拥有世界最宝贵工作经验的人:专访谷歌无人车前负责人厄尔姆森 | 厚势汽车

2018 年 4 月 4 日 厚势 The Altantic


谷歌无人驾驶汽车项目前负责人、无人驾驶汽车初创公司Aurora创始人克里斯·厄尔姆森


3 月 30 日,据《大西洋月刊》报道,克里斯·厄尔姆森(Chris Urmson)曾是谷歌无人驾驶汽车项目早期团队的领导者,直到这个项目被从谷歌剥离,并成立了 Alphabet 旗下无人驾驶汽车子公司 Waymo。如今,Waymo 已经在无人驾驶汽车领域占据领先优势。


尽管是厄尔姆森把这个团队推向了技术顶峰,他也认为 Waymo 可能成为第一个商业部署无人驾驶车辆的公司,但他却并没有伴随 Waymo 走下去。就在 Waymo 现任首席执行官约翰·克拉富西克(John Krafcik)接管了这家公司之后,厄尔姆森于 2016 年 12 月选择辞职离开。


在对自己的下一步行动考虑了几个月后,厄尔姆森与特斯拉电动汽车公司负责开发自动驾驶仪(Autopilot)的斯特林·安德森(Sterling Anderson)、网约车巨头 Uber 的机器学习专家德鲁·巴格内尔(Drew Bagnell)合作,共同创办了新的无人驾驶汽车初创公司  Aurora。


当这家公司于 2017 年初悄然成立时,人们就对它产生了敬畏之情。在无人驾驶汽车领域,这是个令人恐惧的新团队。上个月,Aurora 完成了第一轮融资,从 Greylock Partners 和 Index Ventures 筹集了 9000 万美元资金。职业社交网站 LinkedIn 创始人(Greylock合伙人)里德·霍夫曼(Reid Hoffman)也加入了新公司董事会。


最近,厄尔姆森接受了《大西洋月刊》编辑亚丽克西斯·马德里加尔(Alexis Madrigal)专访,谈起他的新公司、无人驾驶汽车行业现状、福特 Escorts,以及为什么无人驾驶汽车上的所有传感器成本并不重要。


最让人感到惊讶的是,厄尔姆森关于无人驾驶汽车技术的设想并没有真正改变,但他对这个行业的看法却发生了改变。


Waymo 计划拥有并运营自己的服务,与汽车公司签约为其生产汽车。而 Aurora 计划与大型汽车公司合作,为它们提供技术,以帮助它们打造自己的无人驾驶汽车军团。厄尔姆森反问道:当你可以把技术卖给所有人的时候,为什么还要建立自己的汽车服务?


Aurora 认为,无人驾驶汽车技术的最初发展将会是个复杂的、令人担忧的、昂贵的过程,因此第一个部署它们的公司(比如 Waymo)不一定成为长期的市场赢家。如果说有谁能在这个赌注上继续加注,那个人就是厄尔姆森。


以下就是采访摘要:



马德里加尔:当你离开谷歌时,我感到十分吃惊,因为我以为你会一路陪伴它走下去。


厄尔姆森:的确,这是由时机决定的。我想,如果你在我离开前一年问我,我都会说自己会无限期呆在那里。



马德里加尔:为什么?


厄尔姆森:说到底,我觉得它不再那么有趣了。和大多数人一样,当我过得很开心的时候,我会尽最大努力工作。如果没有我,这个团队应该能做得更好。他们找来了克拉富西克,他就是他们挑选的那个人,负责公司的运营。这对他们来说是件好事,但对我来说不太合适。



马德里加尔:为何这样说,至少部分原因是因为你拥有这个行业最宝贵的工作经验吗?


