看密度，不看演示：Sertac Karaman 谈会飞、会开车的机器人

Lex Fridman 向 Sertac Karaman 提出了一个问题，这位 MIT 教授对此格外有资格回答。Karaman 造过会飞的机器人，也造过会开车的机器人。他是航空航天与机械工程系的教授，也是自动驾驶公司 Optimus Ride 的联合创始人。在飞行和没有人类司机的驾驶之间，哪个更难？

Karaman 在给出排序之前先绕了个弯。消费级无人机，也就是人们已经在用的应用，可能更容易。这也是它们真的比自动驾驶汽车略早“飞”起来的原因之一。但一旦放眼交通和物流，他认为自主飞行要比自主驾驶难得多。有几台机器在这里那里飞过，还没有人大规模部署过飞行器。

过去五十年里，人类已经部署了大量机器人。它们能工作，也能独立工作。它们在工厂车间、仓库里工作，也在火星上工作。它们要么是孤立的，即便规模很大，也大多被限制在几乎不与人互动的地方。Karaman 说，我们这个时代的挑战，是把这些机器放进有人在场的地方。

这不仅仅是算法问题。商业模式需要重新设计，建筑和城市规划需要改变，法律和法规需要跟上。人们未必会接受培训去与机器交互。他们甚至可能不在使用这项服务，或者不知道那辆车是自动驾驶的。他们只是生活在为人设计的环境里，而不是为机器人设计的环境里。

Karaman 能想象天空中飘满成千上万架配送无人机。但对他来说，更有意思的应用场景是交通。假设你在波士顿，想在一个半小时内，从这栋楼的楼顶飞到曼哈顿另一栋楼的楼顶，去纽约。能容纳四、六或八人的个人飞行器，可以让你和朋友一起完成这趟旅程，还能赶上吃午饭。传统航空不会一夜之间消失。他认为，很多人愿意多花一百美元，把四小时的行程缩短到九十分钟。

在他看来，五十年期的预测几乎是个笑话。我们可能会有飞碟：通过让周围的空气电离，再用磁铁把它压下去的机器。他在这个时间跨度上给出的概率是五五开，这是在说，长远的预言并不是有用的谈话。有用的谈话，是他所说的敏捷空域（agile airspace）这一层。它略高于人能投掷石块的高度，因为拿着石头的孩子就能把一架飞机打下来；它又略低于几千英尺高空飞行的大型飞机。

这段空域一直未被充分利用。大多数时候，你抬头看去什么也没有，偶尔才会有娱乐飞行者出现。技术挑战在于，构建自主能力，并让它达到我们一直坚持要求飞机所具备的那种安全水平。这套软件将比今天飞机上的软件复杂好几个数量级，而且很多智能必须通过训练获得，因为眼下有些感知任务，除了机器学习之外没有别的办法。

人们一听到仿真，就会想到训练。Karaman 认为，仿真最重要的用途之一是开发，而这并不是什么新鲜事。汽车行业已经使用动态仿真几十年了：你把一个嵌入式控制器接到另一台计算机上，让那台计算机假装成整个世界。新的是这些环境能做到多么极端的程度。特别是摄像头，现在的仿真效果比过去好得多。一旦仿真的摄像头能够像真实摄像头那样看世界，你就可以去探索传感器的极限，并基于结果训练感知。

惯性测量等本体感受传感器一直更容易模拟。由常微分方程支配的动力学也是可以处理的，比如汽车在路面上如何滚动，飞机如何飞行。难的一直是外感受传感器，也就是那些向外看的传感器。激光测距仪稍微容易一些，摄像头和雷达则更难。把这些都攻克之后，Karaman 说，下一座大山就是模拟人类行为，包括人类驾驶的汽车会如何在你周围行动。

