浅友们好~我是史中，我的日常生活是开撩五湖四海的科技大牛，我会尝试各种姿势，把他们的无边脑洞和温情故事讲给你听。
毫末智行这群人
正在导演一场人和方向盘的分手大戏
文 | 史中
风来了，猪都能飞翔。
风走了，只有鸟在天上。
（一）
顾维灏有一个小秘密。
每天下班回家的路上，他会慢慢松开方向盘，把身下这台汽车全然交给辅助驾驶系统。
代码在芯片里奔流，大块头的机器像水面上的浮叶，滑翔在北京的华灯夜色中。
办公室离家9公里，不算远，但路况复杂，辅助驾驶系统不能完全应对。
他需要在中途5次手动接管汽车。
顾维灏的梦想很简单：用未来几年时间，把自己回家这段路的人工接管次数降到4次、3次、2次。。。
想想，好像也没什么。
但鲁迅说过：这世上本没有自动驾驶，接管的次数少了，也便成了自动驾驶。
（二）
2021年12月的一天中午，顾维灏刚跟一位团队同学谈完心，等会儿又要拉着一堆人去开技术会，此刻刚刚在我对面大口扒拉完一份盒饭。
我很难把面前这个接地气的老哥和他的身份——最近大火的自动驾驶创业公司毫末智行的CEO——应有的“光鲜”联系起来。
顾维灏
不过，聊了几分钟后，我就摸准了他的脾气：比起闪耀，他更在乎有效。
既然他做的事情和车有关，我们不妨就从车说起。
今天，全世界的汽车平均每行驶2亿公里，就会有一起致死事故。（注：数据来源附后。）
在20年前的世纪初，大概是1亿公里就有一起，甚至有的国家能达到5千万公里。
之所以死亡率稳步下降，一个重要原因就是：
在过去二十年，汽车被动安全技术（如安全带、气囊）和主动安全技术（如防抱死系统、防撞雷达）发展很迅速，规避了大量因为人类驾驶失误而造成的严重事故。
但有一个地方很值得画红圈：
最近五年，路上死亡率虽然还在下降，但下降趋势已经很缓慢，个别国家甚至有反弹。
这是一些国家，汽车事故“每10w人中死亡人数”的历史数据。
汽车事故界的“摩尔定律”好像在失效。。。
背后的原因很简单：降低人类司机事故的技术能上的都上了，提升空间的天花板已隐隐看到。
接下来最能降低死亡率的技术，其实只剩一条：不让人类开车。
没错，这就是自动驾驶。
假设一辆车的速度是100km/h，人类司机从看到危险，到决策，到做出刹车动作，大概需要经过1秒，期间汽车行驶30米的距离。而自动驾驶从判断到做出刹车动作大概只需要0.1秒，期间车只行进了3米。
省出来的时间和距离，就是生死之别。
说到这，很多浅友会反驳：
不对吧，你默认了自动驾驶比人类水平更高。。。
实际情况难道不是，现在自动驾驶还很智障，如果贸然让“机器开车”，反而会增加意想不到的问题吧？
你说得对。
这里出现了一个经典的悖论：
很多家长不让孩子在学校早恋，但孩子一毕业，恨不得下一秒就要找到老婆（老公）生猴子。 这很可笑，因为没有充分训练的撩妹/汉技术，很难在实战中直接发挥作用。但从娃娃抓起磨炼恋爱技巧，家长又觉得扯淡。
自动驾驶也是同样。
如果不去放手让自动驾驶技术上路训练，那么我们永远等不到自动驾驶技术服务于人类的那一天；如果放手让自动驾驶汽车上路训练，又担心出现危险。
人类就这么卡bug了吗？？
解决这个问题的路线不是没有，而是太多。过去五年，连业内大佬们都因为路线问题撕得不可开交。
幸好现在总算“打”成了一些共识。
拥趸最多的是“折中道路”：人和自动驾驶系统一起开车。
一半的时间人开车，系统就“看”（第四声）着，积累大量的数据，回来改进技术。 一半的时间系统开车，人就“看”（第一声）着，系统处理不了的情况，人马上接管操作。
这种“学习期”的自动驾驶系统，我们习惯把它称作“辅助驾驶系统”。
（注意，辅助驾驶系统并不是不能帮人开车，而是提供“力所能及”的帮助，背后的驾驶员依然要为最后的结果负责。业内也把这种自动驾驶称为L2级自动驾驶。）
回到我们的故事，既然顾维灏崇尚“有效”，他当然也选择了这条道路。
他伸出一个巴掌，把自己做自动驾驶方法论分为六步：
1）获取 2）表达 3）储存 4）传输 5）计算 6）验证
听起来有些抽象，但转念一想，这方法挺“笨”的，大概和小学生做数学题异曲同工：
审题，列算式，算结果，对答案，如果答案不对再回来重新审题，如此循环，直到做对。（当然自动驾驶没有所谓“做对”的那一刻，它永远可以做得更好。）
注意啦，这件事儿的难度压根不在于这六步本身，而是：你要在很长的时间里对“六步论”不断重复。
做好一个自动驾驶系统，需要把“六步论”重复多少次呢？
根据业内的大致估计，一套自动驾驶系统想要顺利“毕业”（也就是大致追平人类的水平），大概要行驶200亿公里。
这是个啥概念呢？
假设一家自动驾驶公司有100台车，24小时不间断地在路上跑，需要跑够500年。
好的，500年后，中哥再回来告诉你顾维灏他们的成果如何，今天的浅黑科技就到这里。
别。。。500年，别说顾维灏等不起，孙悟空都等不起。
那有啥办法加速自动驾驶系统的实习过程呢？
当然有。
数据是可以聚沙成塔的：