厄尔姆森:并非如此。在离开的时候,我自己都不知道要做什么。有些人呼吁去海滩上躺一会儿。当时有很多很酷的东西,不管是飞行汽车,还是计算机科学和生物技术的融合。在过去 12 年的生命里,我始终致力于研究无人驾驶汽车,所以我觉得也许是时候去看看外面还有什么。我用了 3 到 4 个月的时间来完成这个过程,期间遇到了很多人。几个月后,我意识到这是建立公司的独特机会。


我能找到几个绝佳人选,与他们共同创办公司。安德森曾在特斯拉待过一段时间,有着丰富的经历。安德森是麻省理工学院的博士,在麦肯锡工作了几年时间,然后进入特斯拉,帮助推出了许多新东西。这和无人驾驶汽车不太一样,但他帮助推出了新车 Model X,然后启动了自动驾驶仪项目。


至于巴格内尔,我们从 1999 年就认识了,现在已经交往了 19 年。我们一起读研究生。他是机器学习领域的专家,很久之前就开始把所学知识应用于机器人技术。我们从来没有真正合作过,但我们有很多共同的朋友。他当时在 Uber 工作,坦率地说,他已经做好了改变的准备。



马德里加尔:对于将谷歌、特斯拉和 Uber 无人驾驶汽车使用的不同方法进行融合,有什么要说的吗?


厄尔姆森:那实际上是我们所看到的「秘密酱汁」的一部分。我们会研究这些不同的经验基础,并试着从中挑选出最好的。特斯拉能提供什么新东西吗?这实际上与硬件有关,我们已经建立起伟大的团队,每个人都有丰富的经验,并且理解什么是符合条件的东西,并以现代化方式将它们融入到汽车系统中。


显然,巴格内尔在 Uber 工作了一段时间,但我真的认为他是个机器学习专家,特别是在机器人和机器学习方面的才能。因为当你在研发机器学习网络的时候,那里有无数数据。



马德里加尔:当你花了这么长时间启动谷歌/Waymo 项目后,为什么又要创办新公司呢?


厄尔姆森:这是个正确的时刻,因为技术和汽车生态系统都处于恰当的合适位置。几年前,我不认为汽车行业准备做些不同的事情,它已经进化了 100 多年。它们的供应链拥有让人难以置信的能力,而且大部分依然在高效运作。


但这是一项新技术,它需要新人团队,新的技能。看起来这个行业似乎已经准备好了,部分原因是他们承受着巨大的压力:环境影响加剧,电动化和连接需求激增,还有 Uber、Lyft 以及滴滴出行等叫车服务的崛起。


这是真正的信息连接,使汽车能够以一种新的方式被使用。还有无人驾驶汽车和驾驶辅助技术。这些技术同时汇聚到这个行业中来,并推动整个行业去思考:我们该如何应对?


新公司 Aurora 的开业,就像给我们带来了对这个问题的深刻体验,对这个问题的更深理解。它需要走出去,本着不颠覆现有公司的精神与它们紧密合作。因为事实证明,制造车真的非常困难。我们可能认为这是理所当然的,但实际上它们是不可思议的。



马德里加尔:这是你和谷歌/Waymo 所做事情存在关键战略差异的原因,那么你所采取的方法是否与它们存在技术上的差异?


厄尔姆森:我想,如果你从上万米高空向下看,它们可能没什么不同。我们使用激光、雷达和摄像头,正在研究运动规划、知觉、控制技术。我们有软件基础设施。所以,从这个层面上来说,没有区别。你是谁并不重要,你正在使用这些传感器和软件。真正重要的是能够实现技术最后的 10%,最后的 1%,最后的 0.001%。



马德里加尔:关于无人驾驶汽车问题的「芝诺悖论」(Zeno’s paradox)?(所谓「芝诺悖论」是古希腊数学家芝诺提出的一系列关于运动不可分性的哲学悖论,即看似很有理却又明显矛盾的情形。)


厄尔姆森:是的。找几个研究生,订购一辆车,下载 ROS(机器人操作系统),你很可能在 6 个月内就能得到一辆能在停车场附近自动行驶的汽车。


当然,最大的挑战在于细节,这就是 Aurora 要解决的问题。我们要考虑的是,如果我们今天要凭空设计出一辆车,我们不要把注意力集中在演示软件(Demoware上,或让一辆车尽可能快地绕着停车场行驶,我们首先需要了解下如何才能达到高效安全的出行方式。



马德里加尔:你的方法有什么不同?


