毫末智行這群人
正在導演一場人和方向盤的分手大戲
文 | 史中
風來了，豬都能飛翔。
風走了，只有鳥在天上。
（一）
顧維灝有一個小秘密。
每天下班回家的路上，他會慢慢鬆開方向盤，把身下這臺汽車全然交給輔助駕駛系統。
程式碼在晶片裡奔流，大塊頭的機器像水面上的浮葉，滑翔在北京的華燈夜色中。
辦公室離家9公里，不算遠，但路況複雜，輔助駕駛系統不能完全應對。
他需要在中途5次手動接管汽車。
顧維灝的夢想很簡單：用未來幾年時間，把自己回家這段路的人工接管次數降到4次、3次、2次。。。
想想，好像也沒什麼。
但魯迅說過：這世上本沒有自動駕駛，接管的次數少了，也便成了自動駕駛。
（二）
2021年12月的一天中午，顧維灝剛跟一位團隊同學談完心，等會兒又要拉著一堆人去開技術會，此刻剛剛在我對面大口扒拉完一份盒飯。
我很難把面前這個接地氣的老哥和他的身份——
最近大火的自動駕駛創業公司
毫末智行的CEO——應有的“光鮮”聯絡起來。
顧維灝
不過，聊了幾分鐘後，我就摸準了他的脾氣：比起閃耀，他更在乎有效。
既然他做的事情和車有關，我們不妨就從車說起。
今天，全世界的汽車平均每行駛2億公里，就會有一起致死事故。（注：資料來源附後。）
在20年前的世紀初，大概是1億公里就有一起，甚至有的國家能達到5千萬公里。
之所以死亡率穩步下降，一個重要原因就是：
在過去二十年，汽車被動安全技術（如安全帶、氣囊）和主動安全技術（如防抱死系統、防撞雷達）發展很迅速，規避了大量因為人類駕駛失誤而造成的嚴重事故。
但有一個地方很值得畫紅圈：
最近五年，路上死亡率雖然還在下降，但下降趨勢已經很緩慢，個別國家甚至有反彈。
這是一些國家，汽車事故“每10w人中死亡人數”的歷史資料。
汽車事故界的“摩爾定律”好像在失效。。。
背後的原因很簡單：降低人類司機事故的技術能上的都上了，提升空間的天花板已隱隱看到。
接下來最能降低死亡率的技術，其實只剩一條：不讓人類開車。
沒錯，這就是自動駕駛。
假設一輛車的速度是100km/h，人類司機從看到危險，到決策，到做出剎車動作，大概需要經過1秒，期間汽車行駛30米的距離。而自動駕駛從判斷到做出剎車動作大概只需要0。1秒，期間車只行進了3米。
省出來的時間和距離，就是生死之別。
說到這，很多淺友會反駁：
不對吧，你默認了自動駕駛比人類水平更高。。。
實際情況難道不是，現在自動駕駛還很智障，如果貿然讓“機器開車”，反而會增加意想不到的問題吧？
你說得對。
這裡出現了一個經典的悖論：
很多家長不讓孩子在學校早戀，但孩子一畢業，恨不得下一秒就要找到老婆（老公）生猴子。
這很可笑，因為沒有充分訓練的撩妹/漢技術，很難在實戰中直接發揮作用。但從娃娃抓起磨鍊戀愛技巧，家長又覺得扯淡。
自動駕駛也是同樣。
如果不去放手讓自動駕駛技術上路訓練，那麼我們永遠等不到自動駕駛技術服務於人類的那一天；如果放手讓自動駕駛汽車上路訓練，又擔心出現危險。
人類就這麼卡bug了嗎？？
解決這個問題的路線不是沒有，而是太多。過去五年，連業內大佬們都因為路線問題撕得不可開交。
幸好現在總算“打”成了一些共識。
擁躉最多的是“折中道路”：人和自動駕駛系統一起開車。
一半的時間人開車，系統就“看”（第四聲）著，積累大量的資料，回來改進技術。
一半的時間系統開車，人就“看”（第一聲）著，系統處理不了的情況，人馬上接管操作。
這種“學習期”的自動駕駛系統，我們習慣把它稱作“輔助駕駛系統”。
（注意，輔助駕駛系統並不是不能幫人開車，而是提供“力所能及”的幫助，背後的駕駛員依然要為最後的結果負責。業內也把這種自動駕駛稱為L2級自動駕駛。）
回到我們的故事，既然顧維灝崇尚“有效”，他當然也選擇了這條道路。
他伸出一個巴掌，把自己做自動駕駛方法論分為六步：
1）獲取 2）表達 3）儲存 4）傳輸 5）計算 6）驗證
聽起來有些抽象，但轉念一想，這方法挺
“笨”
的，大概和小學生做數學題異曲同工：
審題，列算式，算結果，對答案，如果答案不對再回來重新審題，如此迴圈，直到做對。（當然自動駕駛沒有所謂“做對”的那一刻，它永遠可以做得更好。）
注意啦，這件事兒的難度壓根不在於這六步本身，而是：你要在很長的時間裡對“六步論”不斷重複。
做好一個自動駕駛系統，需要把“六步論”重複多少次呢？
根據業內的大致估計，一套自動駕駛系統想要順利“畢業”（也就是大致追平人類的水平），大概要行駛200億公里。
這是個啥概念呢？
假設一家自動駕駛公司有100臺車，24小時不間斷地在路上跑，需要跑夠500年。
好的，500年後，中哥再回來告訴你顧維灝他們的成果如何，今天的淺黑科技就到這裡。
別。。。500年，別說顧維灝等不起，孫悟空都等不起。
那有啥辦法加速自動駕駛系統的實習過程呢？
當然有。
資料是可以聚沙成塔的：
如果每天跑在路上的不是一百臺車，而是一千臺車呢？如果不是一千臺，而是一萬臺呢？如果不是一萬臺，而是一百萬臺呢？