如果每天跑在路上的不是一百台车，而是一千台车呢？如果不是一千台，而是一万台呢？如果不是一万台，而是一百万台呢？
你可能会算：随便一台普通的车也要十几万，光买一百万台车就要花几千亿，还要加装自动驾驶传感器、加油保养、雇司机。。。你是家里有矿还是叫中本聪啊？
然而，目测顾维灏他们，在未来两年，真就能让100万台车上运行自己的辅助驾驶系统。
这才是毫末智行的牛X之处。
他们到底要怎么做到呢？
别急，为了能让你清楚地品尝到其中细节，先让顾维灏歇一会儿，我们请出另一位男主角。
（三）
2013年夏天，河北狼牙山下。
村长接待了一群奇怪的客人。
为首的人身形魁梧，戴着眼镜又显斯文。他指着村口那台浇地用的洒水车，正跟村长笑眯眯地讨价还价。
最后两人商量妥，200块钱租一天。
村长着实想不通，这帮人也不像庄稼汉，要租洒水车干啥呢？于是好奇地跟着他们来到不远处的水库边。
他们从水库抽水，一股脑浇在岸边松软的荒地上，来回几趟，这儿就成了一滩烂泥。
接下来发生的事情让村长猝不及防。
这群人开着几辆崭新的SUV，直接冲进了烂泥里。深的地方恨不得连底盘都被泥沙吞没。。。
果然，求仁得仁，车陷进去了。
司机猛踩油门，轮胎卷起烂泥，甩上天际，但无论怎么加速，车轮就这样在原地飞速打滑。传动轴和泥沙摩擦，发出刺耳的沙沙声，听着就心疼。
村长捂脸摇头，内心草泥马奔腾：这又是啥不着调的户外越野俱乐部啊。。。
这是当时的照片
接下来的事情更魔幻。
这群人推门下车，从背包里抽出几台笔记本电脑，没事儿人一样，噼里啪啦敲起键盘来。
眼瞧着，旁边的汽车居然自己开始给油，扭动轮胎，向坑外艰难爬行。
折腾了半天，汽车终于艰难地爬出来。这群人把车掉个头，利索地重新开进坑里。。。留下村长在风中凌乱。
村长哪里知道，这群“自虐”的人其实大有来头。
他们来明星企业长城汽车，是底盘工程研究院的工程师。而带队的大个子，正是时任长城汽车车辆安全工程研究院院长张凯。
张凯
他们在研发一项技术，叫做“全地形控制系统”。
可能有的浅友没听过这个东西。不过，喜欢开车越野的朋友，尤其是路虎车主一定熟悉。
这套系统是2004年由路虎首先发明的，专门帮不安分的车主适应沙地、泥地、草地这些奇葩路况。
简单来说，它可以把当时轮胎和路面的各种数据反馈到牵引力控制系统（TCS），然后调整防滑、制动和转向参数，凝聚全车的力量瞬间爆发出来，从而脱困。
别看原理简单，事实却很悲伤：
在路虎发明这套系统9年之后，中国能掌握这项技术的车厂数量为零。
造不了，可以买嘛。还真有国际供应商卖这个模块，五千万，一手交钱一手交货。
倒不是给不起这点钱，而是咽不下这口气。年轻气盛的张凯不信这个邪，偏要自己搞出来。。。
其实呢，张凯的信心也不是毫无来由。
他干过比这还大的事儿。
作为车厂子弟，他从小就生活在汽车零件的钢铁丛林里，加上又对计算机感兴趣，大学毕业后加入长城，专门鼓捣“把最新的计算机技术引进汽车行业”的这类事情。
很多浅友都知道，汽车研发过程中皇冠上的明珠就是“模拟仿真系统”——可以在赛博空间复刻一辆真实的汽车，用这辆“数字汽车”进行碰撞试验、性能试验，大大降低开发成本，也能更科学地保护司乘。
算起来，张凯是中国第二代推动“仿真系统”建设的技术人。
既然当年长城连“模拟仿真系统”都能搞定，张凯就不信，区区一个“全地形控制系统”他们搞不定。
当时我们从坭坑里把车开出来，车身能重两百多斤。相当于车上多坐了一两个隐形人。 勉强开到最近的洗车场，用水枪先把泥冲掉，才能继续开回车厂。一路上发动机的声音听起来都像拖拉机。 回来之后大家把车晒干，再放在四立柱架子上升起来，还能掏出四五塑料桶的泥。。。
回忆峥嵘岁月，张凯历历在目。
后来这群人还开了路虎去，专门做对比：同样的泥，路虎能开过去，长城就要能开过去，而且还要比路虎过得稳过得快。
他们把狼牙山下无名的泥地一点点改造成“北方试验场”，就靠这种“笨方法”，一连试验了三年。
终于在2015年，全地形控制系统随着新车哈弗H9上市了。
长城汽车当之无愧成为了中国第一个突破了“全地形控制系统”核心技术的车厂，圈了一大波粉。连同行都不得不挑大拇哥：“兄弟你们是真拼啊。。。”
看到这，可能有些浅友有点懵。张凯搞的这事儿，有意思是有意思，可你今天不是要讲“自动驾驶”么？这有啥关系呢？
不仅有关系，而且有大关系。
你有没有注意到刚才我说了一个细节：就在汽车往坑外爬的时候，人是在下面遥控的。
在这一刻，汽车已经是“自动驾驶”的状态了。
？？中哥在说啥？？且听我详细解释。
（四）
这里我把重要的结论放在前面：
1、自动驾驶不是请客吃饭，不是敲锣打鼓就能做出来的。它和生命的演化一毛一样，需要把一座一座“基石技术”层层堆垒起来，奇观才会自然涌现。 2、有些技术一开始看起来简单弱小，但它们就像珍珠一样，最后串在一起就成了璀璨的自动驾驶项链。
我们说回泥地里的那辆车。
玩过遥控车的浅友会知道，一般遥控车走直线都很难做到精准，更别说一辆大号的越野车了。。。
这背后需要攻克一个极难的技术点——底盘线控。
