丨劃重點

1. 在事故發(fā)生頻率、事故嚴重程度、事故責任劃分等方面，國內(nèi)自動駕駛在很多場景下已經(jīng)接近、甚至在一些場景里面超越人類

2. 車輛的行為源自大量數(shù)據(jù)和行為學習，而機器學習會導致某些場景下難以對判斷依據(jù)溯源，一旦發(fā)生事故，這個問題可能凸顯出來

3. 特斯拉車輛數(shù)量和里程數(shù)較大，相關(guān)事故有可能在統(tǒng)計上占據(jù)榜首，但車輛數(shù)量多和行駛里程長，并不必然意味著技術(shù)問題

4. 全球范圍內(nèi)所有車輛都不再需要方向盤、能夠完全自主駕駛的情景，目前看來并不太可能

5. 大模型可能因為計算能力需求高而受限，在車輛上，如果要引入大模型，可能需要在其他方面做出妥協(xié)

編輯 / 趙楊博

丨概述

一場事故，再次自動駕駛和無人駕駛送入爭議的旋渦。

當?shù)貢r間8月17日，一輛自動駕駛出租車在舊金山與一輛正在執(zhí)行緊急任務的消防車發(fā)生碰撞事故，出租車一側(cè)車門被撞變形，安全氣囊彈出，車上一名乘客受傷送醫(yī)。

如果時間再往回倒推，上一次自動駕駛引發(fā)大量爭議是在2018年，一名騎行的路人被一輛Uber旗下的沃爾沃自動駕駛汽車撞擊致死，這也是全球首例自動駕駛事故。

根據(jù)美國國家公路交通安全管理局去年7月份發(fā)布的 L2 級自動駕駛事故數(shù)據(jù)報告， 2021 年 7月1日至 2022 年 5 月15日的10個月內(nèi)，有392 起事故與L2級ADS輔助駕駛系統(tǒng)有關(guān)。

作為應用在汽車上的一項技術(shù)，自動駕駛從誕生以來就備受關(guān)切，它的表現(xiàn)將直接決定了司乘人員的安全，而一旦出現(xiàn)重大安全事故，自然就會成為熱議的焦點，在追問事情真相的同時，公眾想知道的不外乎“這項技術(shù)到底是否值得信賴”，那么到底什么是自動駕駛，它的技術(shù)發(fā)展到了哪一步，在全球范圍內(nèi)應用的情況如何，事故到底會不會成為新技術(shù)普及的“絆腳石”？

8月23日晚間，亮見聯(lián)合騰訊新聞，特邀滴滴自動駕駛公司首席運營官孟醒，在線直播解讀公眾關(guān)切的自動駕駛問題，以下為直播內(nèi)容精華版（在不改變原意的情況下有所調(diào)整）：

01

自動駕駛終會比人類駕駛更安全

劉興亮：和傳統(tǒng)汽車事故相比，目前自動駕駛、無人駕駛的事故案例數(shù)量情況如何？

孟醒：首先要明確，自動駕駛尤其是無人駕駛，最重要方面之一就是安全性。自動駕駛網(wǎng)約車企業(yè)都是把“達到優(yōu)秀的人類駕駛的安全水平”作為基線標準，并在這一標準上向上突破。近幾年自動駕駛技術(shù)能力快速飛升，從國內(nèi)示范運營情況上看，實際上在事故發(fā)生頻率、事故嚴重程度、事故責任劃分等方面，自動駕駛在很多場景下已經(jīng)接近、甚至在一些場景里面超越了人類駕駛水平。但目前還是沒有達到我們設(shè)想的最完美狀態(tài)，它仍然是一項正在發(fā)展中的技術(shù)。

與此同時，全球車輛保有量眾多，每年有數(shù)以百萬計的新車投入市場，但真正上路測試的無人駕駛車輛數(shù)量可能只有百輛甚至千輛，因此產(chǎn)生的統(tǒng)計數(shù)據(jù)，在理論上還不足以對比人類駕駛并得出客觀判斷，因為測試環(huán)境和路況等因素存在局限性，可能只涵蓋了部分情況，還需要更多的努力和研究，來得出更嚴謹?shù)慕Y(jié)論。