厄尔姆森:举个例子,我们将机器学习应用于运动规划和感知系统相组合的方式与众不同。设计这种系统的经典方法是,需要有个团队致力于开发感知技术。他们走出去,尽其所能地把它做到最好,他们到达了高原,然后把它交给了负责运动规划的人。


他们写了些东西,弄清楚在哪里停止或者如何改变一条小巷,它负责处理感知系统中所有的噪音,因为它无法完美地看到世界。它可能有错误,也许它认为自己的移动速度比想象的快或慢。也许每隔一段时间就会产生一个误报。运动规划系统必须对此作出回应。


所以负责运动规划的人落在负责感知的人后面,但是他们把所有的东西都融入进来,而且工作的很好,也可以达到这样的感知水平。然后负责感知的人又会说:「哦,但是我们又有了新的(代码)推送。」负责运动规划的人再次落后,他们的系统在不合适的时候再次被打破。


你最终会遇到这个具有挑战性的跨越式问题,它最终会阻碍整个团队取得进展。负责运动规划的人不想改变感知,因为他们刚刚适应它。但如果感知没有改善,你就无法继续取得进步。


我们设计系统的方式就是在这两个地方应用机器学习。我们将能够将最近的感知输出,自动地重新调整运动规划系统与新的感知匹配,并推动它们更快地向前移动。这听起来几乎是显而易见的,但在两者之间的接口处需要艺术性处理,这样你就可以让算法进行适当的合作。



马德里加尔:自从谷歌无人驾驶汽车项目开始以来,机器学习的普及就发生了巨大变化。Waymo 真的能充分利用这一点吗?我曾问过 Waymo 工程副总裁德米特里·多尔戈夫(Dmitri Dolgov同样的问题,他的答案是基本可充分利用,因为谷歌是机器学习领域无可争议的领导者。


厄尔姆森:多尔戈夫给出了不错的答案。



马德里加尔:但在我看来,他们现在可能会以不同的方式开始,与 2009 年的起点有所不同。


厄尔姆森:的确如此,这绝不是对多尔戈夫等人所取得成就的否定。他们是个了不起的团队,做得非常棒。他们显然位于所有人的前面。但当你有一套特定的建筑规则时,所有的东西都要围绕着它进行。你是聪明的,可以加以改变,但是骨子里存在的东西不会变。


可以说,我们现在知道如何应用机器学习的所有知识,以及云计算的可用性,并理解这个问题到底有多难,这让我们从第一天开始就在着手解决这些问题。但这并不意味着我们会在 Waymo 之前实现目标,但意味着我们能够以令人满意的速度越过指定距离。我们将能够帮助合作伙伴带来安全的产品,并最终在市场占据一席之地。



马德里加尔:当你带着这一系列问题中重新开始工作后,你遇到过当时觉得非常困难现在却非常简单的事情吗?


厄尔姆森:在应用机器学习的时候遇到过,比如目标跟踪。现在,我们很快就能开发出新的技术版本,这是令人兴奋的。这是个生态系统功能,可以应用到我们生活的世界中。当我们在谷歌开始项目的时候,TensorFlow 还不存在。



马德里加尔:另一种 Waymo 式原则是不把无人驾驶技术视为一种司机辅助手段,我听说你本人反对司机接手控制汽车。


厄尔姆森:我仍然相信这种原则。这并不是说你不能在车辆上安装方向盘,或在你想驾车时不能手动去开。但我要做的是:汽车不应该要求驾驶员座位上的人去开车。如果你想开车,喜欢开车,去找乐子,那就去做吧!但是,如果你不想开车,你就可以让汽车自动驾驶。


人们谈论所谓的三级自动驾驶系统。这个想法是,汽车可以自动驾驶,但它会提醒你保持警惕。事实证明,如果你对提醒做出响应,它仍然需要做正确的事情,所以在那个时候,它实际上已经是个能力十分有限的四级系统。要做到这一点,实现它的复杂性就足够高了,传感器套件就会变得非常昂贵。



马德里加尔:你在这里是如何衡量所取得进步的?


厄尔姆森:现在,我们正在打造无人驾驶汽车,合作伙伴希望在 2020 年或 2021 年看到它们。所以,我们要尽快地去实现它。在那个时候,我们说的是成千上万的车辆,比现在的几千辆车要多得多。但当考虑对世界的影响时,这仅仅是无人驾驶汽车部署的开始。


Aurora 的想法是,既然我们要花数年时间才能让无人驾驶技术发挥作用,而且还要花几年的时间来制造出这项技术适用的汽车。那么我们为何不能找合作伙伴,让两者并行发展,这样我们就可以更快走出去,拥有比其他人更快的规模效应。


即使 Waymo 拥有技术,他们仍然需要时间来壮大规模,他们需要与汽车厂商建立深入的合作关系来实现这一目标。



马德里加尔:汽车公司倾向于说:「谷歌可以在汽车上安置价值 10 万美元的传感器,这很好,但我们正在讨论向普通民众提供汽车技术。」这是作为技术套件制造商面临的关键问题吗?