你可能會算：隨便一臺普通的車也要十幾萬，光買一百萬臺車就要花幾千億，還要加裝自動駕駛感測器、加油保養、僱司機。。。你是家裡有礦還是叫中本聰啊？
然而，目測顧維灝他們，在未來兩年，真就能讓100萬臺車上執行自己的輔助駕駛系統。
這才是毫末智行的牛X之處。
他們到底要怎麼做到呢？
別急，為了能讓你清楚地品嚐到其中細節，先讓顧維灝歇一會兒，我們請出另一位男主角。
（三）
2013年夏天，河北狼牙山下。
村長接待了一群奇怪的客人。
為首的人身形魁梧，戴著眼鏡又顯斯文。他指著村口那臺澆地用的灑水車，正跟村長笑眯眯地討價還價。
最後兩人商量妥，200塊錢租一天。
村長著實想不通，這幫人也不像莊稼漢，要租灑水車幹啥呢？於是好奇地跟著他們來到不遠處的水庫邊。
他們從水庫抽水，一股腦澆在岸邊鬆軟的荒地上，來回幾趟，這兒就成了一灘爛泥。
接下來發生的事情讓村長猝不及防。
這群人開著幾輛嶄新的SUV，直接衝進了爛泥裡。深的地方恨不得連底盤都被泥沙吞沒。。。
果然，求仁得仁，車陷進去了。
司機猛踩油門，輪胎捲起爛泥，甩上天際，但無論怎麼加速，車輪就這樣在原地飛速打滑。傳動軸和泥沙摩擦，發出刺耳的沙沙聲，聽著就心疼。
村長捂臉搖頭，內心草泥馬奔騰：這又是啥不著調的戶外越野俱樂部啊。。。
這是當時的照片
接下來的事情更魔幻。
這群人推門下車，從揹包裡抽出幾臺膝上型電腦，沒事兒人一樣，噼裡啪啦敲起鍵盤來。
眼瞧著，旁邊的汽車居然自己開始給油，扭動輪胎，向坑外艱難爬行。
折騰了半天，汽車終於艱難地爬出來。這群人把車掉個頭，利索地重新開進坑裡。。。留下村長在風中凌亂。
村長哪裡知道，這群“自虐”的人其實大有來頭。
他們來明星企業長城汽車，是底盤工程研究院的工程師。而帶隊的大個子，正是時任長城汽車車輛安全工程研究院院長張凱。
張凱
他們在研發一項技術，叫做“全地形控制系統”。
可能有的淺友沒聽過這個東西。不過，喜歡開車越野的朋友，尤其是路虎車主一定熟悉。
這套系統是2004年由路虎首先發明的，專門幫不安分的車主適應沙地、泥地、草地這些奇葩路況。
簡單來說，它可以把當時輪胎和路面的各種資料反饋到牽引力控制系統（TCS），然後調整防滑、制動和轉向
引數
，凝聚全車的力量瞬間爆發出來，從而脫困。
別看原理簡單，事實卻很悲傷：
在路虎發明這套系統9年之後，中國能掌握這項技術的車廠數量為零。
造不了，可以買嘛。還真有國際供應商賣這個模組，五千萬，一手交錢一手交貨。
倒不是給不起這點錢，而是咽不下這口氣。年輕氣盛的張凱不信這個邪，偏要自己搞出來。。。
其實呢，張凱的信心也不是毫無來由。
他幹過比這還大的事兒。
作為車廠子弟，他從小就生活在汽車零件的鋼鐵叢林裡，加上又對計算機感興趣，大學畢業後加入長城，專門鼓搗“把最新的計算機技術引進汽車行業”的這類事情。
很多淺友都知道，汽車研發過程中皇冠上的明珠就是“模擬模擬系統”——可以在賽博空間復刻一輛真實的汽車，用這輛“數字汽車”進行碰撞試驗、效能試驗，大大降低開發成本，也能更科學地保護司乘。
算起來，張凱是中國第二代推動“模擬系統”建設的技術人。
既然當年長城連“模擬模擬系統”都能搞定，張凱就不信，區區一個“全地形控制系統”他們搞不定。
當時我們從坭坑裡把車開出來，車身能重兩百多斤。相當於車上多坐了一兩個隱形人。
勉強開到最近的洗車場，用水槍先把泥沖掉，才能繼續開回車廠。一路上發動機的聲音聽起來都像拖拉機。
回來之後大家把車曬乾，再放在四立柱架子上升起來，還能掏出四五塑膠桶的泥。。。
回憶崢嶸歲月，張凱歷歷在目。
後來這群人還開了路虎去，專門做對比：同樣的泥，路虎能開過去，長城就要能開過去，而且還要比路虎過得穩過得快。
他們把狼牙山下無名的泥地一點點改造成“北方試驗場”，就靠這種“笨方法”，一連試驗了三年。
終於在2015年，全地形控制系統隨著新車哈弗H9上市了。
長城汽車當之無愧成為了中國第一個突破了“全地形控制系統”核心技術的車廠，圈了一大波粉。連同行都不得不挑大拇哥：“兄弟你們是真拼啊。。。”
看到這，可能有些淺友有點懵。張凱搞的這事兒，有意思是有意思，可你今天不是要講“自動駕駛”麼？這有啥關係呢？
不僅有關係，而且有大關係。
你有沒有注意到剛才我說了一個細節：就在汽車往坑外爬的時候，人是在下面遙控的。
在這一刻，汽車已經是“自動駕駛”的狀態了。
？？中哥在說啥？？且聽我詳細解釋。
（四）
這裡我把重要的結論放在前面：
1、自動駕駛不是請客吃飯，不是敲鑼打鼓就能做出來的。它和生命的演化一毛一樣，需要把一座一座“基石技術”層層堆壘起來，奇觀才會自然湧現。
2、有些技術一開始看起來簡單弱小，但它們就像珍珠一樣，最後串在一起就成了璀璨的自動駕駛項鍊。
我們說回泥地裡的那輛車。
玩過遙控車的淺友會知道，一般遙控車走直線都很難做到精準，更別說一輛大號的越野車了。。。
這背後需要攻克一個極難的技術點——底盤線控。
一個簡單的遙控指令，卻能最終變成動力總成和轉向機總成的精準運動，方向盤穩得住，輪胎不打擺，路線控制一釐米都不能差。
