造司机，不造副驾：Waymo 首席技术官 Dmitri Dolgov 谈全无人驾驶汽车

访谈一开始，Lex Fridman 先聊的是计算机科学，并没有先聊汽车。Waymo 首席技术官 Dmitri Dolgov 说，他人生中第一台有意思的机器出现在 1980 年代末：一台前面带着 turbo 按钮的 IBM PC。他花了几个月玩电子游戏，然后觉得无聊，开始让这台机器去做别的事。又过了几年，他用 Pascal 写出了一款带图形的游戏，分辨率大约是 320×200。一家日本开发商出价几百美元买下它，对当时俄罗斯的一个少年来说，这是实实在在的钱。他拒绝了。

回头看，他说这并不算他人生中最精明的一次财务决定。他把可执行文件作为免费软件（freeware）发布出去，然后用少年人的方式算了一笔账：成千上万的玩家，每人几美元。Fridman 问起童年的梦想，Dolgov 没有说那些常见的答案，比如机器人或宇宙的奥秘。他说，四五岁时，在 1980 年代的俄罗斯，他想当交通指挥员：那种整天站在十字路口中央、手里拿着黑白相间指挥棒、指挥车流的交警。他的父母都是物理学教授，对此多少有些担心。

他在学校里并没有真正动手做过机器人。先是应用数学和物理，然后是更抽象的计算机科学，真正的飞跃发生在研究生阶段之后：先在密歇根，然后在斯坦福做博士后，在那里，自动驾驶汽车成了他接触的第一批真正的机器人。读大学本身也是一个执拗的选择。他的父母都上过莫斯科物理技术学院，他从小听着相关的故事长大，于是在美国读完高中后，又回到了俄罗斯。同龄人把这看作一个疯小子的举动。他在那里用六年时间读完了物理和数学的本科与硕士，他说，那是“在基础训练上相当硬核”。

2006 年，Dolgov 加入了斯坦福的城市挑战赛（DARPA Urban Challenge）团队，负责运动规划。之前的两届大挑战（Grand Challenge）都是在静态的沙漠里开车。到 2007 年，DARPA 接管了一座废弃的空军基地，搭起一座小型假城市，把自动驾驶汽车和专业的人类司机混在一起。那里没有行人。每台机器人都拿着一张粗糙的地图和一项任务：先去这里，再去那里，然后再到那边去，同时还要和其他车辆共享空间。他说，这是动态世界中自动驾驶汽车的一个非常粗糙的版本，也帮助推动了这个行业起步。

斯坦福排第二，卡内基梅隆大学获胜。真正让他着迷的，是比赛之外的一刻：他的自由空间（free-space）停车场规划器第一次在真车上运行。地点是斯坦福校园，时间大约凌晨三点，场地上摆着一排锥桶。代码能编译，车也开动了，而且做出了相当合理的动作。它有很多 bug，问题一大堆，但那种感觉是“相当神奇”。他回到家，睡不着觉。此后十多年，他一直在做同样的事。

比赛当天，车子是空的，DARPA 一辆接一辆地把它们放出去，每辆车都带着各自的“鸣笛个性”。你看不见它们。偶尔有一辆靠得足够近，你听到自己这边的车，心里就升起希望；如果太长时间没有声音，焦虑又会回来，“有点像送孩子去上大学”。他自己的那个 bug，在一些圈子里成了一个比喻：庆祝绕场。任务里常会在一个大椭圆上设一个路点（waypoint）。其他车碰到路点就离开了。斯坦福的车则是先碰到检查点，绕着椭圆跑一圈，然后才继续前进。规划器在抵达上一个路点之前，不会去推理下一个路点；等它想明白的时候，换道已经太晚了。

他至今还和卡内基梅隆大学的人争论第一名的事。在他的理解里，停车场规则要求必须倒车出位；而卡内基梅隆的车，他说，直接开了过去。两种做法都要多花时间。他开玩笑说，卡内基梅隆是一所不大的学校，碰巧在机器人上很成功，大多数人去那里，是为了那里的风景。Fridman 补充了一句公益提醒：卡内基梅隆是世界上最重要的机器人大学之一。

