作者： 量子位 来源： 量子位

编辑部 整理自 MEET 2024

量子位 | 公众号 QbitAI

“触及自动驾驶的ChatGPT时刻，最快在明年下半年。”

“自动驾驶目前最大的短板在硬件层。”

“只有越来越多的用户使用自动驾驶技术，才是自动驾驶的ChatGPT时刻。”

……

随着AGI领域ChatGPT的爆火，自动驾驶距离自己的ChatGPT时刻还有多远？这个话题在量子位MEET2024 自动驾驶圆桌上被激烈讨论。

DeepWay深向联合创始人、CTO田山 ，千挂科技联合创始人廖若雪 ，零一汽车创始人、CEO黄泽铧 围绕这一话题，分享了自己的看法。

三位来自商用车领域的自动驾驶玩家，是怎么看待自动驾驶的ChatGPT时刻？

在商用车领域，触及这一时刻都有哪些关键要素、路线要怎么选择，比如要不要造车？

以及最关键的，我们距离自动驾驶的ChatGPT时刻到底还有多远？

关于MEET智能未来大会：MEET大会是由量子位主办的智能科技领域顶级商业峰会，致力于探讨前沿科技技术的落地与行业应用。今年共有数十家主流媒体及直播平台报道直播了MEET2024大会，吸引了超过300万行业用户线上参会，全网总曝光量累积超过2000万。

话题要点

• 自动驾驶有没有ChatGPT时刻？

• 触及自动驾驶的ChatGPT时刻需要哪些要素？

• 在触及的过程中要不要造车？

• 什么样的商用车玩家可以触及自动驾驶的ChatGPT时刻？

• 距离自动驾驶的ChatGPT时刻还有多远？

（圆桌环节由量子位联合创始人、总编辑李根主持。在不改变原意的基础上，量子位对内容进行了编辑整理。希望能够给你带来更多的启发与思考。）

论坛实录

（话题要点为后添加）

自动驾驶一定有ChatGPT时刻

量子位李根 ：大家好，今年我在聊自动驾驶的时候总会遇到一个非常直接的问题：你还相信自动驾驶吗？ 这是在过去的几年里不曾遇到的问题。

这让我想起了ChatGPT到来之前，AI领域发生过同样的事情。

当大家对于DeepMind代表的第一波AI浪潮推动技术落地的速度感到失望的时候，会重新看待AI的进程，会思考、盘算AI到底烧了多少钱，AI到底给我们生活带来多少改变？

直到OpenAI带来了ChatGPT，并带来产业变革之后，没有人再思考这些问题，所有人都在谈论AI带来变革性、颠覆性的价值。

所以今天请到三位今年最具代表性的嘉宾，希望能给更多的朋友阐释自动驾驶。

首先是来自DeepWay深向的联合创始人、CTO田山 ，他之前是百度Apollo商用车的项目负责人。

第二位是廖若雪 ，千挂科技的联合创始人，他曾经在李彦宏和身边工作，被称为“技术天花板”，在百度的技术专利墙上他的名字是和李彦宏放在一起的。

最后一位是黄泽铧 ，是零一汽车创始人、CEO，被称为“自动驾驶天才少年”，年纪不大，已经创立一家自动驾驶公司，并且完成了从0到1的阶段。

首先想要问一下田老师，你们创业的时候可以说是自动驾驶第二波浪潮，因为第一波是在不断开拓边界，而DeepWay深向的场景是非常明确的，不知道您怎么看待**“自动驾驶有没有ChatGPT时刻，距离这个时刻还有多远”** 这个话题？