一旦調教不好，行進時方向控制不好，汽車就會“畫龍”。
由於很早開發線控技術，讓長城成了自動駕駛領域早期的測試車提供商。2015年左右，很多自動駕駛公司開始進行實戰研究，都會從長城購買帶全套線控的車來改裝。
除了“底盤線控”，自動駕駛還有另一個基石技術，那就是“主動安全技術”。
說到主動安全，張凱又興奮起來。
因為在成為底盤研究院院長之前一年（2012年），張凱剛剛帶隊成立了長城車輛工程安全研究院。下面恰恰設有“主動安全”這個研究室。
啥是汽車的“主動安全”呢？（我們開頭其實提過，這裡再詳解一下）
主動安全，是相對被動安全而言的。
中國不是有句俗話麼？沒事不惹事，有事不怕事。
被動安全就是“有事不怕事”。
比如真的發生了碰撞，保險槓、安全帶、氣囊就會發揮作用，在事故已經發生的情況下儘量保證司乘安全。
主動安全就是“沒事不惹事”。
比如防碰撞系統，眼看就要撞到前車，汽車就要透過雷達感知到，然後強制幫人剎車；
比如車道保持系統，眼看車要跑偏，就得強制把方向盤掰回來；
比如駕駛員狀態監控系統，眼看駕駛員眼皮打架幾欲暈厥，就得嗷嗷叫提醒司機，實在叫不醒就得強制靠邊停車了。
說到這，你是不是有點感覺了？
主動安全功能就像一個個獨立的器官，原本用來解決單獨的問題。但當它們組合在一起，就瞬間透出那麼一絲“智慧”的意味了。
明白了這些，我們繼續討論更深入的問題。
這些基石技術組成的“輔助駕駛”和我們平常所說的“高階自動駕駛”究竟是什麼關係呢？？
不妨拿人腦來類比一下。
人類大腦看起來是一坨肉肉，但實際可以分為三層：爬行腦、情緒腦和理性腦。
理性腦是我們平時邏輯思考用的最主要的部分。你現在理解文章，用的也是理性腦。
但在大腦的核心位置，其實是最早進化出來的爬行腦和情緒腦。它們負責“下意識”的動作，比如走路時全身的肌肉共同維持平衡、比如被針扎一下會馬上縮手、有人在你眼前揮拳你會躲閃。
別覺得爬行腦低階。
如果沒有這樣一個低功耗、高效率的腦區幫你打理基本行動，你的邏輯思維再發達，也無法像常人一樣起居生活。
我們說回汽車。
高階自動駕駛系統，也就是大多數人熟悉的視覺感知、智慧決策之類，可以說是汽車的“理性腦”。
而線控底盤技術和主動安全系統這一整套輔助駕駛系統，其實就對應著汽車的“爬行腦”。
從進化邏輯上，它們是有先後關係，一脈相承的。
而且，在真正的自動駕駛汽車上，“高階自動駕駛”和“輔助駕駛系統”不是替代關係，而是同時工作的。
2015年，長城汽車董事長魏建軍把自動駕駛研發的重任交給了張凱。
有了之前的背景知識，再看到這個任命，你不僅不會覺得意外，反而覺得順理成章了。
張凱壓力山大。
他很清楚，之前雖然技術積累紮實，但目的還是輔助人類；“自動駕駛”這四個字的終極目標，是代替人來開車，這背後的意味可全然不同。
一種既朋克又神聖的感覺油然而生。
說幹就幹，他馬不停蹄地把“主動安全研究院”裡的一些技術大牛拉到“自動駕駛事業部”，帶著同事們從“爬行腦”向“理性腦”進軍。
事實證明，自動駕駛的坑，可比他當年開車爬的泥坑要大多了。
（五）
2016年，沒有大事發生。但對張凱來說卻是一道分水嶺。
那一年特斯拉做出一個小抉擇。這個抉擇的深遠影響後面才慢慢顯現——它直接把特斯拉推向了傳統汽車製造廠的技術對立面。
是個啥抉擇呢？
特斯拉不再使用以色列公司 Mobileye 的模組做自動駕駛的視覺感知，轉而使用自研的深度學習模組做視覺感知。
中哥在說啥？
我給你通俗地解釋一下：
高階的自動駕駛可以粗略分為“感知”、“決策”、“控制”三個步驟。
1、感知就是分析出眼前的景色：比如左右路肩和車道線，比如高樓行人寵物。
2、決策就是現有情況下本車該怎麼辦：比如現在要加油、剎車、或者把輪胎向左轉5度。
3、控制就是對底盤的實際操縱，之前詳細講過底盤線控，此處不贅述。
凡是做自動駕駛，都逃不開這三步。
決策我們後面會說，現在單說感知。
經典的感知技術是透過傳統機器視覺（CV）來實現的。
簡單來說，CV系統會計算畫面中物體的邊緣形狀，從而判斷這是個啥東西。
剛才提到的 Mobileye 的感知模組就是用的是這個技術。
但同樣的感知工作，特斯拉卻用深度學習技術來實現。
簡單來說，它需要人類把畫面中的汽車、行人、標誌等等標註出來，然後交給人工智慧自己去學習。
之後遇到一幅新畫面，人工智慧就能判斷畫面裡有啥東西。（篇幅所限，不懂的同學去參考
《人工智慧殺人回憶》
）
你可能會問：兩種技術不都是用來感知麼？誰的效果好就用誰唄，為啥要打架？
客官有所不知，這背後藏著一個巨大的哲學命題。
這個哲學命題就是“可解釋性”。
傳統機器視覺用來判斷物體的依據是人類專家編寫的方程，如果效果不好，可以倒推，修改引數；
深度學習用來判斷物體的依據是機器經過複雜運算自己編寫的，如果效果不好，人類根本不知道怎麼修改，只能跟機器“商量”，我再給你多幾萬張圖，你重新給學學唄？