他有一个测试，会发给朋友和他的母亲：两张图片，哪张是真的？建筑环境很难分辨，因为我们的眼睛并不是为了辨认公寓和办公室而进化的。把一个人放进画面里，这个幻觉就会崩塌。人们不一定能说出哪里不对，只是知道有什么地方不对劲。电影本来就会渲染背景，因为这样更省钱。能通过“母亲测试”的行走的人，属于另一类问题，因为对于人，我们没有像光线追踪对光那样、能够写下来的物理规律。

你可以收集数据，并尝试去匹配它；也可以向人们展示两两对比，让他们标注哪段视频看起来更真实。凡是需要人工标注的事情，最终都会受限于你有多少人，以及他们一天里还有别的什么事情要做。这种困难直接渗透到自动驾驶里。路上最重要的变量，是我们至今仍无法装进处理器里的那个。

Karaman 把自动驾驶分成三波。DARPA 城市挑战赛（DARPA Urban Challenge）之后，这个领域全力投入到地图构建和定位上：知道你身在何处。谷歌当时也在做同样的事。2012 年和 2013 年前后，AI 革命开始告诉汽车其他人是什么。最后缺的一块，是其他人接下来会怎么做，而这最后一小块，一直是真正的难题。

Fridman 补充了第四层，而业界大多忽略了它。自我车辆并不是旁观者。开得更激进、开得更温和，或者以某种方式打信号，都会改变其他人的行为。这是一场博弈论式的舞蹈。Karaman 同意，这一层被完全忽略了。预测别人本已很难，再把你自己如何影响这些预测也纳入，模型就会爆炸式膨胀。没有这一层，汽车只能适应，无法谈判。

道路的社会属性让这场舞蹈更难。看到一辆完全空着的车，它就成了一件东西，就像一张桌子是一件东西一样。你可以把背包扔在桌子上，也可以把脚搁在上面。面对面的人类，人们会保持礼貌。自动驾驶汽车必须和人一样聪明，还要经得住被当作一件东西对待。“你不仅要和人一样聪明，你还是个东西。”人们可能会稍微欺负它一下，而它仍然得把这趟行程完成。

Karaman 写过关于博弈论和社会价值取向（social value orientation）的论文：有些司机激进，有些不激进，机器人往往能通过观察另一辆车靠近的方式判断出来。难题在于，机器人是否应该以攻击回应攻击。目前看来这很危险，因为社会代价高昂，人们也不太能接受激进的机器人。用“欺负”这个词甚至可能都不太准确。人们觉得自己拥有这个为人类设计的环境，机器人必须理解这一点，并作出回应。

Karaman 说，一旦机器人大规模部署，你就可以把系统设计得非常高效，或者非常可持续。取舍会摆在明面上。你可以激进一点，减少交通延误，提高运力；也可以温和得多，让别人拥有这个环境，但效率会下降。可持续性通常被和能源与排放挂钩。宜居性也是一种可持续性影响。如果机器人到处都很激进，而你并不想住在那样的地方，那么这个系统就在另一项测试中失败了。

交通领域一直存在这种选择。过去，司机的个性和习惯把它消化掉了。随着自动驾驶到来，这种选择会变得明确，而一旦明确，你就可以开始去优化它。然后，社会必须回答：它更看重效率，还是住在一个好地方的感受。

测试也处在同一框架之内。你要在人类环境里测试自动驾驶车辆。风险可能非常小，但它仍然严格大于零。存在创新与风险之间的权衡；如果不测试，开发至少会变得更慢。这些权衡其实已经在发生。等系统变得无处不在，Karaman 认为，那时的冲击才会真正显现。

Fridman 给出了通常的光谱：Waymo 是谨慎的谷歌自动驾驶项目，特斯拉则是在马斯克领导下激进、有创新性的一家。Karaman 并不喜欢这种排序。他说，最重要的是一个知情的公众。他本人会接受一定程度的风险，但其他人未必愿意。理想情况下，人们可以自己选择。一致的选择很难达成。但向公众告知信息，其实并没有那么难。