Larry Page 和 Sergey Brin 看到了 DARPA 的比赛，并相信这项技术。谷歌的自动驾驶汽车项目于 2009 年启动，团队大约十几个人，Dolgov 也在其中。他们对城市挑战赛很兴奋，但他说，当时对这个问题的理解还非常粗浅。第一个目标，是弄清楚自己到底面对什么。他们设定了两个旨在最大化学习效果的里程碑：以自动驾驶模式跑完 100,000 英里（约 16 万公里），比任何人做过的都多出几个数量级；再完成十条各 100 英里（约 160 公里）的路线，这些路线被专门挑得格外刺激，而且从按下按钮的那一刻起，中途不允许人工接管。

这些路线涵盖了驾驶的各种复杂情况。其中一条要跑遍湾区的每一条高速公路和每一座大桥；另外几条则穿过太浩湖周围的山路、帕洛阿尔托市中心，以及旧金山。每条路线都要先启动自动驾驶，然后必须完成 100 英里（约 160 公里），中途零接管。两个里程碑各自用了一年半到将近两年的时间。他说，这可能是他职业生涯中最有意思的一段日子：当时的任务是学习和做原型，还不是搭建量产系统，所以大家日夜不停地把东西拼凑起来，还不知道真正的东西会有多难。

Fridman 追问雄心：零接管，在复杂的道路上，尽快做到，别花上十年，让脱离自动驾驶的次数慢慢降下来。Dolgov 的教训是：做一件事做一次，和把它工程化成一个可以评估、衡量、并有信心交付的产品，两者之间差着一大截。十几个人用 2009 年的技术，16 个月就能跑完那十条路线。而让顾客付费的全自动驾驶产品，花的时间要长得多。早期最重要的收获是：这个问题是可以解决的，同时他们也只看到了它真正复杂性的一角。这就像爬山，看到了下一座山峰，以为那就是山顶，结果才发现，那只是旅程的开始。

2010 年的里程碑之后，团队从研究转向了做产品。几年里，这个产品是高速公路驾驶辅助，也就是人们可能称之为 L3 级的东西。到 2013 年前后，他们已经学到了足够多的东西，对自己真正想要什么也看得更清楚，于是再次转向：造一个司机，把它装进完全无人的车里，回路中不再有人。“即便是造驾驶辅助系统的路径，也和造全自动驾驶车辆的路径根本不同。”他们选择了后者，并且一直坚持到现在。Dolgov 说，这对他们来说正是完全正确的决定。

2015 年，他们在公共道路上完成了他所说的世界上第一次全无人驾驶行程。车是一辆定制的车，形状像棉花糖，昵称 Firefly。乘客是 Steve Mahan，他是项目早期的朋友，恰好是盲人。这辆车没有方向盘，也没有踏板。没有前导车、追踪车，也没有警车护送。环境是不可控的，路线是固定的。在经过大量工程和验证之后，他们在得克萨斯州的奥斯汀做了几次。这是一次证明，还不是服务。

Waymo 成立于 2016 年底到 2017 年初之间，作为 Alphabet 旗下的独立公司，因为他们相信这个商业愿景，并且需要一个能够大规模推进产品的实体。2017 年 10 月，他们开始在公共道路上定期进行无人驾驶运营。第一天他们开了 100 英里（约 160 公里），但这个数字的意义，远不如运营已经在持续进行来得重要。其中一些行程的驾驶座是完全空着的。很多次载客时，他们仍然会在座位上安排一个人，以免当天就被 YouTube 和推特刷屏，但那个人并不是去接管的。

2018 年，他们在凤凰城推出了公开的商业服务 Waymo One。2019 年，他们开始面向一批早期乘客提供真正的纯乘客行程。2020 年，公司在首轮外部融资中筹集了约 32 亿美元。它依然隶属于 Alphabet，但作为一家公司，正在走向成熟，并开始在捷豹 I-Pace 上装配第五代硬件。Fridman 坐过一辆驾驶座空无一人的 Waymo，他一直念念不忘方向盘自己转动的画面：一件 20 世纪的老物件，如今被一个有力量的“存在”推动着。Dolgov 认同那很神奇，并说正是这种纯无人驾驶的运营，释放了这项技术的真正潜力。

Waymo 把车辆本身与它装上去的自动驾驶硬件区分开来。第五代相对第四代是质的飞跃，而不只是相对第一代的飞跃。激光雷达多年来都是从头设计、从零研发的；Firefly 上的套件大多已经是自研的。在当前平台上，他们仍然使用激光雷达、摄像头和雷达，再加上一台强劲的车载计算机，实时完成感知和复杂推理。Dolgov 不愿谈 GPU、TPU 或其他芯片细节，并开玩笑说，他听起来就像 Fridman 采访过的那些谈论 UFO 的政府人员；但他表示，这台计算机具有冗余，有强大的通用算力，也能为胃口很大的模型提供扎实的推理能力。