這就使得深度學習為基礎的視覺感知技術“可解釋性很差”。
可解釋性差，其實挺要命的。
就好像上學的時候，老師要求我們解題要有解題步驟，而直接寫答案，哪怕答案是對的，也不給滿分。
你想想看這個場景：你坐在自動駕駛汽車裡，汽車告訴你前方有一輛車。你問汽車：“你判斷的依據是啥？”汽車說：“說了你也不懂，信我就對了。”
你會是什麼心情？
所以，回到2016年的世界，所有車廠分成了旗幟鮮明的兩個陣營：
第一、支援深度學習的特斯拉；
第二、其他車廠。
“其他”車廠包括寶馬、賓士、大眾，當然也有長城。
然而，後面的故事大家都知道，2019年，特斯拉 Model 3 量產上市，如核彈一般席捲全球，至今累計銷量幾百萬臺。
大家用真金白銀投票，買了“深度學習”的賬。（當然，科學家們正在積極探索深度學習的可解釋性，但那是另一個故事）
而在特斯拉股價史詩級暴漲的背後，有更恐怖的事情：他們的輔助駕駛系統燃燒在每一臺車裡，不斷地收集資訊，每分每秒都在分析學習，駕駛水平水漲船高。
2019年末，張凱說服大家——團隊的自動駕駛技術路線要全面轉向深度學習。
然鵝，深度學習是完全一整套新的世界：從
晶片
，到
演算法
，甚至
軟體架構
，都和以前不同。
回頭一看，長城汽車內部，極度缺乏深度學習的人才，硬剛怕是有風險。。。這個挑梁的人要上哪去搞呢？
他腦海裡出現了一位老朋友。
沒錯，就是被我們晾在一邊很久很久的另一位主角，顧維灝。
顧維灝曾在百度負責的恰恰是輔助駕駛業務，技術、產品和商業上都頗有遠見。
但英雄尚有困頓時。
在當時，如華為、百度、小馬智行等科技公司，技術底子很好，但自己不造車，自動駕駛系統遲遲找不到量產上車的機會，難以快速回收資料改進系統。。。
2020年初顧維灝選擇了離開百度。
張凱知道這個悲傷的訊息，簡直太開心了，趕緊撥通他的電話。
顧維灝坐在張凱面前，皺了皺眉頭：“這事兒憑什麼能成？”
“不是缺資料麼？你想想看，路上跑的長城量產車如果大部分都裝上自動駕駛系統，難道還愁資料嗎？”張凱笑笑。
維灝吞了吞口水，心癢癢。
但他還是猶豫：“我在網際網路公司這麼多年，要是讓我加入長城這樣的製造業企業，具有文化差異，估計我會比較難適應。”
張凱揮揮手：“這事兒魏總和長城決策層早就想好了，咱們可以拉出隊伍，單獨成立一家自動駕駛公司！”
毫末智行就這樣成立了。
2021年2月，顧維灝正式加盟毫末智行，出任CEO。
張凱和顧維灝
（六）
公司名是毫末初創團隊一起想出來的。
老子《道德經》裡有一句話：合抱之木，生於毫末；九層之臺，起於累土；千里之行，始於足下。
這種謙虛的起名方法，頗有當年他帶著大家在泥坑裡默默開車的遺風。
這種謙虛的風格也帶到了對辦公室的選擇裡。下面這張圖是毫末智行在北京最早的辦公室。
據說一位準備入職的女同事看到這個辦公室，當即決定回家再和老公商量商量。
但山不在高，有仙則名。
正如張凱預料的那樣，在毫末成立初期，長城的烙印帶來了巨大的加持。
不過這裡有一個值得仔細觀察的細節：長城的加持，其實有兩條，一個是顯性的，一個是隱性的。
顯性加持是：長城每年銷售汽車百萬輛，這裡面哪怕選擇一部分搭載毫末的輔助駕駛系統，每年都是幾萬、幾十萬的量級。這種穩定的訂單供給讓毫末“含著金鑰匙出生”，不用像其他初創公司一樣為錢發愁。
隱性加持是：毫末從長城帶出來了100多位汽車行業底層技術人才，還從長城拿出來一條生產線。
顯性加持大家都能看到，而這個隱性加持，同樣大有文章：
之前為了敘事方便，我一直說在自動駕駛領域的技術演進路線是“高速+低階”——也就是速度很快的乘用車配上能力有限的輔助駕駛系統；
但我只說了事實的一半兒。
其實還有另外一條技術演進路線也被證明可行，那就是“低速+高階”——用速度很低的車，搭載最先進的自動駕駛系統。
“低速+高階”怎麼玩呢？
一個主要的應用，就是現在剛剛興起的無人配送小車。
正在上大學的淺友可能見過校園裡跑來跑去送快遞的“小蠻驢”；
在北京順義區生活的淺友可能見過美團正在測試的送外賣小車；
走在街上，也可能看到過多點超市的送貨小車。
就像下圖這樣：
阿里巴巴的小蠻驢
無人配送小車不僅要配最先進的無人駕駛系統，還要有過硬的生產商來生產，包括小車的底盤、線控系統和上面的箱體。
麻雀雖小，五臟俱全。你可以認為它就是一輛小型汽車。
這麼複雜的東西，造價不菲，目前（2022年初）要幾十萬一臺。
說到這，你可能明白了，毫末從長城拿出了這麼多底層人才還有生產線，不正好可以生產這種無人配送小車麼？
這裡揭曉一個秘密：其實，從一開始，張凱就給毫末定下的戰略就叫：“兩條腿走路”。
一條腿是乘用車的自動駕駛系統，另一條腿就是無人配送小車。
說到這，還有個小故事。
早在毫末尚未成立的2019年，張凱就在一次會議上認識了美團的首席科學家。
那時候，美團的同事正在發愁。
他們研發了無人配送車，但找了很多廠家給生產，要麼就是小作坊，生產出來的小車質量不忍直視；要麼就是大車廠，人家生產線是生產汽車的，為了你這幾百輛小車改造生產線，那成本可就大了去了，不願意幹。。。