厄尔姆森:在叫车服务或公共交通商业模式中,汽车上的设备成本并不重要。无论是 1 万、2 万还是 5 万美元,它都会成功。经济学将发挥作用。


与此同时,这里有一种错误的等价性,即在汽车上安装 10 万美元的设备成本与大规模部署汽车成本等同起来。如果你去看看任何生产汽车的原型,然后去买最便宜的车,你会发现这其中存在着巨大不同。


举个例子……



马德里加尔:福特 Escort。


厄尔姆森:那是我的第一辆车。



马德里加尔:也是我的第一辆车!


厄尔姆森:一辆蓝色的福特 Escort 旅行车。



马德里加尔:我有 ZX2。


厄尔姆森:你那款是运动型的。



马德里加尔:不过,它确实属于最便宜的车型。


厄尔姆森:你可能是对的。但是当福特公司生产第一批 50 辆 Escort 时,这些车的成本每辆大概在 25 万到 50 万美元之间。通过制造过程,可制造性设计,供应链管理过程,它们会将制造成本压缩到每辆 12000 美元左右。


同样的事情也会发生在其他元素上,比如说雷达。今天的汽车雷达,你可能会花 50 美元买到,如果你是个 OEM,购买 100 万个雷达。当制造商生产第一个的时候,我向你保证其成本可能需要 2 万到 5 万美元。


当人们谈论这个问题时,你必须考虑我们所说的「应计成本」(should-cost)定价。把激光从架子上拿下来,看看里面的零件。有时,如果是光纤激光器,得到掺钇的光纤是相当昂贵的。但是如果你看到的是激光二极管激光雷达系统,几乎没有什么应计成本花费。激光二极管非常便宜。



马德里加尔:关于无人驾驶汽车,人们没有想到的还有什么?


厄尔姆森:难题是这项技术最终将如何使用,以及它的深层影响是什么。



马德里加尔:我有个小电子表格,里面囊括了不同的技术预测,比如虚拟现实技术和实验室生产肉类等,还有关于无人驾驶汽车的。随着时间推移,我追踪它们最新取得的进展。关于无人驾驶汽车的奇怪之处在于,我在 6 个月前再次对其进行了全面预测。而在过去的 7 到 8 年里,其进展几乎与你的预测一致。


厄尔姆森:这对我们来说是件好事。



玛德里格尔:当然,过去一年里有很多新的预测,我们将对它们能否实现拭目以待,特别是因为它们来自更广泛的参与者,而不是最初的预测者。早期的预测者主要是来自所谓的“教练树”,也就是参加过 DARPA 挑战赛的人们。这些人对技术如何开发、如何工作以及需要发展的领域,几乎都有相同的感觉。


厄尔姆森:我认为这是一件有趣的事情。在过去一年半的时间里,有更多样化的人参与其中,不管是好是坏。你是对的,很多早期的工作都是从 DARPA 挑战赛中发展出来的。那是你当时唯一能找到有经验的人的地方。


现在,有了更多资金涌入,这孕育了新的创新,我认为这很酷。



玛德里格尔:这些都是我想知道的,那么你在想什么呢?


厄尔姆森:我想的是如何建立一个健康的公司,我们如何能在这个竞争日益激烈的招聘市场、更好地了解社会不平等以及面临越来越多自动化问题的时代做到这一点。我们如何才能不失去已经享受的好处前提下,在不引起社会混乱的情况下获得更多好处?这是我担心的事情之一。我还没有找到满意的答案,但它肯定在我的脑海里。



-END-


文章精选


企业家

马斯克和贾跃亭 福特CEO下台正道汽车仰融

任正非裁员电池大牛凯尔提离开特斯拉

智能驾驶

BBC自动驾驶纪录片

为什么说百度阿波罗画虎不成反类犬?