一个简单的遥控指令，却能最终变成动力总成和转向机总成的精准运动，方向盘稳得住，轮胎不打摆，路线控制一厘米都不能差。
一旦调教不好，行进时方向控制不好，汽车就会“画龙”。
由于很早开发线控技术，让长城成了自动驾驶领域早期的测试车提供商。2015年左右，很多自动驾驶公司开始进行实战研究，都会从长城购买带全套线控的车来改装。
除了“底盘线控”，自动驾驶还有另一个基石技术，那就是“主动安全技术”。
说到主动安全，张凯又兴奋起来。
因为在成为底盘研究院院长之前一年（2012年），张凯刚刚带队成立了长城车辆工程安全研究院。下面恰恰设有“主动安全”这个研究室。
啥是汽车的“主动安全”呢？（我们开头其实提过，这里再详解一下）
主动安全，是相对被动安全而言的。
中国不是有句俗话么？没事不惹事，有事不怕事。
被动安全就是“有事不怕事”。
比如真的发生了碰撞，保险杠、安全带、气囊就会发挥作用，在事故已经发生的情况下尽量保证司乘安全。
主动安全就是“没事不惹事”。
比如防碰撞系统，眼看就要撞到前车，汽车就要通过雷达感知到，然后强制帮人刹车；
比如车道保持系统，眼看车要跑偏，就得强制把方向盘掰回来；
比如驾驶员状态监控系统，眼看驾驶员眼皮打架几欲晕厥，就得嗷嗷叫提醒司机，实在叫不醒就得强制靠边停车了。
说到这，你是不是有点感觉了？
主动安全功能就像一个个独立的器官，原本用来解决单独的问题。但当它们组合在一起，就瞬间透出那么一丝“智能”的意味了。
明白了这些，我们继续讨论更深入的问题。
这些基石技术组成的“辅助驾驶”和我们平常所说的“高级自动驾驶”究竟是什么关系呢？？
不妨拿人脑来类比一下。
人类大脑看起来是一坨肉肉，但实际可以分为三层：爬行脑、情绪脑和理性脑。
理性脑是我们平时逻辑思考用的最主要的部分。你现在理解文章，用的也是理性脑。 但在大脑的核心位置，其实是最早进化出来的爬行脑和情绪脑。它们负责“下意识”的动作，比如走路时全身的肌肉共同维持平衡、比如被针扎一下会马上缩手、有人在你眼前挥拳你会躲闪。
别觉得爬行脑低级。
如果没有这样一个低功耗、高效率的脑区帮你打理基本行动，你的逻辑思维再发达，也无法像常人一样起居生活。
我们说回汽车。
高级自动驾驶系统，也就是大多数人熟悉的视觉感知、智能决策之类，可以说是汽车的“理性脑”。 而线控底盘技术和主动安全系统这一整套辅助驾驶系统，其实就对应着汽车的“爬行脑”。 从进化逻辑上，它们是有先后关系，一脉相承的。
而且，在真正的自动驾驶汽车上，“高级自动驾驶”和“辅助驾驶系统”不是替代关系，而是同时工作的。
2015年，长城汽车董事长魏建军把自动驾驶研发的重任交给了张凯。
有了之前的背景知识，再看到这个任命，你不仅不会觉得意外，反而觉得顺理成章了。
张凯压力山大。
他很清楚，之前虽然技术积累扎实，但目的还是辅助人类；“自动驾驶”这四个字的终极目标，是代替人来开车，这背后的意味可全然不同。
一种既朋克又神圣的感觉油然而生。
说干就干，他马不停蹄地把“主动安全研究院”里的一些技术大牛拉到“自动驾驶事业部”，带着同事们从“爬行脑”向“理性脑”进军。
事实证明，自动驾驶的坑，可比他当年开车爬的泥坑要大多了。
（五）
2016年，没有大事发生。但对张凯来说却是一道分水岭。
那一年特斯拉做出一个小抉择。这个抉择的深远影响后面才慢慢显现——它直接把特斯拉推向了传统汽车制造厂的技术对立面。
是个啥抉择呢？
特斯拉不再使用以色列公司 Mobileye 的模块做自动驾驶的视觉感知，转而使用自研的深度学习模块做视觉感知。
中哥在说啥？
我给你通俗地解释一下：
高级的自动驾驶可以粗略分为“感知”、“决策”、“控制”三个步骤。
1、感知就是分析出眼前的景色：比如左右路肩和车道线，比如高楼行人宠物。
2、决策就是现有情况下本车该怎么办：比如现在要加油、刹车、或者把轮胎向左转5度。
3、控制就是对底盘的实际操纵，之前详细讲过底盘线控，此处不赘述。
凡是做自动驾驶，都逃不开这三步。
决策我们后面会说，现在单说感知。
经典的感知技术是通过传统机器视觉（CV）来实现的。
简单来说，CV系统会计算画面中物体的边缘形状，从而判断这是个啥东西。
刚才提到的 Mobileye 的感知模块就是用的是这个技术。
但同样的感知工作，特斯拉却用深度学习技术来实现。
简单来说，它需要人类把画面中的汽车、行人、标志等等标注出来，然后交给人工智能自己去学习。
之后遇到一幅新画面，人工智能就能判断画面里有啥东西。（篇幅所限，不懂的同学去参考《人工智能杀人回忆》）
你可能会问：两种技术不都是用来感知么？谁的效果好就用谁呗，为啥要打架？
客官有所不知，这背后藏着一个巨大的哲学命题。
这个哲学命题就是“可解释性”。
传统机器视觉用来判断物体的依据是人类专家编写的方程，如果效果不好，可以倒推，修改参数；
深度学习用来判断物体的依据是机器经过复杂运算自己编写的，如果效果不好，人类根本不知道怎么修改，只能跟机器“商量”，我再给你多几万张图，你重新给学学呗？