張凱一聽，眼裡立刻放光：我們又有從長城“拿”來的一流生產線，又有願意幹髒活累活的小夥伴。你們別找了，全中國只有我們能幹這事兒！
張凱再去打聽，阿里、物美多點這些網際網路零售公司都在探索無人配送小車。直覺清楚地告訴他，大有搞頭。
現在回看，這件事兒，也大大推動了長城下定決心獨立成立毫末智行。
趙博，是毫末智行的產品平臺總監，“無人配送小車”和“智慧底盤”的負責人，當時，設計開發小車的任務就落在了他的團隊身上。
趙博
（七）
長寬高、載重量、車速、線控精度——當時我們拿到的需求少的可憐。
至於產品怎樣定義、怎樣借用長城乘用車的供應鏈資源、成本怎樣控制、試驗場怎樣設計，一個一個的問號都需要我們重新思考。
趙博回憶。
這裡讓人糾結的事情很多。
核心部件先不論，就拿最簡單的外飾來說，有兩種方案，一種是注塑，一種是吸塑。
注塑工藝是乘用車一直採用的外飾開發方式，但注塑工藝，模具非常貴，但精度高，單品很便宜，做得少了就不划算；而吸注塑的話，模具便宜，但單品貴，做得多了就不划算。
顯然，目之所及的訂單也就千臺左右。
但上上下下討論一遍，大家達成共識：同時採用注塑、吸塑工藝。關鍵零部件及複雜結構採用注塑工藝，非關鍵部件採用吸塑工藝。這樣就兼顧了兩種工藝的優缺點。
這是當時的部分設計手稿。
別看這麼一個小車，拆成零件也是成近千個，關鍵是，只有一部分零部件可以複用乘用車上的零件，還有
很多零件需要讓供應商重新開發
。
這就涉及到“供應商願不願意陪你玩兒”的問題了。
專案早起銷量較低，只有幾十、幾百個零件，供應商也要研發、開模，短期來看是不賺錢的。
這些汽車界的老人只好拉下面子，一家一家去和供應鏈商量：短期來看產品的銷量較低，但這個行業的爆發期很快會到來，咱們可以一起走進智慧汽車的下一個時代！
要是對方實在不信，他們就打感情牌：我們在長城的時候，咱們也是一起從小到大，從弱到強互幫互助走過來的。你們這次無論如何都要幫我們一把！
就這樣，供應商們也慢慢的相信這個新行業的發展，願意一起玩。
這是透檢視。
而在總裝生產線上，問題又出現了。
如果上
全套的自動化
生產線，其實我們最有經驗。
但是小車剛剛開始做，方案恨不得一禮拜一改，如果生產線跟著動，那動一下就是幾十上百萬，真的改不起。
最後我們決定，很多步驟就先用“低自動化”生產線來做，未來產量上來了，設計需求穩定了，再上自動化生產線。和豐田當年做燃料電池的整車生產線是一樣。
趙博說。
不過，自動化程度一低，人手就缺了。。。
“求助長城老大哥唄。長城本身有集團內部員工借用、調動的流程，但確實也欠了很多人情債！”他笑。
大家在除錯底盤。
2020年6月，第一版毫末無人配送小車“DV01”終於下線了。
客戶收到這批車，都驚呆了。過去其他小作坊生產的車，每一輛車一個性能，有的響應時間快，有的響應時間短，有的剎車距離短，有的剎車距離長。
毫末生產的小車，不僅成本低，關鍵是所有的車一致性極高。
就拿一個小點——轉向精度——來說：所有的車，只要接到相同的線控指令，轉向系統就能快速平順地轉到目標角度，精度都可以控制在0。5度以內。
整車的一致性高，就可以降低使用自動駕駛演算法的難度，工程師可以在自動駕駛系統上統一調優，不用給成百上千臺車單獨除錯。
張凱在泥坑裡鍛煉出來的底盤線控技術，還有長城生產線多年穩定的品質，還有老師傅們的供應鏈把控能力，在這一刻都靈魂附體。
毫末這幫老師傅剛使出幾招，就產生了降維打擊的效果。
就在美團的前後腳，阿里巴巴也敲定了和毫末智行的合作，他們設計的無人配送小車“小蠻驢”也交給毫末來提供生產製造、出廠測試驗證、規模量產等服務。
這是小蠻驢試製成功的合影。
說到這，你可能突然反應過來：小車幹得這麼熱鬧，之前大車上的輔助駕駛系統做得怎麼樣了？
創業公司就是這樣，一萬件事情重疊在一起。各個都很要命。
別急，在大車上，這群人也是緊鑼密鼓。
（八）
這款放在大車上的輔助駕駛系統，初代版本被稱為 HWA 1。0（Highway Assist）。
由於系統硬體的限制，HWA1。0重點是面向高速公路和簡單的結構化城市道路。（在結構化道路上先跑也是行業通用實踐。）
而第一輛搭載 HWA 1.0 的汽車，就是2021年量產的長城魏牌摩卡。
負責把系統塞進汽車的，是毫末智行研發總監王天培。
王天培是老長城人，當年線控底盤開發的時候他就是主力工程師；後來自動駕駛事業部成立，他又“轉行”成了演算法工程師。
你還記得前面我們能提到智慧駕駛分感知和決策和控制吧，王天培團隊從2015年開始，就做了不少自動駕駛決策演算法的開發。
王天培
在決策演算法方面，其實同樣存在人工規則和深度學習規則這兩條技術路線。
人工決策規則，完全是人類寫的，看上去大概是這樣：遇到情況A，則執行動作1；遇到情況B，則執行動作2，以此類推。。。所有規則大不了也就是幾百上千條。
