本文系网易智能工作室（公众号smartman 163）出品，此篇为AI英雄人物第68期。

选自：The Atlantic 编译：网易智能 参与：惜辰

本期嘉宾为无人车公司Aurora的创始人克里斯·厄姆森，作为卡内基梅隆大学高级研究员，厄姆森于2009年加入谷歌，而当时谷歌尚未启动无人驾驶汽车项目，在他的带领下，谷歌使用LexusRX450hSUV以及自己开发无人驾驶汽车原型产品，累计行程达到180万英里（约合290万千米），直到该项目一跃成为Alphabet旗下子公司Waymo，目前它显然是无人车领域的领军公司，尽管厄姆森把Waymo推上了技术高峰，让它成为有望首家商业化部署无人车的企业，但他没能陪它走到未来这一步。约翰克拉夫西克（John Krafcik）上任Waymo的CEO后，2016年12月厄姆森离职。

在接受记者采访时，这位前谷歌无人车项目负责人厄姆森(Chris Urmson)谈论了自己的历程、无人车行业的现状以及未来展望，他指出，无人车装配的传感器虽价格高昂但会随着规模生产而大幅下降，厄姆森认为，当你能够向所有汽车商出售技术，为什么还要自己经营无人车服务呢？ 无人车技术的推广将如同这类技术的研发一样复杂、困难和昂贵，因此首个部署无人车技术的公司不一定是市场的长久赢家。

大量创业公司进入无人车领域 大家都有机会！

问：当你离开谷歌时，我们都很震惊，可以聊聊为什么吗？

厄姆森：是时候了，如果在离开的一年前问我，我肯定会说，会无限期地待在谷歌，但那时是离开的时候了，公司聘请了约翰，他们挑中了他来管理Waymo，这对公司而言很不错，只是我不再适合待下去。

问：可是你拥有了这一行业最珍贵的经验。

厄姆森：当离开时，我不知道要做什么。有很多很酷的事，可以是飞行汽车，也可以是融合了计算机科学和生物技术的事物。过去12年我都致力于无人车，我感觉或许该去其他领域瞧瞧。我花了三四个月时间经历了这一过程。我见了许多人。几个月后，我意识到有一个独特的机会在我面前，我可以创建一家新公司。

我找到了几个很棒的联合创始人。斯特林曾在特斯拉工作过一段时间。他拥有很好的资历：他是麻省理工学院博士，在麦肯锡公司度过了几年，然后在特斯拉工作，并发布产品。他负责研发的是Autopilot自动驾驶技术。

我从1999年就认识德鲁，现在已经19年了。我们在同一所学校念研究生。他是机器学习领域的专家，在机器学习还不像现在这么广为人知时，他就把这一技术应用在机器人领域。我们从未真正合作过，但我们拥有很多共同的朋友。当时他在Uber工作，并打算有所改变。

问：你们分别来自谷歌、特斯拉和Uber，对无人车的经验各不相同，你们如何更好的协作？

厄姆森：这实际上是我们的秘密武器的一部分。我们从各自不同的经验中挑选出最精华的部分。我们创立了一个拥有一定经验的团队，并摸索如何把我们的技术以现代方式应用于汽车系统中。我把德鲁视为一个机器学习专家，特别是机器人和机器学习方面。因为当你研发机器学习网络时，那里有着无限的数据。

问：你花了这么长时间帮Waymo起步，为什么还要创建一家新公司？

厄姆森：考虑到无人车技术以及汽车生态系统现在所处的发展阶段，我觉得当时是个恰当的时机。我认为，几年前汽车业还未准备好迎接无人车技术。这一行业已经发展了100多年。他们的供应链相当强大。

但这是一项新技术。它需要投入全套新人员和新技能。目前汽车行业似乎已准备就绪，部分原因在于这一行业承受着巨大的压力：环保监管的冲击、对汽车电气化的需求、来自Onstar安全信息系统以及Uber、Lyft、滴滴等打车应用的影响。这是真正的信息互联，汽车迎来了全新的使用方式。随后而来我们迎来了自动驾驶车辆和驾驶辅助技术。这些技术正同时在汽车行业中会合。这推动了汽车业人士思考：“我们如何应对这种现状？”

对于Aurora，这仿佛是一个机遇。我们把各自的深刻体验、对这一问题的了解描绘在一张白纸上，然后走出去与汽车公司合作，我们秉持着不干扰他们、与他们合作的精神。我们采取这样的战略是因为制造汽车确实非常困难。我们以为造车没什么，其实生产汽车有点令人惊叹。

问：所以这就是你和Waymo之间的关键战略差异，你采用的方法在技术上有何不同？

厄姆森：如果从三千米的高空看下来，并无区别。我们正使用激光、雷达和相机这些设备，我们正在研发路径规划、感知和控制等技术。我们拥有软件基础设施。所以，从那个高度看没什么区别。你是谁并不重要。重要的是你正使用这些传感器和软件。但在这个领域中真正重要的是能够解决这类技术最后10%、最后1%甚至最后0.001%的难题。

问：自动驾驶汽车问题的芝诺悖论？

厄姆森：你说得对。你可以找几个研究生，买一辆车，下载ROS机器人软件平台，或许在六个月内你们就可以坐着一辆自动驾驶汽车绕着停车场转悠了。当然，挑战在于细节。这正是在Aurora公司我们所考虑的问题。如果我们要从零开始设计，我们不关注产品的展示效果以及如何尽快让一辆汽车以自动驾驶状态开在停车场上。我们想知道如何让无人车高效而安全地开上马路。

例如，我们正把机器学习技术应用在运动规划和感知系统中。你设计这类系统的典型方式是让团队成员研究感知技术。他们尽可能地展开研究，直到遇到瓶颈。然后把工作移交给运动规划人员。这些新接手的人员就开始编写代码，钻研哪里停车或怎么变道，这还需应对感知系统中的所有警示信号，因为基于目前技术它无法完美地感知现实世界，它会犯错。或许感知系统认为速度该快一点或慢一点。也许它有时会做出错误判断。运动规划系统必须对此作出回应。所以运动规划的研发进度开始落后于感知系统。但是研发者全身心投入，并且进展顺利，赶上了感知系统的进度。接着感知系统的研发者说，“我们取得新进展了。”运动规划方面又遭遇波折，系统在不该奔溃的时候奔溃了。最终出现这样的困境：反复出现两个团队交互超越的局面。两者成为彼此的障碍。运动规划人员不希望感知系统有进展，因为他们刚刚让这些技术正常运作。但是如果感知系统没有改善，就无法取得最终的成功。

我们设计系统的方式是让机器学习技术同时应用在这两个研发任务上。无论感知系统输出什么，我们能够自动地重新调整运动规划系统以适应新的感知数据，从而让两个任务更快地取得进展。这听起来没什么稀奇的，但诀窍在于运动规划和感知系统之间的接口是什么，以便支持两种算法之间的合作。