劉興亮：去年7月份美國國家公路交通安全管理局公布了一組數(shù)據(jù)，稱十個月內(nèi)發(fā)生了392起L2級別的自動駕駛事故，其中70%的事故與特斯拉相關(guān)。這組數(shù)據(jù)說明了什么問題，與特斯拉相關(guān)又說明了什么？

孟醒：特斯拉作為一家全球領(lǐng)先的電動車公司，也在自動駕駛領(lǐng)域有著領(lǐng)先的地位。它在輔助駕駛方面的應用相當廣泛，在路上行駛的輔助駕駛車輛數(shù)量眾多，甚至可能是全球最多的，這些車輛中有很多都啟用了輔助駕駛模式，積累了大量的行駛里程。

從簡單的數(shù)字來看，特斯拉由于車輛數(shù)量和里程數(shù)較大，出現(xiàn)更多與自動駕駛或輔助駕駛相關(guān)的事故似乎也有可能在統(tǒng)計上占據(jù)榜首，但車輛數(shù)量多和行駛里程長，并不必然意味著技術(shù)問題，應該將事故數(shù)量與車輛總量和行駛里程相對比，以獲得更準確的評估。

舉個例子，一個航空公司出現(xiàn)一次墜機，大家覺得很可怕，很多人一段時間都寧愿坐車而避免坐飛機，但是放到航班總量以及總里程相對比，坐飛機一直是人類最安全的出行手段之一，事故率遠低于地面交通。

特斯拉的數(shù)據(jù)量雖然相對較大，但在自動駕駛領(lǐng)域，仍處于積累數(shù)據(jù)、不斷改進技術(shù)的早期階段，只有在充足的數(shù)據(jù)驗證下，我們才能更準確地評估其性能。

劉興亮：為什么自動駕駛新能源車的事故似乎受到了很多關(guān)注？由于事故涉及到人的生命安全因而受到高度關(guān)注，這種對自動駕駛事故的擔憂是否可能成為技術(shù)發(fā)展的障礙，阻礙其推廣和應用？

孟醒：在自動駕駛領(lǐng)域，其中一個關(guān)鍵問題是安全性。安全性考量包括客觀的事故率，這個數(shù)據(jù)會不斷地調(diào)整和改善，另一方面是主觀的安全性，人們會根據(jù)外在因素對技術(shù)有所期待，這也會構(gòu)成一種安全性（擔憂）。每個新技術(shù)的出現(xiàn)都經(jīng)歷著客觀安全性由差轉(zhuǎn)好的過程，客觀安全性變好后，主觀安全性也在變好。

以汽車為例剛剛出現(xiàn)時，人們或許對其速度和動力感到不安，隨著時間的推移，人們逐漸適應了這個新型交通工具。類似地，如今的自動駕駛技術(shù)雖然也引發(fā)關(guān)切，但這些關(guān)切可能在技術(shù)逐步成熟并得到廣泛驗證后會逐漸減少。

盡管現(xiàn)階段我們可能對自動駕駛存在擔憂，但實際上推動這項技術(shù)到達“終局”，它的表現(xiàn)將會比人類駕駛更安全。

劉興亮：從降低事故的角度來看，目前還有哪些方面做得還不太理想？

孟醒：自動駕駛與人工智能息息相關(guān)，其中機器學習起到了關(guān)鍵作用。

車輛的行為源自大量數(shù)據(jù)和行為學習，從最早的識別物體，到追蹤和預測周圍交通參與者的行為乃至根據(jù)環(huán)境判斷最佳行駛路線，而機器學習會導致某些場景下難以對判斷依據(jù)溯源，與人類制定的規(guī)則相比，它難以解釋，這種矛盾在自動駕駛事故發(fā)生后，需要追溯原因時會變得尤為明顯。正常運行時，這并不是問題，但一旦發(fā)生事故，這個問題可能凸顯出來。

所以我們需要當出現(xiàn)問題后能夠有規(guī)則來兜底。將比如在變道時，不管機器學習得出何種曲線，我們可以制定參數(shù)線作為底線。其次是在真正的事故發(fā)生后，我們能否追溯問題并確保修復。這可能會十分復雜，特別是對于某些罕見事故，可能很難驗證是否已經(jīng)修復。