上汽集团2017年财报亮点分析

中国汽车技术的现状、发展需求与未来方向

低成本车载 MEMS 惯导导航定位方法

基于毫米波雷达和机器视觉的夜间前方车辆检测

新能源汽车

全国50个新能源汽车项目大盘点

锂电池发展趋势中国汽车产业电动化进程

苹果收购特斯拉?丰田和特斯拉决裂

重庆大学:燃料电池关键材料与进展

干勇院士:中国氢能源体系

项目和评论

以色列最强10家自动驾驶创业公司

 37个汽车分时项目盘点百度投资蔚来汽车

马化腾或为共享单车最大赢家汽车产业3大趋势

Momenta获$4000万B轮

百度系自动驾驶初创公司 Pony.ai 的突围之路

这些大神从Google出走,创办了五家(命运各异的)无人车公司

无需基础知识,理解自动驾驶高精度行车定位技术


为您对接资本和产业

新能源汽车 自动驾驶 车联网




联系邮箱

bp@ihoushi.com

点击阅读原文,查看文章「Waymo从IBM那里学到了自动驾驶的最佳商业模式

登录查看更多
0

相关内容

【硬核书】群论,Group Theory,135页pdf
专知会员服务
124+阅读 · 2020年6月25日
打怪升级!2020机器学习工程师技术路线图
专知会员服务
98+阅读 · 2020年6月3日
斯坦福2020硬课《分布式算法与优化》
专知会员服务
118+阅读 · 2020年5月6日
德勤:2020技术趋势报告,120页pdf
专知会员服务
190+阅读 · 2020年3月31日
IBM《人工智能白皮书》(2019版),12页PDF,IBM编
专知会员服务
20+阅读 · 2019年11月8日
深海打捞K-129,冷战中的奇迹工程【四】
余晟以为
6+阅读 · 2019年5月21日
自动驾驶汽车决策层算法的新方向
智能交通技术
7+阅读 · 2019年4月6日
华为和其“公关危机”下的5G发布会
1号机器人网
7+阅读 · 2019年1月27日
活动报名| 出海产品从 0 到 1 该怎么做?
职人社
8+阅读 · 2018年10月25日
无人驾驶免费、人脸识别免费、语音识别免费…百度要干啥?
人工智能机器人联盟
4+阅读 · 2017年12月15日
无人驾驶汽车
劲说
6+阅读 · 2016年8月26日
Arxiv
5+阅读 · 2019年10月31日
OD-GCN: Object Detection by Knowledge Graph with GCN
Arxiv
4+阅读 · 2019年9月30日
Mesh R-CNN
Arxiv
4+阅读 · 2019年6月6日
Deep Anomaly Detection with Outlier Exposure
Arxiv
17+阅读 · 2018年12月21日
Auto-Context R-CNN
Arxiv
4+阅读 · 2018年7月8日
Arxiv
8+阅读 · 2018年4月8日
Arxiv
7+阅读 · 2018年1月24日
Arxiv
8+阅读 · 2018年1月12日
Arxiv
4+阅读 · 2016年12月29日
VIP会员
相关资讯
深海打捞K-129,冷战中的奇迹工程【四】
余晟以为
6+阅读 · 2019年5月21日
自动驾驶汽车决策层算法的新方向
智能交通技术
7+阅读 · 2019年4月6日
华为和其“公关危机”下的5G发布会
1号机器人网
7+阅读 · 2019年1月27日
活动报名| 出海产品从 0 到 1 该怎么做?
职人社
8+阅读 · 2018年10月25日
无人驾驶免费、人脸识别免费、语音识别免费…百度要干啥?
人工智能机器人联盟
4+阅读 · 2017年12月15日
无人驾驶汽车
劲说
6+阅读 · 2016年8月26日
相关论文
Arxiv
5+阅读 · 2019年10月31日
OD-GCN: Object Detection by Knowledge Graph with GCN
Arxiv
4+阅读 · 2019年9月30日
Mesh R-CNN
Arxiv
4+阅读 · 2019年6月6日
Deep Anomaly Detection with Outlier Exposure
Arxiv
17+阅读 · 2018年12月21日
Auto-Context R-CNN
Arxiv
4+阅读 · 2018年7月8日
Arxiv
8+阅读 · 2018年4月8日
Arxiv
7+阅读 · 2018年1月24日
Arxiv
8+阅读 · 2018年1月12日
Arxiv
4+阅读 · 2016年12月29日
Top
微信扫码咨询专知VIP会员