，总体拥有成本）。

如果多花了20万、30万把产品买回来，在重卡3-4年生命周期里面，到底能否把这个钱收回来？从重卡司机现在的效益成本来看，一个司机大概一年15万，3年就是45万，换句话说，我的成本上限就是45万，如果系统超过45万，那不管是再高阶的自动驾驶也没有人会用，因为用它就是亏钱，这个和乘用车还是不一样的。

所以我们做自动驾驶特别关注的就是成本，既然大家做的都是商业化的行为，我们都得考虑成本。Robotaxi运营的成本大家现在都还没有算明白，那笔账还是挺难算的。

最后我要说的是，我相信在座诸位都认为自动驾驶已经不是IF（会不会来）的问题，而是WHEN（什么时候来）的问题，所以我对于高阶自动驾驶的普及还是很有信心的，但是道路很漫长，前程也是很艰巨的。

主持人：张总，您从乘用车这方面谈一下比较宏大的议题？

张英：第一，我们称之为乐观派当中的悲观派。首先，对于自动驾驶会不会到来，或者说机器人这个命题会不会到来，我们充满了乐观，我们认为这一天不是等你老了才会到来，应该很快就用上。

而之所以说悲观派，是因为以现在的产业环境和现在绝大多数的公司搞不定这个事情，包括所谓的高阶无人驾驶。

举个例子，我们未来也会把在制动方面的所有专利和技术开源出来，比如说150米制动问题，是因为你利用现在厂商的能力，只能做到150，我们就要解决这个问题。

杨睿刚：这是物理的问题，这是减速度的问题。

张英：如果150是你的数学公式，那你整个工程化会更糟糕，我们就要解决这些问题，怎么解决这个问题？我认为现在很大一部分除了技术的问题，还有工程化的问题，工程化的问题怎么解决？端到端地解决。

比如说制动有问题，我们就在制动的地方解决问题；如果在图像识别地方有问题，我们就解决传感器的问题，解决图像格式的问题；如果我们在算力方面有问题，我们就利用分布式的软件把整个车从中央计算机变成一台数据中心。

我们遇到问题就解决问题，如果我们考虑成本、考虑一堆问题，你永远不要做这个事情。以我们过去的经验，我们就是不断克服和解决问题，才能让几亿的用户用上智能手机，以消费者为导向，不断地做技术创新。当你把核心竞争力构建在工程上，我们认为高阶的自动驾驶就已经来了。

我再回应一下，我们的卢一直不认可L2、L3、L4、L5，我们认为这是行业自己给自己定义的一套标准。从消费者的角度而言，现在的高阶自动驾驶有没有到来？或者说我们把「高阶」这两个字能不能换另外一个意思解释？你有没有自动解决用户最困难的场景？所以我们认为自动驾驶不是一项技术，而是一项服务，在最需要你的时候你给他提供服务。

当我开着车在一个老的街区寻找美食的时候，旁边有很多自行车乱放，还有道路线不清晰，这个时候才是消费者最需要自动驾驶的时候。的卢致力于要解决的是这种高阶的自动驾驶场景，我们始终以消费者视为最重要的力量源泉，然后不断的从工程角度看哪些地方有问题，我们就在这些地方解决这些问题，解决完这些问题之后再通过生产制造过程当中的质量控制、广泛的产业链合作，把这个成本降下来，这就是的卢梦寐以求的：把一辆好玩的机器人造出来，追上更高的技术，解决大家绝大多数时候所遇到的难题，然后以大家都能买得起的价格让大家使用，这就是我们讲的「科技大众化」，这才是一个科技公司应该做的事情。

产业WAIC智能汽车