DeepWay深向****田山 ：我们认为实现通用、完全无人的自动驾驶肯定需要一个自动驾驶的ChatGPT时刻，并且这是一个绝对发展的技术方向。

从技术 本身来看，目前自动驾驶已经在大模型方面做了很多探索，不过还存在一些欠缺，没有达到ChatGPT时刻，我们认为可能还需要一段时间。

而DeepWay深向是一家创业公司，所以我们一定是贴近用户的市场需求，去做一个产品出来。

所以从另一个角度——需求 本身来看，在目前的技术下，不使用大模型，自动驾驶系统在很多限定场景里已经能跑得非常好了。

也就是说，目前在一些限定场景去落地自动驾驶，其实可以没有大模型、可以没有ChatGPT。

但我也要回过头来去强调，真正要在通用场景下实现L4、L5级自动驾驶，大模型是不可或缺的。

量子位李根 ：看到廖老师刚才也在点头。您之前也经历过移动互联网的浪潮，现在加入自动驾驶商用化落地的浪潮。您认为有没有一个时刻可以让自动驾驶的价值得到广泛认可，而不是很多人谈论信不信？

千挂科技廖若雪 ：要回答这个问题，很重要的一点是现在自动驾驶技术是不是广泛地被客户认知到、看到。

因为GPT不是1.0版本就开始破圈的，是到了3.0、3.5，甚至是4.0版本的时候大家才感知到这个技术。自动驾驶也到了这个阶段，就是需要看我们的客户能不能感知到自动驾驶技术。

因为千挂科技是做商用车的。对于商用车客户来讲，他能感知到自动驾驶技术的时刻，更多的是在这个技术能带来明确的成本降低、效率提升的时候。这样才能让越来越多的商用车客户可以理解自动驾驶技术。

因为他们不是做技术的，刚刚讲BEV、Transformer，客户并不能理解是什么意思，但是他可以看到这个技术确实给他们带来帮助。

我认为只有越来越多的用户用起来自动驾驶技术，才是自动驾驶的ChatGPT时刻 。

量子位李根 ：下面请黄老师来分享一下您的看法。因为您已经参与了自动驾驶的第一波浪潮，对技术边界进行无限地开拓，我的理解这是一个不断做加法的过程。但现在您创业的零一汽车是要做减法的过程，要具体到非常明确的场景和功能上，不知道您怎么看待这个问题。

零一汽车黄泽铧 ：我的观点可能会乐观一些。

零一汽车经历过两个阶段。第一个阶段是在最开始创业的时候，我跟团队说零一不做自动驾驶上层的算法，专注于把车做好。

因为这是我们谈到自动驾驶真正产品化落地，上层算法是一个部分，但是车端是另外一个部分。在这个阶段里面看传统的自动驾驶技术，我是偏悲观看的。

我的悲观集中在大家看现有自动驾驶整个发展过程中，已经非常场景化、专业化了，包括做港口、矿山，或者L4干线，或者说Robotaxi，更多会聚焦在某一个具体场景做自动驾驶。

这里面我们在底层技术看到里面的问题是——自动驾驶泛化性。 如果不解决泛化性，我们只能先退一步把车做好，这件事情的价值会更大一些。

然后在OpenAI去年年底爆发的时候，给了我们一些启示，我们也开启了第二阶段。

我认为OpenAI做了一个极大规模的实验，包括两个关键要素，互联网级别的数据和千亿以上的参数。并且这个实验和这个实验带来的结果是，现在的大模型产生了非常好的知识图谱，产生了对于基础知识的理解。

所以我当时看到这个事情后，再加上内部团队也跑了一些模型，就对零一汽车的战略方向做出调整，现在我们全力聚焦大模型，当然在自动驾驶之外还有整车的业务。

现在回答这个问题，首先我坚信一定会有ChatGPT的时刻 ，或者说iPhone时刻。这个时刻到来后，原来很多问题会迎刃而解。

现在自动驾驶遇到非常多corner case，本质上是自动驾驶技术对于环境的理解不足够的。

这是因为原来自动驾驶所有的模块都是分开单独做，最后合成一个系统，所以非常手工，会导致对于场景的定义上出现了很大偏差。

比如说前几个月自动驾驶行业发生最大的事情是通用Cruise大规模停运Robotaxi。它遇到的问题是一个行人被一辆车撞到了Cruise Robotaxi的前面，但这个车没有停下来；包括说在Robotaxi运行的时候遇到一片水泥地，但没有办法很好地识别水泥地。这些问题在我们当时做自动驾驶系统的时候都想到过，我们也知道一定会发生。