現(xiàn)在，自動駕駛還遇到了一個新問題——雖然它可以在數(shù)學層面上找到最優(yōu)路線，但這條路線可能不符合人類駕駛的預期。

在駕駛中，人們更習慣與其他交通參與者進行人類化的互動，而非像機器一樣行駛，我們要確保自動駕駛更安全、更自然，需要它在各種場景中模擬不同的駕駛角色，使之與其他交通參與者更為和諧，最終目標是提高自動駕駛的人性化和適應性。

劉興亮：一說到“事故”我們就會想到“保險”，那自動駕駛領(lǐng)域目前有沒有專業(yè)的第三方來做自動駕駛保險業(yè)務？

孟醒：目前針對自動駕駛車輛還沒有一個專門的保險方案，其保險仍然還是按照傳統(tǒng)的車險模式計算的。很多保險公司和再保險公司也正在研究，在輔助駕駛模式下，保險應該如何計算，因為駕駛責任可能從駕駛員轉(zhuǎn)移到了系統(tǒng)，這使得計算保險風險變得復雜。

如果你啟用了輔助駕駛模式，那么事故責任是否還完全與駕駛員的操作相關(guān)？這是一個需要探討的問題。

02

我們已經(jīng)處在L2時代？

劉興亮：前面提到的這個“終局”您覺得什么時候能到來？

孟醒：我們認為全球范圍內(nèi)所有車輛都不再需要方向盤、能夠完全自主駕駛的情景，目前看來并不太可能。目前這種愿景在技術(shù)和經(jīng)濟層面都存在不合理性，某些地方可能更適合人類駕駛。

在這種情況下，一種可能性是在不同區(qū)域中實現(xiàn)混合交通，一部分車輛由人駕駛，另一部分由機器駕駛。

雖然很難準確預測何時會達到這個終局，但與兩三年前相比，行業(yè)對這個愿景卻表現(xiàn)的更期待。在某些場景中，我們已經(jīng)在實現(xiàn)在主駕駛或全車無人的情況下，車輛能夠在一些區(qū)域內(nèi)自主行駛。盡管相較全球所有的道路，現(xiàn)在可能還只是覆蓋1%，但這表明了技術(shù)路線是完全可行的。

我們的目標是不斷擴大自動駕駛的操作范圍，即Operation Domain Design（ODD-運行設(shè)計域）。這個概念不僅涵蓋了物理道路，還包括了天氣、溫度、車流密度等條件，雖然現(xiàn)在ODD的范圍還相對較小，但我們的目標是逐步擴大它。

編注：運行設(shè)計域( ODD ) 是一個術(shù)語，表示自動化系統(tǒng)的一組操作條件，通常用于自動駕駛汽車領(lǐng)域。這些操作條件包括環(huán)境、地理和時間限制、交通和道路特征。制造商使用 ODD 來指示其產(chǎn)品將在何處安全運行。（李正元; 納耶爾，納西夫；加西亞，丹森·埃文；阿格拉瓦爾，安庫爾；劉冰冰（2020 年 10 月）。“通過評估風險確定自動駕駛系統(tǒng)的操作設(shè)計領(lǐng)域”。2020 IEEE智能汽車研討會（IV））

過去我們談無人駕駛可能會開玩笑地說“永遠是五年之后”，但隨著技術(shù)進步，已經(jīng)能夠看到現(xiàn)在在一些區(qū)域內(nèi)，車輛已經(jīng)實現(xiàn)了自主駕駛的能力，這已經(jīng)是一個很好的跡象。

我們將很快在一些區(qū)域內(nèi)看到無人駕駛的廣泛應用。雖然不會覆蓋所有區(qū)域，但對于大多數(shù)人來說，這已經(jīng)是一個很實用的技術(shù)，所以實現(xiàn)這個目標可能會比我們想象的要早很多很多。

劉興亮：美國國家公路交通安全管理局的報告中提及了L2的概念，那么行業(yè)是如何具體對自動駕駛進行分級的？

孟醒：最初是美國的國家公路交通安全管理局（NTHSA）提出的，有兩個協(xié)會跟進，形成了不同級別的標準，標準制定已經(jīng)有數(shù)年時間，但有時并不完全適用，比如很多年以來一直在討論的L3階段，很多人認為實際并不存在。

編注：按照SAE（美國汽車工程師協(xié)會）的標準，自動駕駛汽車視智能化、自動化程度水平分為6個等級：無自動化（L0）、駕駛支援（L1）、部分自動化（L2）、有條件自動化（L3）、高度自動化（L4）和完全自動化（L5）