这就使得深度学习为基础的视觉感知技术“可解释性很差”。
可解释性差，其实挺要命的。
就好像上学的时候，老师要求我们解题要有解题步骤，而直接写答案，哪怕答案是对的，也不给满分。
你想想看这个场景：你坐在自动驾驶汽车里，汽车告诉你前方有一辆车。你问汽车：“你判断的依据是啥？”汽车说：“说了你也不懂，信我就对了。”
你会是什么心情？
所以，回到2016年的世界，所有车厂分成了旗帜鲜明的两个阵营：
第一、支持深度学习的特斯拉； 第二、其他车厂。
“其他”车厂包括宝马、奔驰、大众，当然也有长城。
然而，后面的故事大家都知道，2019年，特斯拉 Model 3 量产上市，如核弹一般席卷全球，至今累计销量几百万台。
大家用真金白银投票，买了“深度学习”的账。（当然，科学家们正在积极探索深度学习的可解释性，但那是另一个故事）
而在特斯拉股价史诗级暴涨的背后，有更恐怖的事情：他们的辅助驾驶系统燃烧在每一台车里，不断地收集信息，每分每秒都在分析学习，驾驶水平水涨船高。
2019年末，张凯说服大家——团队的自动驾驶技术路线要全面转向深度学习。
然鹅，深度学习是完全一整套新的世界：从芯片，到算法，甚至软件架构，都和以前不同。
回头一看，长城汽车内部，极度缺乏深度学习的人才，硬刚怕是有风险。。。这个挑梁的人要上哪去搞呢？
他脑海里出现了一位老朋友。
没错，就是被我们晾在一边很久很久的另一位主角，顾维灏。
顾维灏曾在百度负责的恰恰是辅助驾驶业务，技术、产品和商业上都颇有远见。
但英雄尚有困顿时。
在当时，如华为、百度、小马智行等科技公司，技术底子很好，但自己不造车，自动驾驶系统迟迟找不到量产上车的机会，难以快速回收数据改进系统。。。
2020年初顾维灏选择了离开百度。
张凯知道这个悲伤的消息，简直太开心了，赶紧拨通他的电话。
顾维灏坐在张凯面前，皱了皱眉头：“这事儿凭什么能成？”
“不是缺数据么？你想想看，路上跑的长城量产车如果大部分都装上自动驾驶系统，难道还愁数据吗？”张凯笑笑。
维灏吞了吞口水，心痒痒。
但他还是犹豫：“我在互联网公司这么多年，要是让我加入长城这样的制造业企业，具有文化差异，估计我会比较难适应。”
张凯挥挥手：“这事儿魏总和长城决策层早就想好了，咱们可以拉出队伍，单独成立一家自动驾驶公司！”
毫末智行就这样成立了。
2021年2月，顾维灏正式加盟毫末智行，出任CEO。
张凯和顾维灏
（六）
公司名是毫末初创团队一起想出来的。
老子《道德经》里有一句话：合抱之木，生于毫末；九层之台，起于累土；千里之行，始于足下。
这种谦虚的起名方法，颇有当年他带着大家在泥坑里默默开车的遗风。
这种谦虚的风格也带到了对办公室的选择里。下面这张图是毫末智行在北京最早的办公室。
据说一位准备入职的女同事看到这个办公室，当即决定回家再和老公商量商量。
但山不在高，有仙则名。
正如张凯预料的那样，在毫末成立初期，长城的烙印带来了巨大的加持。
不过这里有一个值得仔细观察的细节：长城的加持，其实有两条，一个是显性的，一个是隐性的。
显性加持是：长城每年销售汽车百万辆，这里面哪怕选择一部分搭载毫末的辅助驾驶系统，每年都是几万、几十万的量级。这种稳定的订单供给让毫末“含着金钥匙出生”，不用像其他初创公司一样为钱发愁。 隐性加持是：毫末从长城带出来了100多位汽车行业底层技术人才，还从长城拿出来一条生产线。
显性加持大家都能看到，而这个隐性加持，同样大有文章：
之前为了叙事方便，我一直说在自动驾驶领域的技术演进路线是“高速 低级”——也就是速度很快的乘用车配上能力有限的辅助驾驶系统；
但我只说了事实的一半儿。
其实还有另外一条技术演进路线也被证明可行，那就是“低速 高级”——用速度很低的车，搭载最先进的自动驾驶系统。
“低速 高级”怎么玩呢？
一个主要的应用，就是现在刚刚兴起的无人配送小车。
正在上大学的浅友可能见过校园里跑来跑去送快递的“小蛮驴”；
在北京顺义区生活的浅友可能见过美团正在测试的送外卖小车；
走在街上，也可能看到过多点超市的送货小车。
就像下图这样：
阿里巴巴的小蛮驴
无人配送小车不仅要配最先进的无人驾驶系统，还要有过硬的生产商来生产，包括小车的底盘、线控系统和上面的箱体。
麻雀虽小，五脏俱全。你可以认为它就是一辆小型汽车。
这么复杂的东西，造价不菲，目前（2022年初）要几十万一台。
说到这，你可能明白了，毫末从长城拿出了这么多底层人才还有生产线，不正好可以生产这种无人配送小车么？
这里揭晓一个秘密：其实，从一开始，张凯就给毫末定下的战略就叫：“两条腿走路”。
一条腿是乘用车的自动驾驶系统，另一条腿就是无人配送小车。
说到这，还有个小故事。
早在毫末尚未成立的2019年，张凯就在一次会议上认识了美团的首席科学家。
那时候，美团的同事正在发愁。