因为在传统自动驾驶系统里，这些问题都需要工程师一个一个手工解决，也需要和产品经理商量好，如果这有一个水泥地，那自动驾驶系统应该停下来绕开它，这样再让感知模块去识别水泥地，规控模块再执行绕开的指令。

而这样导致整个系统的开发复杂度非常高，我们也看到后面大家都有点开发不动了。

之后有了ChatGPT。OpenAI的一系列demo，证明了人类的常识可以在一个神经网络里面体现出来，我也有信心驾驶的知识可以在神经网络里面体现出来。

这样就带来一个很大的变革，因为这个知识一定可以用在开车这样的事情上。

所以我自己的观点非常乐观，现在ChatGPT展现出来的能力已经超过了自动驾驶、或者说驾驶这个事情本身所需要的知识能力。我坚信自动驾驶的ChatGPT时刻一定会到来。

触及自动驾驶ChatGPT时刻有哪些关键要素？

量子位李根 ：那么您觉得触及这个时刻要包括哪些关键要素？

零一汽车黄泽铧 ：我认为首先要把自动驾驶系统分开的模块融合起来，做到端到端的自动驾驶。

我以前并不相信端到端，但现在觉得端到端是唯一的路径，原因很简单。

自动驾驶传统架构里面会拆分感知、定位、规划、控制、地图等等很多模块。以我自己做感知的来说，大部分时候传统意义上定义的感知，是用bounding box、一个限定框把车辆框出来，定义这个物体的属性、速度，类似这样来划分感知。

但一旦用这样的一套框架再去处理自动驾驶的问题，比如刚刚举的例子，前面有一滩水泥地，那么这要当做一个物体，还是一个区域，还是当做一个什么东西？

并且它的标签如果是水泥地的话，那需要感知模块专门训练一个具体的网络，去识别这是水泥地，然后让它做出相应的操作。

这就是自动驾驶原来的系统，这太人工了，带来的问题就是在人工定义不到的地方一定会出现问题，也就是墨菲定律。

我认为要触及这个时刻，核心的要素就要把自动驾驶整个网络打通，基于数据去驱动、基于大模型，让它自然产生最后的行为。

量子位李根 ：我们知道端到端自动驾驶今年是比较热的点，其实在面向落地的时候，如果说数据量太大的话，云存储或者数据的成本压力是挺大的。千挂现在已经有自动驾驶车辆在北京、上海的路段上跑，不知道廖老师怎么看这个问题？

千挂科技廖若雪 ：我可以透露一下，千挂科技的自动驾驶卡车已经在路上闭环跑起来了，刚刚提到的端到端自动驾驶已经成为现实。

而刚才说的数据问题，不客气的说，现在自动驾驶相关的数据规模在我看来还没有那么大。因为和我们以前互联网的大数据规模比起来，自动驾驶相关数据还是低数量级。

我们要解决的，或者说我们更关注的是怎么才能获取并且使用好这些数据 。

这就依赖刚才黄泽铧提到端到端大模型。因为只有模型才能够很好吞吐大量的数据，才能够处理那么多相关数据反馈的问题。我们不能通过工程师去人肉调规则，然后写基于规则（rule based）的系统，这是不够的。