但深度學習的決策規則，那就是人工智慧自己“看著辦”了，根據訓練方法不同，AI 可能搞出來上百萬條規則。人類的大腦已經無法理解了。
王天培告訴我，在 HWA1。0 的階段，決策方面還沒來得及遷移到深度學習平臺上，還在用傳統的機器規則。
看到這，你也許會說，原來量產車沒有配備“最強大腦”啊。。。
不過你要知道一個事實，那時候距離張凱做出技術轉向只有半年，毫末智行剛剛成立一兩個月，已經在跑步追趕。而汽車系統的迭代，需要跟隨整車設計的節奏走，沒辦法像網際網路那麼靈活。
但這沒關係，大象不一定要急轉彎，重要的是先要有車上路，才能源源不斷地積累資料。
注意，這裡面還有一個有趣的環節：
系統開發完成，會先放在“原型機”裡執行，汽車後備箱裡揹著這臺工控機做測試；測試完成之後才能安裝到量產平臺中。
在原型中，系統也許會遇到宕機、響應延遲之類的問題。但是一旦進入量產平臺，就要把宕機和延遲的情況降為0。
這個“0”可不是說說而已的近似值，而是要絕對為零。
可想而知，這中間需要工程師做多少工作。
毫末智行上海研發中心負責人孫宣峰就在一線指揮了這個工作。
孫宣峰（我和他打電話的手拍攝的螢幕）
孫宣峰曾經供職於全球最著名的汽車零件供應商博世，他感慨：
我團隊的這些工程師，過去大多供職在國際零件供應商。但這些供應商的總部都在歐美日，中國區的工程師大多隻負責最後的適配微調，雖然接觸了無數車型，但就是碰不到核心程式碼。
很多人和我一樣，早就憋著一股勁，想要從頭開始寫出我們中國人的程式碼！
事實證明，人生沒有白走的路，每一步都算數。
即便是從頭開始寫程式碼，所有的坑在哪工程師們都瞭然於胸。他們僅僅用了6個月的時間就完成了量產除錯。
與此同時，長城生產線上的千萬臺車整裝待發。
毫末的小夥伴們特意讓我體驗了一下摩卡，右邊就是我坐的那輛車。
說到這裡，我還得強調一個小 Bug。
汽車和所有消費產品都一樣，硬體上是“買定離手”的。一旦車賣出去，就四捨五入只能進行軟體升級，車主是很難開回4S店，讓你拆開再給裡面加塊晶片神馬的。就算車主配合，線下的人工成本也扛不住。
偏偏怕什麼來什麼。。。
就在魏牌摩卡整個系統研發封版之前三個月，特斯拉出了一個么蛾子。
他們搞了一次升級，推出了 NOA（Navigate on Autopilot）功能。特斯拉車主肯定知道這個功能，當時還引起了不小的轟動。
其實很簡單，NOA 可以實現在高速公路上的上下匝道。因為可以上下匝道，就能實現汽車根據導航自動更換高速公路直達目的地。以前只會往前開，現在會“拐彎”了，車主感覺自然很爽。
國內造車新勢力小鵬、蔚來也緊跟其後，推出了各自的高速導航駕駛功能。
其實，當時顧維灝也在指揮毫末研發一樣的東西，叫做 NOH。但這個是給後續車型用的，沒準備裝在摩卡上。
長城同事說：我們摩卡車上就要裝這個。
毫末同事說：大哥只有四個月了。。。
長城同事說：長城的自動駕駛要儘快追平一線。實在不行的話，我們開啟銷售後，讓車主在規定時間內升級到 NOH！
王天培他們趕緊連夜討論方案。。。
仔細研究了一下，還真不是沒有方法：只要臨時修改硬體方案，在已有的自動駕駛盒子裡加入一大塊儲存模組，用於儲存 NOH 所需的高精地圖，就能滿足後續升級的要求。
於是，演算法團隊加班趕工 NOH 的進度，王天培的產品團隊緊急敲定修改硬體設計方案。
就這樣死去活來，總算在 Deadline 之前搞定，HWA1。0 隨著摩卡車型在2021年5月上市；而半年之後，也就是2022年1月，開始了 NOH 的陸續升級。
這是2021年7月，張凱和顧維灝在實際路段上測試 NOH 的功能。
緊跟摩卡，長城的爆款網紅車“坦克300城市版”也陸續搭載毫末的輔助駕駛系統，像血液一樣滲透到山川河流之間的路網中。
至此，顧維灝的
“六步論”才終於開啟了第一步：獲取。
珍貴的資料奔流匯成海洋。
而海洋，才是鯨棲之地。
（九）
2021年初，毫末智行每週積累的駕駛資料有上千萬幀影象。
看上去很多吧，但是這個資料量都不及我們今天的零頭的零頭。
潘興對我說。
潘興，是留美博士，高併發計算領域的大咖，被大家稱為潘博，他是毫末智行的技術總監。
潘博手裡的一項重要任務，就是把億萬資料彙總、表達，為下一步的人工智慧演算法提供充沛彈藥。（這對應著顧維灝“六步論”的二三步：表達、儲存。）
潘興
但如此巨量的資料處理，已非人力可完成。
就拿最初的“每週上千萬幀影象”來說。
有經驗的工程師一天可以處理1000張，一個星期內處理完1000萬幀影象，就需要1300位工程師。這顯然是不現實的。
潘博解釋。
他隱約預感到，這件事兒只有用無數“自動化機器人”來解決才合理。
但發愁的是，這世界上幾乎沒人有對付這麼大量資料的經驗。也許唯一有經驗的就是特斯拉，然而特斯拉絕對不會把這個核心機密透露。
潘博只知道，特斯拉有一個“運營假期”的操作。
意思是隻要研發人員把一整套系統搞定，隨後隨著量產汽車在路上跑，系統就會啟動一整套自動化流程回收資料、處理資料、磨鍊駕駛技巧——這套流程跑起來，技術人員就可以放心去度假了。。。