他们研发了无人配送车，但找了很多厂家给生产，要么就是小作坊，生产出来的小车质量不忍直视；要么就是大车厂，人家生产线是生产汽车的，为了你这几百辆小车改造生产线，那成本可就大了去了，不愿意干。。。
张凯一听，眼里立刻放光：我们又有从长城“拿”来的一流生产线，又有愿意干脏活累活的小伙伴。你们别找了，全中国只有我们能干这事儿！
张凯再去打听，阿里、物美多点这些互联网零售公司都在探索无人配送小车。直觉清楚地告诉他，大有搞头。
现在回看，这件事儿，也大大推动了长城下定决心独立成立毫末智行。
赵博，是毫末智行的产品平台总监，“无人配送小车”和“智能底盘”的负责人，当时，设计开发小车的任务就落在了他的团队身上。
赵博
（七）
长宽高、载重量、车速、线控精度——当时我们拿到的需求少的可怜。 至于产品怎样定义、怎样借用长城乘用车的供应链资源、成本怎样控制、试验场怎样设计，一个一个的问号都需要我们重新思考。
赵博回忆。
这里让人纠结的事情很多。
核心部件先不论，就拿最简单的外饰来说，有两种方案，一种是注塑，一种是吸塑。
注塑工艺是乘用车一直采用的外饰开发方式，但注塑工艺，模具非常贵，但精度高，单品很便宜，做得少了就不划算；而吸注塑的话，模具便宜，但单品贵，做得多了就不划算。
显然，目之所及的订单也就千台左右。
但上上下下讨论一遍，大家达成共识：同时采用注塑、吸塑工艺。关键零部件及复杂结构采用注塑工艺，非关键部件采用吸塑工艺。这样就兼顾了两种工艺的优缺点。
这是当时的部分设计手稿。
别看这么一个小车，拆成零件也是成近千个，关键是，只有一部分零部件可以复用乘用车上的零件，还有很多零件需要让供应商重新开发。
这就涉及到“供应商愿不愿意陪你玩儿”的问题了。
项目早起销量较低，只有几十、几百个零件，供应商也要研发、开模，短期来看是不赚钱的。
这些汽车界的老人只好拉下面子，一家一家去和供应链商量：短期来看产品的销量较低，但这个行业的爆发期很快会到来，咱们可以一起走进智能汽车的下一个时代！
要是对方实在不信，他们就打感情牌：我们在长城的时候，咱们也是一起从小到大，从弱到强互帮互助走过来的。你们这次无论如何都要帮我们一把！
就这样，供应商们也慢慢的相信这个新行业的发展，愿意一起玩。
这是透视图。
而在总装生产线上，问题又出现了。
如果上全套的自动化生产线，其实我们最有经验。 但是小车刚刚开始做，方案恨不得一礼拜一改，如果生产线跟着动，那动一下就是几十上百万，真的改不起。 最后我们决定，很多步骤就先用“低自动化”生产线来做，未来产量上来了，设计需求稳定了，再上自动化生产线。和丰田当年做燃料电池的整车生产线是一样。
赵博说。
不过，自动化程度一低，人手就缺了。。。
“求助长城老大哥呗。长城本身有集团内部员工借用、调动的流程，但确实也欠了很多人情债！”他笑。
大家在调试底盘。
2020年6月，第一版毫末无人配送小车“DV01”终于下线了。
客户收到这批车，都惊呆了。过去其他小作坊生产的车，每一辆车一个性能，有的响应时间快，有的响应时间短，有的刹车距离短，有的刹车距离长。
毫末生产的小车，不仅成本低，关键是所有的车一致性极高。
就拿一个小点——转向精度——来说：所有的车，只要接到相同的线控指令，转向系统就能快速平顺地转到目标角度，精度都可以控制在0.5度以内。
整车的一致性高，就可以降低使用自动驾驶算法的难度，工程师可以在自动驾驶系统上统一调优，不用给成百上千台车单独调试。
张凯在泥坑里锻炼出来的底盘线控技术，还有长城生产线多年稳定的品质，还有老师傅们的供应链把控能力，在这一刻都灵魂附体。
毫末这帮老师傅刚使出几招，就产生了降维打击的效果。
就在美团的前后脚，阿里巴巴也敲定了和毫末智行的合作，他们设计的无人配送小车“小蛮驴”也交给毫末来提供生产制造、出厂测试验证、规模量产等服务。
这是小蛮驴试制成功的合影。
说到这，你可能突然反应过来：小车干得这么热闹，之前大车上的辅助驾驶系统做得怎么样了？
创业公司就是这样，一万件事情重叠在一起。各个都很要命。
别急，在大车上，这群人也是紧锣密鼓。
（八）
这款放在大车上的辅助驾驶系统，初代版本被称为 HWA 1.0（Highway Assist）。
由于系统硬件的限制，HWA1.0重点是面向高速公路和简单的结构化城市道路。（在结构化道路上先跑也是行业通用实践。）
而第一辆搭载 HWA 1.0 的汽车，就是2021年量产的长城魏牌摩卡。
负责把系统塞进汽车的，是毫末智行研发总监王天培。
王天培是老长城人，当年线控底盘开发的时候他就是主力工程师；后来自动驾驶事业部成立，他又“转行”成了算法工程师。
你还记得前面我们能提到智能驾驶分感知和决策和控制吧，王天培团队从2015年开始，就做了不少自动驾驶决策算法的开发。
王天培
在决策算法方面，其实同样存在人工规则和深度学习规则这两条技术路线。
人工决策规则，完全是人类写的，看上去大概是这样：遇到情况A，则执行动作1；遇到情况B，则执行动作2，以此类推。。。所有规则大不了也就是几百上千条。