自動駕駛分級圖，來源：網(wǎng)絡(luò)

L2是普通輔助駕駛，人為主，車為輔，你需要隨時準備接管車輛控制，但車輛可以輔助駕駛。L3標準在不同地方口徑不一，大致意思是在某些場景中你可以脫手甚至脫眼，但人需要隨時待命，車輛會隨時通知你接管。L4是取消司機的角色，也就是人類永遠不需要操心接管，但是車只能在一部分ODD或者場景中行駛。L5是最高級別，就是全場景的L4，車輛可以在全場景下完全自主駕駛。

自動駕駛具體在應用、運行過程中，有一些責任和規(guī)則限制。例如，在L4級別中，不需要有人類司機在車內(nèi)，而車輛遇到無法處理的情況時應該有遠程協(xié)助，或者安全停車等待救援。但L3在實際落地中的定義有點模糊，它介于兩者之間，有些國家認為L3的責任在系統(tǒng)，有些國家認為依然在駕駛員。L3這個定義從法規(guī)，從產(chǎn)品設(shè)計，從用戶預期上和用戶接受上都是有挑戰(zhàn)的。

從實際的情況來看，L2和L4的分界是更清晰的，分別對應輔助駕駛和無人駕駛。從我的角度看，這兩者是不同方向的產(chǎn)品，不是絕對的遞進關(guān)系，也就是說，不能單純認為L3比L2好，L4比L3好這樣的關(guān)系，比較好的表達是，L2和L4是針對于不同需求的兩個產(chǎn)品，各自在不同情境中發(fā)揮作用。

從某種程度上，L2就像互聯(lián)網(wǎng)TO C產(chǎn)品，主要關(guān)注于提供C端用戶相對體驗，而不僅僅追求絕對的安全和效率。而體驗好壞從某種程度上是個性化的，是和這個司機對于這輛車的L2系統(tǒng)熟悉程度相關(guān)的。相較之下，L4更像是互聯(lián)網(wǎng)的TO B產(chǎn)品，它更注重絕對標準，在安全上和效率上要求達到人類水平甚至超越，才能移除駕駛員，實現(xiàn)商業(yè)化運營，這兩者的關(guān)注點略有不同。

劉興亮：目前主流的廠商的自動駕駛都是什么水平上，車企集中在L3級別嗎？

孟醒：應該反過來看，做L2和L3的公司主要以車企為客戶，交付的是一套軟硬件方案，商業(yè)模式是把這套方案賣給車企，車企再賣給購車的用戶。而與此相對的是做L4的公司主要以用戶為客戶，交付的是運力，商業(yè)模式是通過提供運力給用戶來收費。L4通常賣的不是一個一次性產(chǎn)品，而是賣的長期持續(xù)的服務。我們關(guān)注服務的全流程，從軟件，硬件，系統(tǒng)，到包括遠程協(xié)助，訂單流轉(zhuǎn)，車輛運維等等的整個體系。

劉興亮：按照自動駕駛的分級，我們距離L2，L3，L4，L5時代有多遠？

孟醒：我認為L2和L3在高速上已經(jīng)實現(xiàn)了高效可靠的產(chǎn)品。但將L2應用到城市環(huán)境可能需要很長時間，因為城市環(huán)境非常難，L2在城市中里面的難度甚至和L4會很接近。某種程度上，它們可能會一起實現(xiàn)。

當前，L4自動駕駛企業(yè)更關(guān)注幾個方面：

首先，能否更快地將已有技術(shù)擴展到更多區(qū)域。過去自動駕駛運營范圍已經(jīng)快速擴大，我們還需要將這個數(shù)字再翻十倍甚至更多，這也意味著需要更多的自動駕駛車輛；第二個關(guān)注點是降低成本，我們要在保持技術(shù)能力的同時，將自動駕駛車的成本降低四到五倍，甚至更多；最后一個關(guān)注點是自動駕駛拓展區(qū)域，如今我們?nèi)匀辉谔幚磔^容易解決的問題，但終究會碰到天花板，到那時解決問題就會變得非常困難。