这就意味着要实现自动驾驶的ChatGPT时刻，技术上需要拥有能吞吐大量数据的能力。

但是另一个问题，数据从哪来？这就说到前面说的那一点，只有足够多的客户用起来自动驾驶系统，才能获取大量的数据。

同时我觉得刚才还有一点没有提到，自动驾驶的技术和商业能不能形成闭环 。

大模型、人、机器，包括数据都很贵。所以说自动驾驶商业化，或者说客户在使用自动驾驶相关产品的时候，能不能产生足够的经济效应，这个经济价值能不能反映出来给自动驾驶技术提供生产支撑、数据的支撑。

有了经济上的支撑，才能使得自动驾驶技术和商业形成一个互相促进的闭环，这也是以前在互联网或者移动互联网时代发生的事情。

只有当闭环真正形成的时候，技术越好、产品越好，产品越好、商业落地越好，商业落地又能够给技术带来更多资金的支持、数据的支持，这样才能形成一个很好的闭环。

量子位李根 ：DeepWay深向出发的时候其实就是想要打造自动驾驶商用落地的闭环。我想问一下DeepWay深向关于闭环，或者关于实现自动驾驶的ChatGPT时刻关键要素是什么，田老师怎么思考这个问题？

DeepWay深向****田山 ：对于DeepWay深向来说，我们从第一天开始就选择通过造车实现自动驾驶。

我们为什么造车？有一个很重要的考虑：因为这可以实现可持续的商业化。 卖车可以商业化，同时造车又可以获得数据，解决自动驾驶所需要的关键要素。

要实现自动驾驶的ChatGPT时刻，我认为还有几个方面的挑战。

一方面大家公认的数据的挑战 。

刚才若雪提到自动驾驶数据很少，大家的数据都不一样，因为传感器各家都不一样且还在不断演进，所以导致各家数据复用起来很困难，我们要获得大规模的数据也相对来说比较困难。

第二个方面是算力的限制 。

虽然现在看到ChatGPT这样一些大模型可以用几万片GPU做训练，而自动驾驶数据的维度是多出两个维度的，时间和空间，这就意味着数据规模在指数级上升 ，所以它所需要的算力也是巨大的。

你要打造自动驾驶端到端的大模型，要有足够大的数据量还要有足够大的算力，而这些现在都还在发展的过程中。

另外，在自动驾驶上还有一个比较大的挑战，安全性问题 。

自动驾驶不像ChatGPT，如果说了一句玩笑话大家笑一笑就过去了。自动驾驶如果出现安全性问题，对行业来说会产生非常大的影响，所以安全性问题也需要在实现端到端的过程中解决。比如我们是不是能加入一些人工监督的干预，加入一些规则保证基本的安全性，这些其实都是一些挑战。

对于DeepWay深向来说的话，至少我们有比较好的载体——车 作为数据的获取和可商业化的平台。同时我们也在积极部署端到端规划、算法的能力，包括我们提前预购了一些GPU，保证我们未来深度学习算力的需求。

通往自动驾驶ChatGPT时刻，要不要造车？

量子位李根 ：把车作为一个载体至少有硬件承载自动驾驶的算法和软件能力，那么想请问黄老师，您现在做零一汽车也是有这个因素的考量吗？

江湖上有一个调侃，说您从不造车到现在造了零一智卡之后，觉得自动驾驶的优先级也没有造车业务这么高，说你是不爱自动驾驶了、受了伤不爱了，不知道您怎么看这个问题。

零一汽车黄泽铧 ：最早的时候看自动驾驶，我觉得传统模型其实已经被大家充分研究了，所以没有必要重新造轮子、浪费社会的资源。

同时当时我的信念是，自动驾驶不仅仅是上层算法的系统，还是一个复杂的安全系统，而安全系统的能力是由短板决定的。我之前也看到自动驾驶系统的短板是在车、硬件这一层，需要有一个团队把这个事情给解决。包括DeepWay深向这些和自动驾驶有渊源的造车新势力们，大家都看到了相同的事情，所以我们在产业里面把这个事情解决，这是我们去选择造车的原因，这并不是不爱自动驾驶。

