拼多多團購車主：說漏一句就被特斯拉拒絕了

2020年8月13日至15日，“中國汽車論壇2020”在上海舉行。本次論壇由中國汽車工業協會(CAAM)主辦，世界汽車組織(OICA)和世界經濟論壇(WEF)唯一支持。本次論壇以“新變化、新挑戰、新理念——引領中國汽車新征程”為主題，緊扣時代脈搏，尋求突圍之道，緊緊圍繞“十四五”規劃，掌控宏觀產業形勢，分析全球汽車產業發展趨勢。其中，在8月15日上午舉行的“智能網聯汽車創新發展與產業生態升級”分論壇中，滴滴自動駕駛公司首席運營官孟星發表了主題演講。以下為演講實錄:

滴滴自動駕駛首席運營官萌星

孟星:大家早上好。很榮幸和大家分享滴滴自動駕駛在過去四年，尤其是最近兩個月的一些進展和工作。

大家都知道滴滴是一個出行平臺，出行是我們的基礎，出行也是我們的基因。我們認為自動駕駛中出行的基因非常重要，因為我們最終要提供服務。無論他使用多么復雜的技術或智能能力，最終都要保證出行的體驗性、安全性和高效性。三者中，安全最重要，安全是我們做事的基因。

全球道路交通死亡事故將達到130萬起左右，這是一個可怕的數字。每天不要做什么危險的事情，只管騎車開車上路，每年會有一百多萬同胞因為這件事失去生命。這個事情一定是可解的，可解的上限是另外一個數據，就是航空。航空總量比我們日常出行低很多，但航空可以理解為它的運輸總量，低1-2個數量級，但死亡人數相差幾個數量級，而且差別非常大。

我們認為自己心中期望達到的目標，就是我們實現自動駕駛時的上限，接近航空的在線飛行。每個人的生命都很重要，這是我們做自動駕駛的初心。

這樣做本質上是一種選擇，也是一種被選擇的過程，即我們需要一定的能力和基因來實現我們想要的目標。我們認為有三個重點方向:第一，人工智能的技術。第二，人工智能技術背后的燃料是數據。第三是邊界。我們能做到多大就是我們的網絡。這三者合在一起就能支撐起這件事發生的關鍵。

滴滴做自動駕駛，任何認真做L4自動駕駛的團隊或公司，都應該做完整的自動駕駛全棧架構。我們需要建立一個完整的以AI為中心的自動駕駛全棧架構，包括在線全棧模塊，感知、定位、預測的各個部分，包括支持模塊，包括仿真系統、高精地圖，甚至背后的資質。這里的建筑并不特別。特別的是每個模塊都是獨立開發的，可以自己完成。今天的自動駕駛能力再好，也不夠好。沒有一家公司能把今天的自動駕駛能力放到我們的道路上，運行一整套運營服務。我們需要更快的迭代能力來不斷接近我的目標。近似的前提是軟件的各個模塊上下優化，軟硬件一起優化，什么都一起做。

剛才陳老師談到了長尾數據的問題。我們解決了很多事情，也就是前八九成的場景數據差不多解決了。現在解決問題還為時過早。我們其實可以用迭代的方式處理模型車在路上遇到的主要問題，把安全從車上拿下來，把測試器放在車上，不安裝測試器。我們需要解決的是長尾問題的最后1%和0.5%。長尾問題出現的概率很低。一個人開一輩子車的總里程可能是幾百萬公里，也可能是幾百萬公里，和大部分自動駕駛公司測試的里程差不多。很多長尾場景，幾千萬公里，幾億公里都沒有出現。這種場景不止出現一次，數據結構可能出現一千次，才能拿回足夠多的數據給算法系統優化……來處理這個場景。至少一個億級規模的數據系統遠遠高于這個才是合理的。