但深度学习的决策规则，那就是人工智能自己“看着办”了，根据训练方法不同，AI 可能搞出来上百万条规则。人类的大脑已经无法理解了。
王天培告诉我，在 HWA1.0 的阶段，决策方面还没来得及迁移到深度学习平台上，还在用传统的机器规则。
看到这，你也许会说，原来量产车没有配备“最强大脑”啊。。。
不过你要知道一个事实，那时候距离张凯做出技术转向只有半年，毫末智行刚刚成立一两个月，已经在跑步追赶。而汽车系统的迭代，需要跟随整车设计的节奏走，没办法像互联网那么灵活。
但这没关系，大象不一定要急转弯，重要的是先要有车上路，才能源源不断地积累数据。
注意，这里面还有一个有趣的环节：
系统开发完成，会先放在“原型机”里运行，汽车后备箱里背着这台工控机做测试；测试完成之后才能安装到量产平台中。
在原型中，系统也许会遇到死机、响应延迟之类的问题。但是一旦进入量产平台，就要把死机和延迟的情况降为0。
这个“0”可不是说说而已的近似值，而是要绝对为零。
可想而知，这中间需要工程师做多少工作。
毫末智行上海研发中心负责人孙宣峰就在一线指挥了这个工作。
孙宣峰（我和他打电话的手拍摄的屏幕）
孙宣峰曾经供职于全球最著名的汽车零件供应商博世，他感慨：
我团队的这些工程师，过去大多供职在国际零件供应商。但这些供应商的总部都在欧美日，中国区的工程师大多只负责最后的适配微调，虽然接触了无数车型，但就是碰不到核心代码。 很多人和我一样，早就憋着一股劲，想要从头开始写出我们中国人的代码！
事实证明，人生没有白走的路，每一步都算数。
即便是从头开始写代码，所有的坑在哪工程师们都了然于胸。他们仅仅用了6个月的时间就完成了量产调试。
与此同时，长城生产线上的千万台车整装待发。
毫末的小伙伴们特意让我体验了一下摩卡，右边就是我坐的那辆车。
说到这里，我还得强调一个小 Bug。
汽车和所有消费产品都一样，硬件上是“买定离手”的。一旦车卖出去，就四舍五入只能进行软件升级，车主是很难开回4S店，让你拆开再给里面加块芯片神马的。就算车主配合，线下的人工成本也扛不住。
偏偏怕什么来什么。。。
就在魏牌摩卡整个系统研发封版之前三个月，特斯拉出了一个幺蛾子。
他们搞了一次升级，推出了 NOA（Navigate on Autopilot）功能。特斯拉车主肯定知道这个功能，当时还引起了不小的轰动。
其实很简单，NOA 可以实现在高速公路上的上下匝道。因为可以上下匝道，就能实现汽车根据导航自动更换高速公路直达目的地。以前只会往前开，现在会“拐弯”了，车主感觉自然很爽。
国内造车新势力小鹏、蔚来也紧跟其后，推出了各自的高速导航驾驶功能。
其实，当时顾维灏也在指挥毫末研发一样的东西，叫做 NOH。但这个是给后续车型用的，没准备装在摩卡上。
长城同事说：我们摩卡车上就要装这个。
毫末同事说：大哥只有四个月了。。。
长城同事说：长城的自动驾驶要尽快追平一线。实在不行的话，我们开启销售后，让车主在规定时间内升级到 NOH！
王天培他们赶紧连夜讨论方案。。。
仔细研究了一下，还真不是没有方法：只要临时修改硬件方案，在已有的自动驾驶盒子里加入一大块存储模块，用于存储 NOH 所需的高精地图，就能满足后续升级的要求。
于是，算法团队加班赶工 NOH 的进度，王天培的产品团队紧急敲定修改硬件设计方案。
就这样死去活来，总算在 Deadline 之前搞定，HWA1.0 随着摩卡车型在2021年5月上市；而半年之后，也就是2022年1月，开始了 NOH 的陆续升级。
这是2021年7月，张凯和顾维灏在实际路段上测试 NOH 的功能。
紧跟摩卡，长城的爆款网红车“坦克300城市版”也陆续搭载毫末的辅助驾驶系统，像血液一样渗透到山川河流之间的路网中。
至此，顾维灏的“六步论”才终于开启了第一步：获取。
珍贵的数据奔流汇成海洋。
而海洋，才是鲸栖之地。
（九）
2021年初，毫末智行每周积累的驾驶数据有上千万帧图像。
看上去很多吧，但是这个数据量都不及我们今天的零头的零头。
潘兴对我说。
潘兴，是留美博士，高并发计算领域的大咖，被大家称为潘博，他是毫末智行的技术总监。
潘博手里的一项重要任务，就是把亿万数据汇总、表达，为下一步的人工智能算法提供充沛弹药。（这对应着顾维灏“六步论”的二三步：表达、储存。）
潘兴
但如此巨量的数据处理，已非人力可完成。
就拿最初的“每周上千万帧图像”来说。 有经验的工程师一天可以处理1000张，一个星期内处理完1000万帧图像，就需要1300位工程师。这显然是不现实的。
潘博解释。
他隐约预感到，这件事儿只有用无数“自动化机器人”来解决才合理。
但发愁的是，这世界上几乎没人有对付这么大量数据的经验。也许唯一有经验的就是特斯拉，然而特斯拉绝对不会把这个核心机密透露。
潘博只知道，特斯拉有一个“运营假期”的操作。
意思是只要研发人员把一整套系统搞定，随后随着量产汽车在路上跑，系统就会启动一整套自动化流程回收数据、处理数据、磨炼驾驶技巧——这套流程跑起来，技术人员就可以放心去度假了。。。