我觉得我已经跟自动驾驶相恋多年，算法这一侧大家已经有很多很成熟的想法，我去当另外一端的爱人，服务好车和硬件这个部分。

量子位李根 ：廖老师的千挂科技选择的是不造车。请问您对实现自动驾驶的ChatGPT时刻的路径，是怎么考虑的？

千挂科技廖若雪 ：我们虽然不造车，但是我们前装量产的车很快就要下线了。我们看待造不造车这个问题的核心和角度更多是面向客户。

实现客户需求本身，可以分解为使用不同的方式，比如说技术方式、产品方式、运营方式、商业化方式、工程上的方式。我们这个不同的实现方式，相信跟两位造车的同学考虑这个问题的逻辑是一样的。我们可能更多考虑的是，如何从客户角度出发，快速地用我们手上已有的技术、产品、工程这些能力，给客户打造出来好的产品。

客观来讲，我现在并不那么确定需要造什么样的车才能满足用户的需求，我们需要更多的尝试。这时候从我的角度来讲，去提前定义一个满足客户需求的车，是蛮难的。

我们更希望的是在明年，我们和早期客户合作的、相对来说小规模的车可以在路上跑起来，这时候再做更多的迭代、升级，我们就可以对用户到底要什么东西有越来越多的理解。

在已有技术的局限性下，如何用产品或工程或商业化运营的方式解决这些局限性，更好地定义好产品，我们才能知道要造什么样的东西。所以从我的角度来讲，千挂科技更多是这样的路径。虽然大家最终目标是一致的，但是我们选择的稍微有点不一样。

量子位李根 ：所以千挂科技选择的路径或路线会更早触达ChatGPT时刻吗？

千挂科技廖若雪 ：当然触达ChatGPT时刻可能也有路径依赖。不过我的逻辑很简单，我越早地接触客户，越早地给客户带来商业价值，我才能尽快的把自动驾驶的闭环做起来。

从我们选择的行业来讲，商用车很有意思，这是非常红海的一个市场，利润率非常低，所以在我们能通过一些新技术，能非常明显的降低成本、提升效率的时候，那么这个飞轮转起来的速度是飞快的。

量子位李根 ：田老师，DeepWay深向是中国第一家为了实现自动驾驶而造卡车，或者说造商用车的公司。你们怎么看这个实现路径的问题？因为之前大家觉得造车是非常体量庞大，周期又长的工作。

DeepWay深向****田山 ：我非常同意廖老师的观点，打造一个好的产品一定是针对客户的需求，能满足需求才能实现的。商用车行业、物流运输行业对成本又非常敏感，就像刚刚说的属于红海的竞争市场，节省1%、2%的成本都可以让客户决定购买你的技术或者产品。

对于我们来说的话，我们最开始要去造车，是因为当时在整个商用车领域，并没有特别适合做自动驾驶的商用车底盘，或者说没有先天存在的硬件。而如果我们要改装这些车辆的话，基本要付出比较大的硬件成本。并且付出改装成本之后，还没有实现完全去掉司机、完成L4级别的自动驾驶。

其实整个算下来并不划算，我们的用户不接受改装一个车花了5万多块钱，同时还没有去掉司机，只能一年省1%、2%的油，这样节省的成本是非常有限的。

从我们自身来说的话，我们造车就是为了控制整个车辆的成本，让用户能感受到车辆的技术性带来经济性价值，让他更快接受新的技术，这样才会有足够的数据或者空间去实现自动驾驶的ChatGPT时刻。

量子位李根 ：田老师谈到造车成本或者自动驾驶实现的成本跟商用经济性问题，那么想问问黄老师，听说之前你们创业的时候是从三一重卡挖来合伙人组建了团队，这是不是因为当时对于造一辆商用卡车，在供应链的成本或者经济性上发生了一些关键环节上的改变，才促使你们决定用造车方式实现这个东西？