大家都說我路測不夠，因為自駕測試車輛數量有限，所以用了模擬系統。模擬可以把我們的測試里程提高1-2個數量級，也就是10-100倍，可能會到億級水平，還是不夠。仿真系統中生成的許多場景往往與現實世界中這些場景的分布不同。尤其是我們解決概率問題的時候，它的分布和它的頻率一樣重要。最終我們滴滴解決方案，除了用自己的測試車采集數據，還使用了情景設備。滴滴的網約車已經安裝了這個設備。到今年年底，將安裝100萬臺，覆蓋200多個城市。100萬套的概念，收集1000萬公里的數據，絕大多數想象中的長尾場景，分布在各地的長尾場景真實數據，一年之內大規模收集，基本上就方便了，而且不只是一次，可能幾千次，可能幾萬次。這些場景進入我們的系統，自動提取三維信息放入我們的模擬系統進行測試和模擬，讓我們的算法可以處理這些問題。如果列表很長。相對于我們的路邊數據，我們整合兩部分數據一起迭代，這是解決長尾問題的一個非常關鍵的點。

有了長尾數據，接下來你選擇在哪里操作？這一點非常重要。在L4級別自動駕駛時，區域不能一下子開到全場景。從一個地區的有限范圍，有限的天氣條件，有限的道路條件逐漸打開，然后變大。一開始開在哪里，可以讓技術滿足條件，同時有足夠的區域用于商業場景。關于

合在一起有三張地圖，第一張地圖，業務地圖，滴滴八年積累的業務數據。我們知道哪里有訂單，哪里沒有訂單，哪里可以形成閉環訂單，哪些屏幕峰值不一樣。先看商業價值。第二張地圖，看安全。滴滴歷史上這八年，哪里發生過安全事故，有多嚴重，都收集在地圖上，每個路段都有評分，用紅綠標注。三是技術能力與道路的狀態、結構狀態相匹配，比如車道是否暢通，車道和自行車道是否分開。像這樣的信息也會給道路打分。這三個一起構成了我們的戰術地圖。我們希望初步開放的區域能夠以較少的路況覆蓋更多的訂單，滿足更多乘客的需求，在有限的運力內做出更好的商業閉環模式。這是一個非常重要的區間，也是我們在使用數據時需要解決的核心問題。

有了面積，就算面積能養活我們，車輛數量也不夠。畢竟和網約車不一樣。自動駕駛汽車是一種新模式，而不是私家車。大家已經有這樣的車了，拉到網上運營就行了。新車在這個范圍內調配是一個過程，這個調配的成本很高，所以也是一樣，從小車隊到大車隊。

有限的船隊，有限的區域，很難滿足人類的出行需求。我會用什么樣的方式？我把機器和人車放在一個平臺上操作。這樣借助超大規模的人力運營網絡，結合機器，可以服務更多的乘客，機器或者自動駕駛汽車只占極小的一部分，逐漸服務更多的人。在這種情況下，如果乘客的起點和終點在我們的測試服務范圍內，那么我們可以向我們的乘客或我們的自動駕駛汽車發送這樣的請求。如果不在這個范圍內，或者天氣不好，或者自動駕駛的車沒閑著，就不可能給出租車或者人類駕駛的網絡，形成混合調度。從乘客的角度來看沒有區別。從自動駕駛的角度來說，我沒有壓力，不需要接所有的訂單，不需要做所有的事情。這種混合模式是突破這件事的一個非常關鍵的點。

剛才講了三塊，我們的D是數據，A是AI，N是網絡，三者合起來就是我們的DNA。我們認為，我們不僅需要意志和能力，還需要DNA來為自我驅動服務……g旅行，而DNA恰恰是我們擅長的。

我剛才說的是理論。從實用的角度來說，6月27日，在上海嘉定，我們正式啟動了我們在該地區的無人駕駛示范。現在乘客可以通過滴滴注冊，體驗我們的自駕體驗。面積在嘉定幾十平方公里之內，報名人數已經很多了。我們逐漸接待了我們熱情的乘客。有興趣可以來這里體驗一下。它在上海汽車展覽中心，這是我們的起點。這里實現了混合調度，乘客可以通過滴滴選擇自動駕駛或者普通網約車服務。

這是一個視頻，可以給你展示6月27日的在線狀態。歷史上自動駕駛實時直播還是很少見的，因為這還是一個很大的挑戰，尤其是那天經歷了一場非常大的暴雨。上海下雨并不罕見，但那天雨下得很大。在各種場景中測試我們的汽車通常不是我們正常的操作環境。我們非常想知道我們的極限在哪里。除了車輛的安全，我們的運營監管中心還有一個后方護送中心。