公开的传感器数量很具体：29 个摄像头、5 个激光雷达、6 个雷达。激光雷达几乎完全自研，其中一些基础技术为 Waymo 独有。雷达和摄像头则更多是定制设计与供应链伙伴的结合。掌控这套技术栈很重要，因为传感器可以把丰富的原始观测数据，而不只是点估计，输送给大模型。身处 Alphabet 之内，也有助于解决另一类算力问题：车队会产生海量数据，必须从中挖掘长尾场景，用来训练和评估模型，并在整个系统的仿真中运行。他们为这一切搭建了定制框架。

联网有帮助，但并非必需。每辆车都被设计成能独立运行，不依赖与外界的连接。Dolgov 认为这一点很重要：你需要在每辆车上都有一个功能完整的、计算机化的司机，然后再让车辆之间共享信息。今天，当一辆车遇到有趣的情况，比如事故、一处新的施工区，信息就会通过无线网络传给车队里的其他车。在这种图景里，地图是分布在车队中、并实时更新的先验信息。随着车辆密度上升，车辆可以交换计划中的意图，以及高度动态的观测，而这些东西本就不该放进静态地图里。这一切都是优势；离开它们也必须能正常运行，这才是硬性要求。

Fridman 问到回路中的人，以及远程操控（teleoperation）的问题。Dolgov 说得很直接：Waymo 不做远程操控。乘客接触到的更接近客户支持：新手会先通过电话得到指导，然后是车内的屏幕和音频，还有一个可以接通真人的按钮。第二种人工角色是车队协助，他把它类比为交通指挥。任何与安全或延迟相关的决定，都在车上做出，完全自主。遇到一个特别棘手的非常规场景时，如果恰好有网络连接，车辆可以请人类协助员确认对场景的理解，并补充一些上下文。如果网络断了，车辆仍然必须自己处理。

2020 年 10 月 8 日，完全无人驾驶、只载乘客的车辆，正式进入凤凰城的公开服务 Waymo One。在此之前，早期乘客计划的用户已经在乘坐空座位的行程。之后，任何人都可以下载应用。Dolgov 说，需求超出了运力，所以他们正在做调度管理，但这个产品就是它听起来的样子：一段付费的、从 A 点到 B 点的出行。服务区域比旧金山还大。在这个范围内，上下车地点基本不受限制，只受普通的靠边停车规则约束。人们带着孩子乘车，最小的乘客只有一两岁，坐在儿童安全座椅里，去学校、超市、餐馆、酒吧、办事，或者去上班。大多数乘客会在应用里给这位“司机”打五星。

乘车过程中，乘客的反馈会通过电话和车内触摸屏产生，也会通过实时帮助、最后的星级评分和评论，以及持续跟踪用户的深入体验研究来收集。让人意外的，很少与驾驶技术栈有关。有人想带 20 袋杂货上车。有人骑车去开会，把自行车拆开装进车里。上下车地点本身就是一个产品。一种天真的启发式做法，即在地图上落一个定位点，选经纬度上最近的合法路边，会以非常糟糕的方式失败。

他常讲的一个例子是：车子选了地图上距离最近的位置，结果恰好在停车场另一侧，藏在一排仙人掌后面。乘客不得不在华氏 110 度（约 43 摄氏度）的高温下绕远路走过去。更丰富的地图、步行路径，以及从别人实际用得好的地方中学习，都会有帮助。还有一种特性也有帮助，那就是不追求最优。他说，可预测性和可理解性对体验来说，比一个略好但忽上忽下的选择更重要。最基本的承诺依然托着这一切：车子真的会开到你告诉它的地方。

因为手机和汽车是两台互相通信的计算机，界面能显示的就不只是一个移动的光点。车辆来接你的时候，它会告诉你自己正停在停车标志前，或者在红灯前等待。Dolgov 说，这些只是小细节，但能让人惊喜，也能让一台黑箱机器变得可读。与人工驾驶的同类服务相比，这条计算机之间的通道，也是让车每次都准确停在同一个路边的办法。