零一汽车黄泽铧 ：商用车不太像乘用车。对于太聚焦在TCO、性价比的商用车来说，乘用车上L2或者L2+级别的功能有一定的作用，但是作用不是特别大。

商用车行业造车是单独的逻辑链条。在这个逻辑链条里，为什么在今天这个节点选择造车，商业模式该如何成立，我们有个单独的故事，我简单讲一下。

首先我们商用车，特别是重卡，这是车辆新能源化最后的阵地。这个阵地从油车变成新能源车有两个好处，一个咱们国家包括ESG政策和趋势上面有牵引，对这个阵地带来了很大的动量，这个动量让大家对于新能源车，包括商用车队和司机都有很深的理解。

第二个事情是在成本端 。商用车运营最大的成本其实不是买车也不是司机，最大的成本是油 。在中国，商用车运营需要的油钱占接近50%的成本。

假设商用车运营的油钱是平均每公里3块钱，在换成电车以后电钱只有1块钱，那么这个运营成本最大可以直接拉低接近60% 。这就是商用车新能源化主要的逻辑线，在过去两三年中，这个逻辑线牵引着新能源重卡在中国快速增长和落地。

量子位李根 ：黄老师强调的成本是新兴技术落地必须考量或者核算的因素。

实现自动驾驶ChatGPT时刻，资源、数据、算法、政策都不可或缺

量子位李根 ：乘用车领域，探索自动驾驶的历史不是那么长，它的代表性玩家只有那么几家。比如有特斯拉路线 ，马斯克觉得应该由量产车贡献数据实现闭环，最终实现FSD（完全自动驾驶）；也有Waymo路线 ，一开始应该实现最终极的场景和产品；另外也有通用Cruise路线 ，包括之前的Uber 和滴滴 路线。

那么在商用车领域，如果要触及自动驾驶的ChatGPT时刻，让所有人看到自动驾驶的商用价值，这里面有什么样的玩家能够触及这一时刻？先请田老师分享一下看法。

DeepWay深向****田山 ：前面在说自动驾驶ChatGPT所需要的关键要素，我认为如果能具备关键要素，那么就意味着在这条路径上能更快触及。

首先这需要对于产品本身的掌握能够满足用户的最终需求，我们这三家都有这样先天的优势。我们都是直接接触客户，直接卖给终端用户，让物流用户使用产品，这是先决的条件。

其次是数据、算力方面的能力，包括我们架构、模型的迭代，我认为我们都有比较不错的机会。

说句自我一点的话，我们现在已经量产了，今年会交付550辆新能源重卡，也会成为市场上全球范围内包括特斯拉SEMI在内，交付量第一的 、正向设计的智能新能源重卡。我们相信DeepWay深向会有更多的机会，我们具备所有这些要素，我们做的是最快的。

量子位李根 ：廖老师，您怎么看待这个问题？

千挂科技廖若雪 ：我非常同意田山的看法，我们也是明年年初就会量产交付。我觉得早一天交付、早一天接触客户，跟客户快速验证商业模式，这样就会有机会触及自动驾驶的ChatGPT时刻。

前面讲的更多是怎么形成闭环，这里面很重要一点是当我们形成闭环后，我们有越来越多的钱、越来越多的数据来提升整体的技术和产品的时候，这时候公司本身就会越来越大，我们做的事情就会越来越多。这就涉及到公司组织管理 相关的问题，尤其对于我们新的创业公司来讲，这方面可能都需要补课。

量子位李根 ：请问黄老师还关心速度的问题吗？我知道你们打造了第一家上市的无人驾驶公司，黄老师是里面的创造者。现在做这家公司的时候，您的心态上，还有这样对于速度的追求吗？

零一汽车黄泽铧 ：我觉得天下武功唯快不破，我们自己会关注速度。

回到您刚刚的问题，哪一类玩家会触及这一时刻，我觉得应该换成我们需要什么样的要素。这个廖老师也提到了，我们总结下来第一个是钱或者资源 ，第二个是数据 ，第三个是算法本身 。