事實上，我們正在為汽車上路提供大量的安全保護。除了車上的智能，車上還有安全員，路上還有車路協同的設備。上海嘉定部署了幾公里的設備經驗。

右邊有一個安全檢查指揮中心，可以看到路上的所有信息和汽車的運行情況。右邊可以看到實際情況，也就是從上帝的角度，可以看到這個路口所有車的相互作用，以及它的整體感知。我們現在已經將對路邊的感知與對汽車的感知整合在一起，以幫助汽車做出更好的決定。

最后給大家分享兩個案例，為什么現階段的自動駕駛體驗給了更多乘客一種體驗。其實我們也是懷著好奇心在做這件事。我們認為它可以促進我們技術進步的迭代。七八個乘客體驗的信息會被放入我們技術迭代的循環中，讓我們的自動駕駛能力更接近在線服務和真實服務所需要的真實能力。

上線后，有一些場景超出了我們的預期。左邊的場景是001號乘客。我們在發布的第一天就注冊了。他是迪斯尼公園的一名舞蹈演員。她對這個世界非常好奇。他在迪士尼給來迪士尼的游客帶來歡樂。她也需要得到新的東西。她用我們的車給了我們很大的鼓勵。原來想象的，手機里的都變成了現實，甚至那些做得不夠好的事情，比如急剎車，都被認為是我們為了安全故意做的事情。他用世界的美好給了我們很多鼓勵。相比鼓勵，我們更希望批評和建議。右邊的老人已經60多歲了。第二天他開了兩個多小時的線，來到我們這邊體驗。他做過很多自動駕駛汽車，給過我們意見，說我們這個那個不好。正是因為我們的觀點和體驗，我們才能真正獲得客戶的反饋，迭代我們的需求。鼓勵和批評并存可以讓我們進步更快。

我們談到航空安全是我們的期望目標。其實最近我們經歷的是，疫情期間空乘人員做了很多工作，也是第一手了解我們在一線得到的安全需求。還搭了我們的車，很自覺。我們真的從一線最安全的行業了解到了他們的信息，給了我們很多指導和經驗。正是這些普通乘客的故事，以及他們不同的身份和背景，讓我們鼓勵自己在自動駕駛場景中不斷進步，并借此機會與同行一起推動這件事的進步。

謝謝大家！(注:本文根據現場速記整理，未經發言人審核。)2020年8月13日-15日，“中國汽車論壇2020”在上海舉行。本次論壇由中國汽車工業協會(CAAM)主辦，世界汽車組織(OICA)和世界經濟論壇(WEF)唯一支持。本次論壇以“新變化、新挑戰、新理念——引領中國汽車新征程”為主題，緊扣時代脈搏，尋求突圍之道，緊緊圍繞“十四五”規劃，掌控宏觀產業形勢，分析全球汽車產業發展趨勢。其中，在8月15日上午舉行的“智能網聯汽車創新發展與產業生態升級”分論壇中，滴滴自動駕駛公司首席運營官孟星發表了主題演講。以下為演講實錄:

滴滴自動駕駛首席運營官萌星

孟星:大家早上好。很榮幸和大家分享滴滴自動駕駛在過去四年，尤其是最近兩個月的一些進展和工作。

大家都知道滴滴是一個出行平臺，出行是我們的基礎，出行也是我們的基因。我們認為自動駕駛中出行的基因非常重要，因為我們最終要提供服務。無論他使用多么復雜的技術或智能能力，最終都要保證出行的體驗性、安全性和高效性。三者中，安全最重要，安全是我們做事的基因。

全球道路交通死亡事故將達到130萬起左右，這是一個可怕的數字。每天不要做什么危險的事情，只管騎車開車上路，每年會有一百多萬同胞因為這件事失去生命。這個事情一定是可解的，可解的上限是另外一個數據，就是航空。航空總量比我們日常出行低很多，但航空可以理解為它的運輸總量，低1-2個數量級，但死亡人數相差幾個數量級，而且差別非常大。

我們認為自己心中期望達到的目標，就是我們實現自動駕駛時的上限，接近航空的在線飛行。每個人的生命都很重要，這是我們做自動駕駛的初心。

這樣做本質上是一種選擇，也是一種被選擇的過程，即我們需要一定的能力和基因來實現我們想要的目標。我們認為有三個重點方向:第一，人工智能的技術。第二，人工智能技術背后的燃料是數據。第三是邊界。我們能做到多大就是我們的網絡。這三者合在一起就能支撐起這件事發生的關鍵。