Fridman 把自己喜欢的那些无摩擦产品拿来比较，比如一键结账、轻松的转写、音频降噪，并问 Waymo 是想让人们爱上它，还是只想让人觉得方便。Dolgov 的愿景是消除人们前往目的地时的摩擦，然后对货物做同样的事。下载应用，点一下，同一辆车就会出现，行程安全、质量高，一切自然发生。Fridman 指出，网约车公司并没有完全掌控体验；汽车公司有时会让人对一台机器产生忠诚。Dolgov 想要的是最好、最让人愉快的交通方式，能无缝融入日常生活。对他来说，这其中也包括一种“爱上”：安全、可预测、隐私，一个不用和陌生人共享的空间，以及你可以信赖的驾驶质量。

接着，Fridman 把 20 世纪的驾驶本能摆上了桌面：人类的优步司机会不完全停车就通过停车标志。他暗示，一点攻击性可以宣示存在，让别人尊重你，也让你按时通过路口。机器人是否也需要和规则“调情”？Dolgov 把这个想法拆开来看。车辆会遵守规则，并做最安全的事。想想专业的豪华轿车司机：平稳、高效、果断，车内的人觉得舒适，车外的人觉得可预测。这就是他们想造出的司机。在体育里，真正的专业选手并不慌乱，他们精准，并能取得最好的结果。

你可以不完全停车就通过停车标志，也可以来回疯狂变道。但这通常不会让你更快到达，也通常不是最安全、最可预测、最舒适的做法。Fridman 自己写过笨拙的驾驶程序，要么过于激进，要么笨拙地过于谨慎；他说，在凤凰城乘坐 Waymo 的感受既果断又高效，没有那种“快点走啊”的焦躁。他想知道，俄罗斯人那种“不破坏规则就到不了哪里”的本能，对开车来说是不是就是错的。Dolgov 并不认为必须二选一。真正好的驾驶，能同时带来效率和果断，以及舒适、可预测性和安全。

他举了精确率和召回率曲线的例子。在模型当前能力既定的情况下，很容易滑动工作点：更保守或更激进，误报更少或漏报更少。如果只是在同一条曲线上移动，激进不好，保守也不好。真正的能力来自把整条曲线抬起来，这样一来，你就处在另一个层面上，面对这些取舍。他说，这正是他们想做的事。

Waymo 把同一个司机用在两种商业应用上：面向人的 Waymo One，和面向货物的 Waymo Via。货运项目从 2017 年起就在推进。Dolgov 的说法是，一阶挑战可以直接延续过来：硬件、车载与云端软件、训练、评估、感知、语义理解、预测、决策、规划、仿真、机器学习基础设施。数据和应用领域有所不同，但真正困难的问题并没有变。在卡车上，他们在车的两侧各装一个主激光雷达，以消除盲区；在 I-Pace 上，激光雷达则装在车顶。传感器本身基本相同，所以多年来定制激光雷达和雷达的积累可以直接转移过来。在高速公路上，探测距离更为重要。基本原理依然成立。

Fridman 把世界分成三类：移动的人、移动的货物，以及什么都不运的空驶调度。后者占了很大一部分里程，却是个枯燥的商业故事。Dolgov 说，在一阶近似下，零乘员车辆的控制策略不会改变。平稳、可预测的驾驶，不仅是为车内的人或物，也是为车外的每一个人，让车辆自然融入共享的环境中。二阶效应则体现在路线规划和车队规模的优化上：空驶调度确实要和付费行程区别对待。不过，这些大多属于二阶效应。

在凤凰城之后，要怎样接管世界？一步一步来，然后才是真正的答案：更大规模的商业化。他考虑三个维度。第一是核心技术，也就是司机的硬件和软件。第四代已经足够好，可以在凤凰城实现全无人驾驶行程，白天黑夜、各种速度和路况都行。第五代则是大规模部署的平台：能力更强、架构更简单、冗余更可靠，并为以合适的单位经济性大批量制造而设计。软件也在经历类似的稳健性和通用性升级，以便快速扩展到凤凰城之外。