他也想要“运营假期”。
潘博带着大伙儿在会议室里楞琢磨。他们的办法是：拆。
1、先看这些数据如果用人来处理，总共分几步。
2、然后把这些步骤拆成更细致的小步骤，再把这些步骤交给一个个细小的人工智能程序来实现。
就这样搞了几个月，他们攒出了一整套自动化数据处理平台，起名叫做“Lucas 平台”。
Lucas 平台就像几大洲的陆地，环抱着数据的太平洋，让它们可以被算法实时调取。
这样算法工程师就不用像以前一样花90%的时间从数据海洋里捞有用的数据，而是可以把百分百的精力都用在调整算法这个核心任务上了。
人类脑子灵活，在数据量小的时候能弄得很精，有优势； 机器确实笨一点儿，但是数据量大，或者数据时间跨度长的情况下，人的脑子就不够用了，这时机器就能弥补劣势，甚至有优势了。
潘博说。
有一点出乎意料：
虽然Lucas 平台保持着快速进步，对数据的处理越来越快，越来越准，越来越自动化，但潘博的团队却没迎来“假期”。
他们需要日夜守护，让这个平台稳定运行，一旦有丝毫间断，则会影响其上的人工智能进步。
这是前线的同学在进行测试和数据标定。这些数据也都会回到 Lucas 平台。
潘博团队的魏孝林告诉我，2021年除夕，他和另一位同事还在研究 Lucas 的模块升级。到了晚上七点，他俩突然发现自己已经是全楼唯二喘气的动物了。
他们走到楼下，发现大门已经被人从外面反锁，所有带钥匙的同事都坐上了回家的列车。打了一通电话，才找到一个可以钻出去的后门。
那天回家的路上，我看到人们放的烟花在天空炸开，那瞬间的感觉不是累，也没有伤感，就像刚创造了一个伟大的东西，安静地休息。
他说。
在这群人的精心照料下，自动驾驶算法迭代像风车一样越来越块。（这对应着顾维灏“六步论”的第四、第五、第六步：传输、计算、验证。）
手握全套武器，顾维灏终于可以不满足于“高速公路”的场景，带着大家杀向新的领域——城市道路。
（九）
讲真，城市道路比高速场景复杂了不止一星半点。
城市里开车，不说别的，起码涉及两样：1）十字路口的左右转向；2、对红绿灯的精准识别。（如下图）
这些都必须靠深度学习的感知技术才能实现。
这一年来，毫末这群人就在死乞白赖地推进这个工作。
训练城市道路的辅助驾驶，一定要有自己的“试车场”。
这个试车场不能是封闭的，而是要有一些社会车辆和行人。所以，这就不是一个公司力所能及得了，需要得到政府的支持。
这其实是一件极难的事儿：政府提供支持，不仅要看到你的能力，还要看到你的诚意，看到你愿意长期扎根于此，带动产业和就业的决心。
这个难度系数 10.0 的工作，就落到了毫末智行 COO 侯军的肩上。
侯军早期供职于华为，后来在百度，又自己创业，可算是海陆空“三栖”的选手。毫末智行连办公室都没找到时，他就已经被毫末创始团队“忽悠”来了。
华为的经验告诉我，一件事情，只要我们中国人和国外没有技术代差，我们就一定能做得比他们好。因为我们的政府是全世界最鼓励新科技的，只要公司自己有商业闭环、数据闭环，假以时日一定能成。 所以当时我都没有犹豫就入坑了。”
侯军笑。
侯军
这个试验场，侯军锁定了北京市顺义区。
虽然侯军自己就住顺义，但他并不认识区领导。。。
通过行业协会、朋友介绍，死乞白赖找到了分管领导。领导很客气地问了很多问题，翻译成普通话就是：你是谁啊？
确实，当时如果在搜索引擎上搜“毫末智行”，啥都搜不到。你让领导如何相信你？
侯军只好硬着头皮把毫末智行的背景、优势都给讲了一遍。但侯军其实心里有数，他知道毫末的优势非常明显，金子肯定会发光。
果然，和区政府谈了几次，对方越来越感兴趣，几个月就光速敲定，顺义区吸引毫末落地。
如今，每天都有毫末智行的测试车跑在顺义的道路上。
一线的同事们还给我看了很多有趣的照片。忙于测试的时候，他们顾不上拍照，我看到的很多都是他们在野外觅食的画面。
下图右上角，是他们半夜测试间隙吃西瓜，右下角是正月十五测试的时候用纸杯吃元宵。
顾维灏觉得，只听一线同学的反馈还不够。他延续长城的传统，在毫末搞了一个“快乐星期六”活动。
每到隔周的周六，所有高管都杀到顺义，坐上测试车，以“乘客”的视角来感受自己的技术到底还有哪些改进空间。
只有坐上车，才能真正体会城市道路有多难开。行人过马路，社会车辆加塞，红绿灯故障，只有你想不到，没有它不会发生的情况。有时候情况紧急，系统会紧急刹停，要不是有安全带，一众人都恨不得拍到前风挡上。
即使这样，这群人每周都乐此不疲。
就像看着一个小孩子，一点点蹒跚学步。
快乐星期六
除了可以测试乘用车，毫末还在顺义测试无人配送车。
于是，侯军又马不停蹄，和物美多点建立了合作，在顺义区选择合适门店，帮助物美多点小哥送货。
（十）
既然是测试性质，物美多点也没有太多要求：第一，你得按时把货送到，不能让我的顾客受损；第二，你不能太贵。。。
于是，毫末答应，多点每单给送货小哥多少钱，就给我们的无人车多少钱，其余的成本支出都是毫末来扛。