滴滴做自動駕駛，任何認真做L4自動駕駛的團隊或公司，都應該做完整的自動駕駛全棧架構。我們需要建立一個完整的以AI為中心的自動駕駛全棧架構，包括在線全棧模塊，感知、定位、預測的各個部分，包括支持模塊，包括仿真系統、高精地圖，甚至背后的資質。這里的建筑并不特別。特別的是每個模塊都是獨立開發的，可以自己完成。今天的自動駕駛能力再好，也不夠好。沒有一家公司能把今天的自動駕駛能力放到我們的道路上，運行一整套運營服務。我們需要更快的迭代能力來不斷接近我的目標。近似的前提是軟件的各個模塊上下優化，軟硬件一起優化，什么都一起做。

剛才陳老師談到了長尾數據的問題。我們解決了很多事情，也就是前八九成的場景數據差不多解決了。現在解決問題還為時過早。我們其實可以用迭代的方式處理模型車在路上遇到的主要問題，把安全從車上拿下來，把測試器放在車上，不安裝測試器。我們需要解決的是長尾問題的最后1%和0.5%。長尾問題出現的概率很低。一個人開一輩子車的總里程可能是幾百萬公里，也可能是幾百萬公里，和大部分自動駕駛公司測試的里程差不多。很多長尾場景，幾千萬公里，幾億公里都沒有出現。這種場景不止一次出現，而數據結構ma……出現一千次，才能拿回足夠的數據給算法系統優化迭代處理這個場景。至少一個億級規模的數據系統遠遠高于這個才是合理的。

大家都說我路測不夠，因為自駕測試車輛數量有限，所以用了模擬系統。模擬可以把我們的測試里程提高1-2個數量級，也就是10-100倍，可能會到億級水平，還是不夠。仿真系統中生成的許多場景往往與現實世界中這些場景的分布不同。尤其是我們解決概率問題的時候，它的分布和它的頻率一樣重要。最終我們滴滴解決方案，除了用自己的測試車采集數據，還使用了情景設備。滴滴的網約車已經安裝了這個設備。到今年年底，將安裝100萬臺，覆蓋200多個城市。100萬套的概念，收集1000萬公里的數據，絕大多數想象中的長尾場景，分布在各地的長尾場景真實數據，一年之內大規模收集，基本上就方便了，而且不只是一次，可能幾千次，可能幾萬次。這些場景進入我們的系統，自動提取三維信息放入我們的模擬系統進行測試和模擬，讓我們的算法可以處理這些問題。如果列表很長。相對于我們的路邊數據，我們整合兩部分數據一起迭代，這是解決長尾問題的一個非常關鍵的點。

有了長尾數據，接下來你選擇在哪里操作？這一點非常重要。在L4級別自動駕駛時，區域不能一下子開到全場景。從一個地區的有限范圍，有限的天氣條件，有限的道路條件逐漸打開，然后變大。一開始開在哪里，可以讓技術滿足條件，同時有足夠的區域用于商業場景。關于

合在一起有三張地圖，第一張地圖，業務地圖，滴滴八年積累的業務數據。我們知道哪里有訂單，哪里沒有訂單，哪里可以形成閉環訂單，哪些屏幕峰值不一樣。先看商業價值。第二張地圖，看安全。滴滴歷史上這八年，哪里發生過安全事故，有多嚴重，都收集在地圖上，每個路段都有評分，用紅綠標注。三是技術能力與道路的狀態、結構狀態相匹配，比如車道是否暢通，車道和自行車道是否分開。像這樣的信息也會給道路打分。這三個一起構成了我們的戰術地圖。我們希望初步開放的區域能夠以較少的路況覆蓋更多的訂單，滿足更多乘客的需求，在有限的運力內做出更好的商業閉環模式。這是一個非常重要的區間，也是我們在使用數據時需要解決的核心問題。

有了面積，就算面積能養活我們，車輛數量也不夠。畢竟和網約車不一樣。自動駕駛汽車是一種新模式，而不是私家車。大家已經有這樣的車了，拉到網上運營就行了。新車在這個范圍內調配是一個過程，這個調配的成本很高，所以也是一樣，從小車隊到大車隊。