换个角度看，这两家公司处在两个互相正交的维度上。在他看来，Waymo 多少有点像一个研究项目。他们谈论产品，是因为有压力要谈论产品。在他们的脑海深处，他们正在打造一台新的引擎：一个能知道自车在哪里、其他一切在哪里、其他一切会做什么，并以正确方式与人交互的系统。自动驾驶车辆是这台引擎一个非常有意思的载体。他们想要理解它。

特斯拉做的事情不一样。人们在用 Autopilot。他们仍然需要保持注意力，而它确实派上了用场。Karaman 估计，马斯克作为一位有远见的人，给这辆车增加了大约五千美元的价值，Autopilot 再增加五千美元。人们愿意为这份新奇花五到一万美元，而且不会试一两次就束之高阁。大多数时候，他们都在用它。公司在同一个循环里收获了金钱、数据和迭代。

他们或许最终会使用相似的引擎，就像两家公司可能共享某种内燃机，一家造轿车，另一家造卡车。应用场景各不相同。只在单一维度上比较谁领先，就抓不住要点。

Karaman 从来不相信 2014 年那种说法，即完全自动驾驶只差两三年。他曾在 MIT 的城市挑战赛团队里工作。他见识过计算机的局限，也见识过理解人类行为有多难。Optimus Ride 走了一条基于市场的路径：挑选某一类市场，为它构建一个系统。完全自主的能力装在车辆上。人类依然在操作它们，只是不必坐在驾驶位上。

如今，一个人操作一辆车，无论是叉车、卡车还是轿车。目标是十个人操作五十辆。这并不是一个人戴着 VR 眼镜从很远的地方开车。Karaman 设想的是更像空中交通管制的一个房间。有些人看到整张地图，他们知道哪些车辆很有把握，哪些需要一点帮助。这种帮助是为了效率，绝不是为了安全。即使没有操作员，车辆也应当非常安全，哪怕只能以每小时五英里的速度慢慢爬行。如果想让它跑到每小时二十五英里，才需要人介入。路口的一辆车可能会等待，或者缓缓前挪以示意，或者在确认安全后左转，而且在得到放行之前不会动。

他最喜欢的首批目标，是大约两英里见方、交通匮乏的地理围栏区域。布鲁克林海军造船厂（Brooklyn Navy Yard）就是已经公开报道过的例子。在那里，优步比人口更密集的市场贵得多，于是人们开车进去，停好车，再开着车去吃午饭。一个高效、安全、可持续的系统，可以收回其中一部分停车用地。即使是在一个很小的环境里，也是数千万美元级别的规模。放到纽约市中心，就是数十亿美元。更深远的回报在于宜居性。一百年前，城市并不是这样建的。即便为了庆祝活动封了一条路，人们也依然不会走到路中央去。

这些地方已经在运行班车，但人们讨厌班车，因为司机的成本高昂，这二三十个座位的成本，都要压在一个司机身上。客户向 Optimus Ride 要二十座的车。Karaman 的回应恰恰相反：把座位拆成四座和六座的车，让它们跑得更快。大车加速和减速都慢，上车不方便，而且在一条线路上班次稀疏。拆分座位后，车距会从一英里缩短到半英里。你甚至可能根本不需要应用程序。走进去，被认出来，选一个你平时常去的地方就行。“把那种没人喜欢的班车体验，转变成每个人都喜欢的东西。”

Fridman 问，要让在波士顿或纽约走到户外的任何人，视线范围内都能看到两辆 Optimus Ride 的车，需要多少辆。Karaman 把这当作一个密度问题。如果你看到一辆车，然后环顾四周又能看到另一辆，这就是目标。如果你四处走走，想找出特斯拉，那么除了加利福尼亚的几个邮政编码区，你大概看不到这种密度。那些邮政编码区很重要。

人们把它叫作数据密度或数据速度。在全国各地开一万英里，你每个路口只会经过一次。在一个封闭的环境里开一万英里，你会把同一个路口看上几百次。预测人们在那个路口会做什么，就会好得多。特斯拉庞大的数据集依然是集中的。数据量与在同一地点的重复并不是一回事。