就这样，顺义的大街上，又出现了毫末和物美多点的“联名”送货小车“小魔驼”。
当然，终究是测试，不能让小车自己跑，需要有一个“安全员”，万一出现小车不听话的情况，要及时接管。
这里就出现了一个 Bug：测试大车的时候，人们可以坐在车里，虽然可能会吐，但起码不怕风雨；测试小车的时候，无论寒暑，人只能跑步跟着。
2021年的春天，贼拉冷。
梁萧就是毫末末端物流无人车产品经理，那年可把他和小伙伴冻坏了。
我们专门每人买了一个军大衣，就这样，在外面呆超过两小时就冻透了，大家只能倒班上街。。。
梁萧笑着回忆。
梁萧
人还可以倒班，车没办法倒班啊。车的电池一旦在低温时间过长，就会报错，整个车都得停下。梁萧他们急中生智，想到了土办法，把女生带的暖宝宝给抢来，贴到电池上。
这边测试，那边赶紧给赵博他们打电话：“这个设计熬不过北方的冬天，需要改进改进电池设计！”
赵博那边赶紧修改设计，在下一版的小车制造中改善问题。
有一个真理不言而喻：小车要走在辅路上。而辅路比主路路况复杂一百倍。
什么叫电动车、哪个叫老头乐，还有遛狗的大妈、结队放学的小学生，摇摆前行的自行车、放飞自我的行人。。。
“经常出现一个情况，前面是一个老大爷遛弯，我们的车就龟速跟在后面。”梁萧说。“虽然跟着没什么不行，但送货是有时间要求的，所有商品40分钟内必须送到家。。。”
于是，他们只能修改策略，让送货小车学会“绕大爷”，后来又学会了“绕路桩”、“规避狗绳”。
到后来，终于有地方绕不过了，那就是路边停的“老头乐”（就是那种爷爷奶奶开的小型代步车），因为有的老头乐停得太随性，留下的空间太窄，小车根本过不去。。。
真实的路况大概就像这样。
于是，梁萧他们只好兵来将挡，做了一个新策略：当遇到这种卡死的情况，可以短时间借道主路。
这些都搞定了，还有新的问题。
比如过红绿灯的时候，走斑马线。行人也走斑马线，小车也走斑马线，小车还要礼让行人。
问题来了：为了礼让行人走走停停，经常是走到路中间，红灯了。。。。侧向的汽车蜂拥开来，小车手足无措。跟车员只好冲上去手动遥控，帮可怜的小车脱困。
梁萧他们讨论了好多次，最后决定小车不走斑马线， 而是贴着斑马线走旁边，这样既安全，又能绕过行人干扰。
这些经验一点点积累，让小车的策略越来越完善，送货速度也越来越快。
正是在顺义日复一日的测试，让很多人都看到了毫末的技术力量和这群人要干自动驾驶的决心。
2021年，毫末智行一股脑拿到了美团、首钢基金等投资方的pre-A轮和A轮投资。这些投资方其实很有意思，美团是毫末智行最早的客户，而首钢基金的出资人有顺义区政府。
这些人都是真正和毫末打过交道以后，才决定真金白银地投资。
顺义区一位领导对侯军说：“之前几年，因为一个很小的原因，我们错过了引进宁德时代的绝佳机会。现在我们绝对不能再错过你们，毫末智行将是自动驾驶的新独角兽。”
这句话让侯军记忆犹新。
就在融资顺利进行的时候，合肥、苏州、上海这些嗅觉灵敏的城市也都找到毫末，邀请他们落户测试。
作为当时一个成立一年多的公司，这样的成绩可以用闪耀来形容。
（十一）
我的视线又回到了顾维灏身上。
我每天都在面对挑战，但我也习惯了这样。只有每天解决一点问题，才不会让问题在未来某一天集中爆发。
他把刚吃完的盒饭推到一边， 嘿嘿一笑。
毫末将会在辅助驾驶系统上完整集成深度学习的感知和决策，也会第一次具备城市道路辅助驾驶的功能。
毫末城市NOH在2022年夏天将会首次搭载在一款长城汽车上。
那将是顾维灏心目中辅助驾驶系统该有的样子。几百人过去一年多的寒暑辛劳，也都在未来那一刻交出答卷。
这是同学们在夜里测试城市NOH。
他把这件事儿称为：“全栈技术能力的外现”。
而张凯也告诉我，长城正在把几十款车型的自动驾驶系统交给了毫末来做，预计在未来几年，搭载毫末智行辅助驾驶系统的乘用车将会很快突破百万辆。
面对这些好消息，张凯却异乎寻常地清醒。
毫末作为独立的公司，未来要走上自己的漫漫长路，不仅服务好长城，之后不排除要有新的合作伙伴。
而这一切未来的可能，都源自每一天的技术耕耘。
放眼望去，这群人就像农夫，在春天播种，然后傻傻地期待一个花园。
顾维灏是三体迷，把毫末所有的会议室都改成三体里的关键词，我俩聊天的房间就叫“黑暗森林”。
我本以为他会大聊“降维打击”之类的哲学，但他并未提到。
临走，顾维灏送我一套《三体》，封套上引用了一句话：
给时光以生命，给岁月以文明。
仔细回想，也许这才是他更在意的。
我不知道顾维灏还将多少次在回家的路上松开方向盘。但我丝毫不怀疑，有朝一日，他接管的次数会变成4次、3次、2次。
站在未来回望，自动驾驶也许正是以这种方式走向彼岸。
注：
数据来源自《道路安全年度报告2020》By 国际交通论坛。
https://www.itf-oecd.org/sites/default/files/docs/irtad-road-safety-annual-report-2020_0.pdf
延伸阅读：
《人工智能杀人回忆》