第二是评估和部署：如何衡量系统，如何有信心地把司机的新版本发布到车队中，如何把仿真、数据科学和验证做得足够扎实，让工程师不必为每一次发布都疲于应付。他们在凤凰城已经擅长这些，现在希望它高效到能在新城市里快速复制。第三是产品、商业和运营上的卓越，也就是真正服务付费客户所得来的艰难经验。选择凤凰城作为第一个完整部署，是有意为之：把问题拆开来，分别降低每个维度的风险，并逼着团队从头到尾把整个流程学完。他们目前还没有大规模复制粘贴城市，而是把这些经验融入下一代系统。他们已经在 25 个以上的城市做过测试，包括旧金山和多雪的密歇根。说到奥斯汀或莫斯科，Dolgov 也不会有半点迟疑。他要说的是，他们首先会与地方、州和联邦官员打交道；经过多年这样的工作，政府这一环已经成为一场他们会持续进行的对话，不再是必须硬闯的阻碍。

Fridman 引用马斯克的说法：激光雷达是一根拐杖。Dolgov 不会这样定性。激光雷达是关键传感器之一，与摄像头和雷达一起使用。在物理层面，它们差别很大：摄像头是被动的，激光雷达和雷达则是主动的，而且工作在不同的波段，因此能互相补充。两者结合，能构建一个更安全、能力更强的系统。他反过来问：为什么要放弃一种无疑有帮助的感知方式，给自己设限？他也留了一扇门：对于驾驶辅助有意义的取舍，对于一个要部署在完全空载车辆中的司机，未必有意义。

常见的反对意见是成本和外观，他觉得两者都不足以说服人。雷达过去很贵，后来人们需要它，技术进步了，它们也就为汽车大规模制造了。激光雷达也在同样的曲线上。他说，第五代产品在底层技术上实现了跳跃式的进步：它们能以相当大的规模生产，成本只是 Waymo 上一代的一小部分，也只是市面上现成产品的一小部分，而且这种改进还会继续。至于外观，那就见仁见智了。Fridman 想挑起一场争论，说保时捷 911 看起来像婴儿车。Dolgov 拒绝就这段保时捷的独白发表评论。

在激光雷达的争论背后，还有一个更好的问题：驾驶中有多少能够学习，甚至能够端到端地学习？Fridman 提到了特斯拉的多任务网络，以及他与 George Hotz 的一次对话。George Hotz 的 comma.ai 技术栈把可行驶区域当作一个学习问题，并希望 L2 级系统能成长为完全自动驾驶。Dolgov 则把感知与软件分开来看。在 Waymo 的车上，激光雷达、雷达和摄像头全部都用机器学习。定制的激光雷达和雷达不只是输出点估计，它们返回的是原始的物理观测，比角度和距离丰富得多；这些观测会与像素融合，输入大模型，用于检测、分类和状态估计。融合的时机正越来越靠前：从早先那种较弱的、人工设计的后期融合（即对每帧、每个传感器各自的网络做融合），走向跨模态、跨时间的联合训练。

最纯粹的端到端图景，也就是一个模型从原始传感器直接输出转向、油门和刹车，在他看来是“太过了”。他不认为那是正确的路。端到端的较小版本，即带有联合训练、让信号在各阶段之间传递的版本，会碰上真正的设计张力。你需要模块化和可组合性，以便理解、评估和验证系统；你又不希望接口窄到脆弱，以致放弃通用性，无法把丰富的信号向前传、把梯度向后传，从而做联合优化。整个技术栈的每个部分，都已经依赖数据驱动的开发：地图、仿真、感知、预测、决策。对行人、汽车、骑车人、锥桶、标志和植被的目标检测，已经是入场券，属于第零步。真正有意思的问题，是场景级的推理、联合预测，以及所有参与者之间的相互作用。

红绿灯的例子，正好说明了他划线的地方。检测信号灯的状态，是家常便饭般的计算机视觉：把原始图像丢进卷积网络即可。你不需要一个模型去推断，红灯意味着停车，并以某种精确率和召回率来做到这一点。那是一个语义清晰、信号明确的工程信号，你把它作为约束或代价注入系统。然后在其他一切事情上，你又回到了重度机器学习。别人本该在红灯前停车，但这并不意味着他们会停。预测闯红灯的车辆，需要从物体的行为、行人、骑车人和整个场景的构型中捕捉细微的线索。