在新加坡景气的时候，出租车可以占到交通量的 10% 到 20%，你随手就能叫到一辆车。自动驾驶车队需要达到这样的比例，才能让效益呈数量级地显现。人们不会为自己等待半小时，却会为货物等待半小时。高峰时段，系统可以专注于载人；非高峰时段，它可以运送包裹。一旦每辆车只需要一个人的一小部分精力来操作，今天的车辆经济学就显得荒谬了。我们造的车是为了上高速、通过碰撞测试的，它们的重量可能是乘客的二十五倍。在他所做的模型中，专为城市设计的汽车，可以把从甲地到乙地的一趟行程压到 1 美元以内；如果不更换目的地，甚至可以压到 0.99 美元。

Fridman 把 Waymo、Optimus Ride 和特斯拉再次拿上台面，问了一个没人喜欢的问题：时间表。马斯克曾表示，年底前会实现某种形式的完全自动驾驶。Karaman 说，这真的很难猜。他不知道特斯拉能从什么图表上读出十二月的结果。对于机器学习的方法来说，在不知道接下来会发生什么的情况下，外推最终状态是非常困难的。

他给这种扭曲起了个名字：技术预测中的时间膨胀。很多遥远的事情，人们以为很近；很多近在咫尺的事情，人们以为很远。他们面对的是一片混沌的图景，任何事情都可能以任何顺序发生，于是把它箍住，塞进未来三年之内。今年或明年就可能落地的工作，因为难以解释，被推迟了几年。二十年、也许有生之年才能解决的问题，却被拉到眼前，因为没人知道它们有多难，甚至不知道是否可解。乐观派说年底，现实派说五年。Karaman 认为，其实没人真正知道。

特斯拉在电动车上可以做到这一点，因为它有一张类似摩尔定律的曲线作为依托。自动驾驶没有那样的曲线。当存在技术缺口，而你甚至说不清自己在量化什么时，预测大多会失败。说了五分钟之后，他承认自己巧妙地回避了这个问题。他确实相信的，是迭代学习：到现场去，做实验，从中学习。硅谷在商业模式上就是这么做的。这些公司想要跨越的，是一个他们无法画出曲线的鸿沟。

作为领导者，他宁愿做一个一到两年的计划，在这个计划里，技术能让你接近目标，投资人也可以比较不同的赌注；也不愿宣布一个五到十年的日期，那样的日期毫无意义。Fridman 把关于传播的批评反过来抛给他：Optimus Ride 在追踪物体和行人方面做得很棒，只是网上没人知道。Karaman 接受了这个批评。他们有一段时间选择了隐身。公司现在更大了，正迈入一个新时代，他想把这些技术推出去，让最优秀的人在走进面试之前就已经兴奋起来。

马斯克说过，激光雷达是拐杖，基于摄像头的系统会定义未来。Karaman 非常相信纯摄像头自动驾驶。他愿意为这一点担保：会有一个时候，你只用摄像头也能没问题。而在那个时候，激光雷达可能便宜到，或者能让软件更少依赖计算、更容易通过认证，以至于不装它反而是愚蠢的。

许多自动驾驶公司来来去去，用的都是同一套配方：在车上装一个激光雷达，写好代码，按下按钮，做一次演示。用激光雷达更容易搭建。摄像头也能完成这项工作，只是更难，而且需要真正的专业能力。Optimus Ride 从第一天起就相信计算机视觉，同时也相信传感器融合。他们使用激光雷达的程度相对较少，但确实在用。

你可以在激光雷达上花钱，也可以在计算机上花钱。如果不装激光雷达，你就得投入更多算力，系统反而可能变得更贵。短距离或低分辨率的固态单元，比如 MEMS 式扫描器，造得便宜并不难。物理规律依然起作用。扫描环境时，你会碰上光速的限制，无法兼得高分辨率和远距离。即便如此，Karaman 认为，早期的部署仍会用到激光雷达。