我们现在并不是按照已有架构去走，这里面有新的范式变化，这个范式变化需要全球最优秀的人才、专门围绕AI的工程师，用这样的方式打造起来。

我觉得哪个玩家最有可能触及这一时刻是很难谈的事情。这还是需要对于这个方向本身有信仰的玩家坚定的投入，才有这样的可能。

量子位李根 ：那么需要多少钱是合适的？或者说有多少资源才能够跑起来？

零一汽车黄泽铧 ：我觉得这个很难评测。

首先，其实自动驾驶的大模型是一个专业模型，这个专业模型可以基于很多通用模型做训练，有非常多可以用的开源框架，我们自己实测训练一套神经网络下来并没有那么昂贵。

但是自动驾驶大模型落地到今天还在非常早的阶段，其中会经历概念到技术，再到产品最后到商品的过程。每一个过程又需要投入非常多的钱。

最开始在概念阶段的时候证明端到端能跑通，这个模型走直线没问题，转个弯或者简单的一些操作，和现在的系统是差不多的，同时又要有惊艳的地方。

不过等到完全自动驾驶这一技术等级的时候，你会发现要把短板补起来。比如说所有遇到的警察挥手的场景，系统是不是都能解决，这会有一系列的挑战。

等再到产品端的时候，还有硬件问题，两位老师都提到了车载3D检测怎么办、背后计算延迟性怎么办，这些都要在产品这一侧来解决。

并且最后要到商品端，做的这些事情全部加起来的收益还需要是正的、对于客户来说是有价值的。这是个挺宏大的问题，钱和资源都要达到海量级。

量子位李根 ：感谢黄老师的补充，补充了很重要的因素。并且今年有个最大的因素是政策 ，而且还是具有利好性质 的政策。

我们前几年谈论自动驾驶的时候，政策这个因素还没有那么明确，而现在确实是旗帜性或者方向性的改变。请问黄老师你认为自动驾驶相关政策的出炉，意味着到了什么样的时间节点？

零一汽车黄泽铧 ：实事求是地说，政策能给行业带来很好的指引方向，能明确大家一起去走的方式。不过这个政策还不是全国意义上能达到全无人驾驶商业化的政策。

因为在国内环境来说，政策的推动不会特别激进，比如说明天就允许全无人驾驶全国范围内铺开。最终的政策需要看到足够的数据。所以今天的政策让大家可以往前走一步，去给国家、行业政策足够多的数据，来支撑做下一步的决策。现在这个并不是终极的政策，但是是很好的推动点。

量子位李根 ：廖老师，你们的车在高速上已经开始运转了，请问政策是不是会给你们添加很多信心和指引？

千挂科技廖若雪 ：其实我们一直很有信心，这是毋庸置疑的。

政策很多时候是给我们的客户信心，如何说服客户说这个一定是未来。我们有一些客户是相对在技术上比较激进的，是自动驾驶技术的早期尝试者，而有的是不很信你的东西，不过大家都用的话他也会用。

所以我们要抓住早期愿意做技术尝试的公司，说服他们自动驾驶确实是将来。

从政策本身来讲，政策内容背后国家的考虑当然很重要。更重要的是政策意味着自动驾驶可以关注，这个事情有可能是将来。这对于我们来讲，有了政策就能帮助客户理解这个事情，我们就更有说服力。我们就能更好地说服客户：自动驾驶是将来，如果你在技术上面愿意投入、愿意尝试的话，我们就可以去尝试。

量子位李根 ：请问田老师怎么看待自动驾驶的政策？你们终于等到了。

DeepWay深向****田山 ：是，我们还是很激动。作为从业者来说，在中国要做一个商业化的公司，肯定是要符合政府的政策方向、产业方向，还要符合整个技术的发展方向。