有限的船隊，有限的區域，很難滿足人類的出行需求。我會用什么樣的方式？我把機器和人車放在一個平臺上操作。這樣借助超大規模的人力運營網絡，結合機器，可以服務更多的乘客，機器或者自動駕駛汽車只占極小的一部分，逐漸服務更多的人。在這種情況下，如果乘客的起點和終點在我們的測試服務范圍內，那么我們可以向我們的乘客或我們的自動駕駛汽車發送這樣的請求。如果不在這個范圍內，或者天氣不好，或者自動駕駛的車沒閑著，就不可能給出租車或者人類駕駛的網絡，形成混合調度。從乘客的角度來看沒有區別。從自動駕駛的角度來說，我沒有壓力，不需要接所有的訂單，不需要做所有的事情。這種混合模式是突破這件事的一個非常關鍵的點。

剛才講了三塊，我們的D是數據，A是AI，N是網絡，三者合在一起……我們的DNA。我們認為，我們不僅需要意志和能力，還需要DNA來服務于自駕旅行，而DNA正是我們所擅長的。

我剛才說的是理論。從實用的角度來說，6月27日，在上海嘉定，我們正式啟動了我們在該地區的無人駕駛示范。現在乘客可以通過滴滴注冊，體驗我們的自駕體驗。面積在嘉定幾十平方公里之內，報名人數已經很多了。我們逐漸接待了我們熱情的乘客。有興趣可以來這里體驗一下。它在上海汽車展覽中心，這是我們的起點。這里實現了混合調度，乘客可以通過滴滴選擇自動駕駛或者普通網約車服務。

這是一個視頻，可以給你展示6月27日的在線狀態。歷史上自動駕駛實時直播還是很少見的，因為這還是一個很大的挑戰，尤其是那天經歷了一場非常大的暴雨。上海下雨并不罕見，但那天雨下得很大。在各種場景中測試我們的汽車通常不是我們正常的操作環境。我們非常想知道我們的極限在哪里。除了車輛的安全，我們的運營監管中心還有一個后方護送中心。

事實上，我們正在為汽車上路提供大量的安全保護。除了車上的智能，車上還有安全員，路上還有車路協同的設備。上海嘉定部署了幾公里的設備經驗。

右邊有一個安全檢查指揮中心，可以看到路上的所有信息和汽車的運行情況。右邊可以看到實際情況，也就是從上帝的角度，可以看到這個路口所有車的相互作用，以及它的整體感知。我們現在已經將對路邊的感知與對汽車的感知整合在一起，以幫助汽車做出更好的決定。

最后給大家分享兩個案例，為什么現階段的自動駕駛體驗給了更多乘客一種體驗。其實我們也是懷著好奇心在做這件事。我們認為它可以促進我們技術進步的迭代。七八個乘客體驗的信息會被放入我們技術迭代的循環中，讓我們的自動駕駛能力更接近在線服務和真實服務所需要的真實能力。

上線后，有一些場景超出了我們的預期。左邊的場景是001號乘客。我們在發布的第一天就注冊了。他是迪斯尼公園的一名舞蹈演員。她對這個世界非常好奇。他在迪士尼給來迪士尼的游客帶來歡樂。她也需要得到新的東西。她用我們的車給了我們很大的鼓勵。原來想象的，手機里的都變成了現實，甚至那些做得不夠好的事情，比如急剎車，都被認為是我們為了安全故意做的事情。他用世界的美好給了我們很多鼓勵。相比鼓勵，我們更希望批評和建議。右邊的老人已經60多歲了。第二天他開了兩個多小時的線，來到我們這邊體驗。他做過很多自動駕駛汽車，給過我們意見，說我們這個那個不好。正是因為我們的觀點和體驗，我們才能真正獲得客戶的反饋，迭代我們的需求。鼓勵和批評并存可以讓我們進步更快。

我們談到航空安全是我們的期望目標。其實最近我們經歷的是，疫情期間空乘人員做了很多工作，也是第一手了解我們在一線得到的安全需求。還搭了我們的車，很自覺。我們真的從一線最安全的行業了解到了他們的信息，給了我們很多指導和經驗。正是這些普通乘客的故事，以及他們不同的身份和背景，讓我們鼓勵自己在自動駕駛場景中不斷進步，并借此機會與同行一起推動這件事的進步。

謝謝大家！

(注:本文根據現場速記整理，未經發言人審核。)

標簽：特斯拉Model 3發現

汽車資訊熱門資訊