机器学习从 DARPA 时代起就已经在这个故事里了。斯坦福的大挑战团队早在 Dolgov 之前、也早在 ImageNet 之前，就用激光雷达和摄像头扩展了自由空间推理，让沙漠里的车能开得更快。谷歌大约在 2010 或 2011 年就大量投入深度网络，这在当时对一个自动驾驶团队来说并不寻常；而 Waymo 至今仍与 Alphabet 内部在有监督、无监督和自监督的工作上协作。他现在喜欢用语言来打比方。Transformer 和 GPT-3 级别的模型具有序列结构、强局部联系，还有一个非局部的、更长的上下文。驾驶轨迹看起来也是如此：下一秒与上一秒紧密相连，而整个场景仍会改变你该怎么做。他说，这些思路正在落地于行为预测、决策、规划，以及对行人、骑车人和其他车辆的生成式仿真。

Dolgov 在公开场合明确表示，行人和骑车人是最高的安全优先级之一，包括那些没有推特账号的人。在凤凰城，完全空载的车辆已经在学校区域里行驶。硬件是第一道关口：在昏暗的住宅街道上转弯时，车灯照不到孩子可能冲出来的每一个角落，而激光雷达在全黑的环境里，和白天一样看得清楚。系统有时会比车里受过训练的操作员更早探测到这些物体。感知随后还必须能识别奇怪的姿态、奔跑中的人和部分遮挡的情况。延迟则要足够低，才能做出有力的反应。凤凰城有一个案例：一条多车道道路，时速 45 英里（约 72 公里），一名女子骑着自行车在人行道上，车辆在右侧车道行驶。她绊倒后摔进了车道。测试司机猛打方向、急刹，车停了下来。在仿真中，车载系统也做了同样的事。一个原本连在一起的人和自行车，在毫秒之间分裂开来，外观不断变化，旁边还有车流。仅仅刹车还不够。

Fridman 提出电车难题。Dolgov 把这道题当作真正的哲学问题，但作为工程规格，它是一个糟糕的题目。人类也无法回答，这恰恰是重点。人们常常会僵住，多花几毫秒去处理，最后做出可选结果中最糟的那一个。在技术栈里，你要推理碰撞的概率、严重程度和不确定性，而这些因素会塑造涌现出的行为。那种干净的思想实验几乎从不会出现。更常见的情况是，你更早就犯了错。如果你做出的是一个好的、防御性的司机，就会在环境中看到足够多的线索，从而不会把自己放进那个角落。这又回到了精确率与召回率的问题：不要在一条糟糕的曲线上做出难看的取舍，而是把曲线抬起来，让两难根本不会出现。

被问到三本书时，他先提到 Mikhail Bulgakov 的《大师和玛格丽特》。他只读过俄文版，不确定翻译后是否还能体会其中的味道。这本书你可以读一辈子：小时候读的是魔鬼造访苏联的故事，后来读出的是文化、风格，以及一种古怪的黑色幽默，他认为它捕捉到了俄罗斯精神的某些部分。第二组是 Strugatsky brothers 的作品，在他心中，他们和 Asimov、Bradbury 并列：《路边野餐》《很难成为神》《蚁丘中的甲虫》《星期一开始于星期六》。最后一本讲的是一家研究魔法的研究所，它与严肃科学有着深刻的相似之处；《很难成为神》则把一个更高级的文明放进原始世界，提出了艰难的伦理问题。他从没读过《山坡上的蜗牛》。第三本是 Orwell 的《1984》，它既是一本在他心中留下印记的书，也是他认为人人都该读的书。合上书，你会对着虚空发呆。双重思想，也就是同时持有相互矛盾的观点、无视逻辑、只坚守党的路线，总是萦绕在他脑海里。Fridman 作为一个乐观主义者，在 2020 年却感到痛心，他说社会是一场脆弱的实验。Dolgov 同意，失败的模式与其说是喷火，不如说更像慢慢煮沸。他说，那才是危险所在。

关于生命的意义，他先讲了 Asimov 的一个故事。在《最后的问题》里，人类不断向一台越来越强大的超级计算机发问：如何降低宇宙的熵。几千年、几百万年、几十亿年过去，答案始终是：信息还不够。等机器终于能够回答的时候，热寂早已发生，于是它用行动作答：重新启动大爆炸。Dolgov 不替人类发言。就他个人而言，意义是会变化的。新生儿受新的气味、声音和情绪驱动；然后是乐趣；然后是理解的快乐；再然后是回馈。孩子们也在改写他对“什么重要”的判断，他有三个孩子。他希望这些驱动是叠加的，不是彼此替代：要继续体验新事物，继续感到快乐，继续学习，继续做出贡献。他说，如果过几年再问他，他可能会多加一两条。