刚才廖老师提了，政策的方向一方面是给了客户信心，我认为还很重要的另一方面是给了投资人 信心。

我们在融资过程中，投资人都会问，你们到底什么时候能够落地？我们说可能受限于政策法规。因为他体验过我们的车，在高速上可以实现1000多公里全程无接管，他觉得技术上都可以了，为什么还不卖？我们说政策确实还得有一个过程。

但是政策是方向性的引导，一般都是后置的。前期是需要这些从业者去证明这个技术有潜力、有发展的可能性，也通过数据的积累，证明了安全性，再逐步推动整个政策的开放。我觉得这是一个过程，但是有了现在这个政策是一个很好的开始。

量子位李根 ：对，之前也有说法，说自动驾驶的实现是万事具备只欠政策。这是因为在咱们国家实现自动驾驶落地，确实需要法律和法规的制定，不是法无禁止皆可为的模式。

距离自动驾驶ChatGPT时刻最短只有2年

量子位李根 ：那么今天由于时间关系，我们最后直接一点。

因为今天的主题是自动驾驶的ChatGPT时刻，之前有从业者测算，OpenAI带来ChatGPT用了大概七年的时间。现在从2015年第一波自动驾驶创业浪潮开始，也差不多用了七年时间。

今天几位的公司，都属于OpenAI这种在新浪潮里面成长起来的公司。我想很直观地问一下，我们距离自动驾驶的ChatGPT时刻还有多长时间？先请田老师来回答。

DeepWay深向****田山 ：从我们自身的产品和技术的规划来说，我认为可能还需要三到五年的时间 ，这是一个比较保守的时间。

量子位李根 ：廖老师的看法呢？

千挂科技廖若雪 ：我这边比较激进一点，我认为可能就是后年 。

量子位李根 ：后年就是2025年。

千挂科技廖若雪 ：对。

因为明年，我们会和早期客户去规模化地使用我们的车。如果真的能够在商用车这个行业中，我们发现这个车可以明显地比原先的方式降低成本、提升效率的话，那这样对于整个行业来说，这已经到了一个关键点。

量子位李根 ：黄老师给一下预测和规划？

零一汽车黄泽铧 ：我的答案是两年 。

但是我要定义一下这个两年。类比ChatGPT证明了AGI（通用人工智能）的可行性，那自动驾驶的ChatGPT时刻，其实是让大家看到自动驾驶真的可以到来，要证明自动驾驶的可行性和强泛化性。这个事情，我觉得大概需要一到两年的时间。

相对乐观的预测，可能在明年下半年左右，有可能是我们，也有可能是行业其他玩家，或者说其他国外的一些模型能证明，一个端到端的框架能够具备非常强的泛化性，能解决原来非常多的corner case和开发范式的一些问题。我觉得这个时刻其实并没有特别远。

量子位李根 ：谢谢各位老师。所以从这个调研能得出，触及自动驾驶ChatGPT的时刻快则两年、慢则三五年 。希望我们今天的这个panel能给自动驾驶行业内，以及外界公众更多的信心。

其实我在跟每位自动驾驶业内人士交流的时候，大家都有这个信心，当然没有信心的我们也不邀请来参会了。

我觉得自动驾驶的ChatGPT时刻一定会来的，只是要考虑它会是什么时候来、来的时候能不能让所有人都看得见它的价值。今天圆桌的最后的一个主题关键就是六个字，自动驾驶的ChatGPT时刻是**“信则有，行则至”** 。

祝各位好运，也祝各位能够率先触达这个ChatGPT的时刻，成为站在自动驾驶风口，证明自动驾驶价值的公司。

谢谢三位老师，我们今天的自动驾驶论坛就到这里，明年再见。

—完 —

点这里👇关注我，记得标星哦～

一键三连「分享」、「点赞」和「在看」

科技前沿进展日日相见 ~

更多AI工具，参考Github-AiBard123，国内AiBard123