他也想要“運營假期”。
潘博帶著大夥兒在會議室裡楞琢磨。他們的辦法是：拆。
1、先看這些資料如果用人來處理，總共分幾步。
2、然後把這些步驟拆成更細緻的小步驟，再把這些步驟交給一個個細小的人工智慧程式來實現。
就這樣搞了幾個月，他們攢出了一整套自動化資料處理平臺，起名叫做“Lucas 平臺”。
Lucas 平臺就像幾大洲的陸地，環抱著資料的太平洋，讓它們可以被演算法實時調取。
這樣演算法工程師就不用像以前一樣花90%的時間從資料海洋裡撈有用的資料，而是可以把百分百的精力都用在調整演算法這個核心任務上了。
人類腦子靈活，在資料量小的時候能弄得很精，有優勢；
機器確實笨一點兒，但是資料量大，或者資料時間跨度長的情況下，人的腦子就不夠用了，這時機器就能彌補劣勢，甚至有優勢了。
潘博說。
有一點出乎意料：
雖然Lucas 平臺保持著快速進步，對資料的處理越來越快，越來越準，越來越自動化，但潘博的團隊卻沒迎來“假期”。
他們需要日夜守護，讓這個平臺穩定執行，一旦有絲毫間斷，則會影響其上的人工智慧進步。
這是前線的同學在進行測試和資料標定。這些資料也都會回到 Lucas 平臺。
潘博團隊的魏孝林告訴我，2021年除夕，他和另一位同事還在研究 Lucas 的模組升級。到了晚上七點，他倆突然發現自己已經是全樓唯二喘氣的動物了。
他們走到樓下，發現大門已經被人從外面反鎖，所有帶鑰匙的同事都坐上了回家的列車。打了一通電話，才找到一個可以鑽出去的後門。
那天回家的路上，我看到人們放的煙花在天空炸開，那瞬間的感覺不是累，也沒有傷感，就像剛創造了一個偉大的東西，安靜地休息。
他說。
在這群人的精心照料下，自動駕駛演算法迭代像風車一樣越來越塊。（這對應著顧維灝
“六步論”的第四、第五、第六步：傳輸、計算、驗證。
）
手握全套武器，顧維灝終於可以不滿足於“高速公路”的場景，帶著大家殺向新的領域——城市道路。
（九）
講真，城市道路比高速場景複雜了不止一星半點。
城市裡開車，不說別的，起碼涉及兩樣：1）十字路口的左右轉向；2、對紅綠燈的精準識別。（如下圖）
這些都必須靠深度學習的感知技術才能實現。
這一年來，毫末這群人就在死乞白賴地推進這個工作。
訓練城市道路的輔助駕駛，一定要有自己的
“試車場”
。
這個試車場不能是封閉的，而是要有一些社會車輛和行人。所以，這就不是一個公司力所能及得了，需要得到政府的支援。
這其實是一件極難的事兒：政府提供支援，不僅要看到你的能力，還要看到你的誠意，看到你願意長期紮根於此，帶動產業和就業的決心。
這個難度係數 10。0 的工作，就落到了毫末智行 COO 侯軍的肩上。
侯軍早期供職於華為，後來在百度，又自己創業，可算是海陸空“三棲”的選手。毫末智行連辦公室都沒找到時，他就已經被毫末創始團隊“忽悠”來了。
華為的經驗告訴我，一件事情，只要我們中國人和國外沒有技術代差，我們就一定能做得比他們好。因為我們的政府是全世界最鼓勵新科技的，只要公司自己有商業閉環、資料閉環，假以時日一定能成。
所以當時我都沒有猶豫就入坑了。”
侯軍笑。
侯軍
這個試驗場，侯軍鎖定了北京市順義區。
雖然侯軍自己就住順義，但他並不認識區領導。。。
透過行業協會、朋友介紹，死乞白賴找到了分管領導。領導很客氣地問了很多問題，翻譯成普通話就是：你是誰啊？
確實，當時如果在搜尋引擎上搜“毫末智行”，啥都搜不到。你讓領導如何相信你？
侯軍只好硬著頭皮把毫末智行的背景、優勢都給講了一遍。但侯軍其實心裡有數，他知道毫末的優勢非常明顯，金子肯定會發光。
果然，和區政府談了幾次，對方越來越感興趣，幾個月就光速敲定，順義區吸引毫末落地。
如今，每天都有毫末智行的測試車跑在順義的道路上。
一線的同事們還給我看了很多有趣的照片。忙於測試的時候，他們顧不上拍照，我看到的很多都是他們在野外覓食的畫面。
下圖右上角，是他們半夜測試間隙吃西瓜，右下角是正月十五測試的時候用紙杯吃元宵。
顧維灝覺得，只聽一線同學的反饋還不夠。他延續長城的傳統，在毫末搞了一個“快樂星期六”活動。
每到隔週的週六，所有高管都殺到順義，坐上測試車，以“乘客”的視角來感受自己的技術到底還有哪些改進空間。
只有坐上車，才能真正體會城市道路有多難開。行人過馬路，社會車輛加塞，紅綠燈故障，只有你想不到，沒有它不會發生的情況。有時候情況緊急，系統會緊急剎停，要不是有安全帶，一眾人都恨不得拍到前風擋上。
即使這樣，這群人每週都樂此不疲。
就像看著一個小孩子，一點點蹣跚學步。
快樂星期六
除了可以測試乘用車，毫末還在順義測試無人配送車。
於是，侯軍又馬不停蹄，和物美多點建立了合作，在順義區選擇合適門店，幫助物美多點小哥送貨。
（十）
既然是測試性質，物美多點也沒有太多要求：第一，你得按時把貨送到，不能讓我的顧客受損；第二，你不能太貴。。。
於是，毫末答應，多點每單給送貨小哥多少錢，就給我們的無人車多少錢，其餘的成本支出都是毫末來扛。