Karaman 参与了洛克希德·马丁的 Alpha Pilot 创新挑战赛（Alpha Pilot Innovation Challenge），参赛团队要完全自主地竞速无人机。无人机竞速本身已经是一项运动：戴着护目镜的人类驾驶真实的飞行器，中间没有任何 AI。Alpha Pilot 要求的是激进的飞行，而且没有人握着操纵杆。他想要的是比任何人类都快得多的飞行器。人类在处理信息的速度上有生物学限制：眼睛到大脑，再到手，这些延迟是机器人本不必具有的。

他的团队构建的系统能以千赫兹的频率看世界。人类的视觉几乎达不到一百赫兹。这相当于以大约十倍慢动作看世界。美国每天大约有一百人死于交通事故，许多都是人们熟悉的情形：你驶上高速匝道，撞上了别人，然后懵了，急打方向，最后冲出路面。如果车辆在那一瞬间有足够的算力，以及一台非常快的摄像头，它就可以关闭车载娱乐系统，把算力全部投入自动驾驶，要么让车停下，要么替人类完成那个他试图却失败了的动作。

瓶颈在于硬件和软件，两者需要协同开发。他们有时会碰到摄像头帧率的上限，因为如果要追踪，就希望相邻图像之间有大量重叠。摄像头把数据倾倒到串行链路上，比如 USB 或 Camera Link，而铜线能承载的数据量是有限的。在你开始计算之前，你就已经撞上了另一个普遍存在的极限。解决办法是把处理单元放到像素旁边，并进行大规模并行。

CPU 的时钟频率达到好几吉赫兹，然后就停下来了，部分原因是发热。在三吉赫兹时，光在一个周期内大约只能传播一英寸，大约是一颗芯片的大小。下一个周期到来时，时钟信号还在芯片上游走。晶体管也无法无限缩小，电子开始发生隧穿效应。Karaman 说，在我们设计的许多东西中，我们已经碰到了宇宙的基本极限。重新安排硅片，让信息的流动方式与高速摄像头相匹配。他希望这台引擎有朝一日能像安全带一样有影响力，并能让固定翼空中出租车在屋顶着陆，做出人类无法卡准时机的机动。在一条中等难度的赛道上，机器跑一圈会略微落后，但跑十圈会略微却持续地领先，因为人会疲劳，代码不会。策略与欺骗依然属于人类的领域。

Fridman 的最后一个问题，是 Karaman 在机器人领域遇到过的最美妙的想法：一个方程，一个实验，一个演示，一段软件。Karaman 在控制和决策方面的工作，比在感知方面更多。让他一直感到费解的方程，是贝尔曼方程（Bellman equation）。半个多世纪以前，Richard Bellman 提出的问题是：如何同时在多个变量之间做出选择。他给出的是一个非常优美的方程。做强化学习（reinforcement learning）的人至今仍在使用它。它可以放在决策入门课上讲授。

同一个方程也告诉你，这个问题在计算上有多难。Karaman 觉得，他在 MIT 的很多研究都在与这种代价作斗争，甚至一路做到重新设计芯片。现在人们把它叫作维数灾难（curse of dimensionality）。如果你有一百个变量，每个变量有十个取值，那么可能的赋值方式会比宇宙中的原子还多。这种思想体现在一个方程里：理论上最优，最坏情况下毫无希望，但在实践中它仍然行得通。

在很多领域，我们承认自己知之甚少。我们不知道数学公理是否自洽，不知道时间的起点，也不知道自己的未来。决策也是同样的形状。最坏的情况下，事情相当困难；实践中，通常事情还能行得通。Fridman 提出一个比喻：我们盯着最坏的情况，为那些创伤性的事情而大惊小怪，可人生的平均情况似乎仍能过得去。Karaman 说，这似乎是个好比喻。