就這樣，順義的大街上，又出現了毫末和物美多點的“聯名”送貨小車“小魔駝”。
當然，終究是測試，不能讓小車自己跑，需要有一個“安全員”，萬一出現小車不聽話的情況，要及時接管。
這裡就出現了一個 Bug：測試大車的時候，人們可以坐在車裡，雖然可能會吐，但起碼不怕風雨；測試小車的時候，無論寒暑，人只能跑步跟著。
2021年的春天，賊拉冷。
梁蕭就是毫末末端物流無人車產品經理，那年可把他和小夥伴凍壞了。
我們專門每人買了一個軍大衣，就這樣，在外面呆超過兩小時就凍透了，大家只能倒班上街。。。
梁蕭笑著回憶。
梁蕭
人還可以倒班，車沒辦法倒班啊。車的電池一旦在低溫時間過長，就會報錯，整個車都得停下。梁蕭他們急中生智，想到了土辦法，把女生帶的暖寶寶給搶來，貼到電池上。
這邊測試，那邊趕緊給趙博他們打電話：“這個設計熬不過北方的冬天，需要改進改進電池設計！”
趙博那邊趕緊修改設計，在下一版的小車製造中改善問題。
有一個真理不言而喻：小車要走在輔路上。而輔路比主路路況複雜一百倍。
什麼叫電動車、哪個叫老頭樂，還有遛狗的大媽、結隊放學的小學生，搖擺前行的腳踏車、放飛自我的行人。。。
“經常出現一個情況，前面是一個老大爺遛彎，我們的車就龜速跟在後面。”梁蕭說。“雖然跟著沒什麼不行，但送貨是有時間要求的，所有商品40分鐘內必須送到家。。。”
於是，他們只能修改策略，讓送貨小車學會“繞大爺”，後來又學會了“繞路樁”、“規避狗繩”。
到後來，終於有地方繞不過了，那就是路邊停的“老頭樂”（就是那種爺爺奶奶開的小型代步車），因為有的老頭樂停得太隨性，留下的空間太窄，小車根本過不去。。。
真實的路況大概就像這樣。
於是，梁蕭他們只好兵來將擋，做了一個新策略：當遇到這種卡死的情況，可以短時間借道主路。
這些都搞定了，還有新的問題。
比如過紅綠燈的時候，走斑馬線。行人也走斑馬線，小車也走斑馬線，小車還要禮讓行人。
問題來了：為了禮讓行人走走停停，經常是走到路中間，紅燈了。。。。側向的汽車蜂擁開來，小車手足無措。跟車員只好衝上去手動遙控，幫可憐的小車脫困。
梁蕭他們討論了好多次，最後決定小車不走斑馬線， 而是貼著斑馬線走旁邊，這樣既安全，又能繞過行人干擾。
這些經驗一點點積累，讓小車的策略越來越完善，送貨速度也越來越快。
正是在順義日復一日的測試，讓很多人都看到了毫末的技術力量和這群人要幹自動駕駛的決心。
2021年，毫末智行一股腦拿到了美團、首鋼基金等投資方的pre-A輪和A輪投資。這些投資方其實很有意思，美團是毫末智行最早的客戶，而首鋼基金的出資人有順義區政府。
這些人都是真正和毫末打過交道以後，才決定真金白銀地投資。
順義區一位領導對侯軍說：“之前幾年，因為一個很小的原因，我們錯過了引進寧德時代的絕佳機會。現在我們絕對不能再錯過你們，毫末智行將是自動駕駛的新獨角獸。”
這句話讓侯軍記憶猶新。
就在融資順利進行的時候，合肥、蘇州、上海這些嗅覺靈敏的城市也都找到毫末，邀請他們落戶測試。
作為當時一個成立一年多的公司，這樣的成績可以用閃耀來形容。
（十一）
我的視線又回到了顧維灝身上。
我每天都在面對挑戰，但我也習慣了這樣。只有每天解決一點問題，才不會讓問題在未來某一天集中爆發。
他把剛吃完的盒飯推到一邊， 嘿嘿一笑。
毫末將會在輔助駕駛系統上完整整合深度學習的感知和決策，也會第一次具備城市道路輔助駕駛的功能。
毫末城市NOH在2022年夏天將會首次搭載在一款長城汽車上。
那將是顧維灝心目中輔助駕駛系統該有的樣子。幾百人過去一年多的寒暑辛勞，也都在未來那一刻交出答卷。
這是同學們在夜裡測試城市NOH。
他把這件事兒稱為：
“全棧技術能力的外現”
。
而張凱也告訴我，長城正在把幾十款車型的自動駕駛系統交給了毫末來做，預計在未來幾年，搭載毫末智行輔助駕駛系統的乘用車將會很快突破百萬輛。
面對這些好訊息，張凱卻異乎尋常地清醒。
毫末作為獨立的公司，未來要走上自己的漫漫長路，不僅服務好長城，之後不排除要有新的合作伙伴。
而這一切未來的可能，都源自每一天的技術耕耘。
放眼望去，這群人就像農夫，在春天播種，然後傻傻地期待一個花園。
顧維灝是三體迷，把毫末所有的會議室都改成三體裡的關鍵詞，我倆聊天的房間就叫“黑暗森林”。
我本以為他會大聊“降維打擊”之類的哲學，但他並未提到。
臨走，顧維灝送我一套《三體》，封套上引用了一句話：
給時光以生命，給歲月以文明。
仔細回想，也許這才是他更在意的。
我不知道顧維灝還將多少次在回家的路上鬆開方向盤。但我絲毫不懷疑，有朝一日，他接管的次數會變成4次、3次、2次。
站在未來回望，自動駕駛也許正是以這種方式走向彼岸。
注：
資料來源自《道路安全年度報告2020》By 國際交通論壇。
https://www.itf-oecd.org/sites/default/files/docs/irtad-road-safety-annual-report-2020_0.pdf