03

謹慎“蹭”大模型

劉興亮：今年大模型、ChatGPT大火，現(xiàn)在也有一些車企也開始提出“汽車大模型”的概念，這自動駕駛行業(yè)來說會什么幫助？

孟醒：在AI行業(yè)，對于熱點詞的過度使用很常見的，我們需要謹慎對待。大模型作為一種有用的工具，尤其是基于Transformer架構(gòu)的預訓練語言模型，如GPT。但大模型并不能解決我們當前面臨的最迫切的問題，它解決的問題也大多不是最重要的瓶頸。

基于Transformer的與訓練模型在自動駕駛的感知和預測領(lǐng)域早已有了一定的應用，盡管可能稱不上是“大”模型。在云端訓練環(huán)節(jié)，比如在仿真系統(tǒng)中，可以生成豐富的場景，有助于構(gòu)建場景庫。此外，視覺感知中的一些通用模型，如分割模型，也有實際應用，但主要用于數(shù)據(jù)標注等領(lǐng)域。

在實際應用中，大模型在車端的使用會很謹慎。大模型可能因為計算能力需求高而受限，在車輛上，如果要引入大模型，可能需要在其他方面做出妥協(xié)，這需要仔細權(quán)衡，是否值得引入這種妥協(xié)來解決特定問題。此外，大模型的訓練需要顯著的算力和資源投入，這也涉及大量的成本，效果也不能確定。

沒有公司會錯過大模型的技術(shù)發(fā)展以及所帶來的機會，但它并不是解決當前主要瓶頸的最佳手段。我認為，大模型是很“嚴肅”的技術(shù)，值得認真投入研究和努力，需要更長周期地投入，真正在自動駕駛領(lǐng)域用好可能需要更長的時間。

劉興亮：有研究機構(gòu)表示現(xiàn)在自動駕駛的創(chuàng)業(yè)公司平均每個月消耗160萬美元，你們怎么評估這個數(shù)據(jù)，哪個環(huán)節(jié)是最“燒錢”的？

孟醒：自動駕駛是人類工業(yè)史上最投資密集的領(lǐng)域之一。特別是在L4級別自動駕駛領(lǐng)域，投入是非常龐大的，因為自動駕駛不僅涉及到硬件，還包括車輛上的各種傳感器、決策系統(tǒng)、規(guī)劃系統(tǒng)，以及與云端的連接，還有法規(guī)認證等一系列環(huán)節(jié)。

例如，通用汽車的財報顯示，其無人駕駛團隊去年投入了近30億美金。雖然投入巨大，但出于潛力考量，很多公司還是愿意投資。即使無人駕駛在網(wǎng)約車滲透率只有10%的情況下，也有可能引發(fā)巨大的變革，將本來低毛利的領(lǐng)域變?yōu)橄裨品找粯拥母吒郊又殿I(lǐng)域，但這需要高密度的人才和資本支持。

自動駕駛確實需要很多前期的投入，很大一部分的投入是人才，大規(guī)模的團隊需要雄厚的人才儲備。此外測試環(huán)節(jié)也是成本比較高的地方，需要大量的測試車和數(shù)據(jù)處理。

劉興亮：如今融資企業(yè)數(shù)量增加，但融資總額下降，是不是說明資本對于自動駕駛的熱度在下降？

孟醒：自動駕駛是一個前所未有的行業(yè)，歷史上很少有行業(yè)在產(chǎn)品大規(guī)模推出之前就吸引了如此多的融資。

從概念誕生到現(xiàn)在，自動駕駛行業(yè)已經(jīng)經(jīng)歷了從百花齊放到逐漸收斂的過程。無論是因為優(yōu)質(zhì)的產(chǎn)品、卓越的資源整合能力，還是出色的技術(shù)創(chuàng)新，最優(yōu)秀的企業(yè)最終會脫穎而出，這也是常見的發(fā)展路徑，行業(yè)在發(fā)展的過程中會逐漸趨于穩(wěn)定，優(yōu)勝劣汰也會出現(xiàn)。

自動駕駛之外，在許多初創(chuàng)行業(yè)中，過去幾年融資情況都呈現(xiàn)出相似的走勢。近兩年的融資數(shù)據(jù)顯示，大部分行業(yè)在2021年經(jīng)歷了一個高峰，隨后在2022年有所回落，這也符合大環(huán)境的變化。

在一個像自動駕駛這樣不具備即時盈利的行業(yè)，吸引大規(guī)模融資是積極的信號。在資本市場遇到寒冬的時候，但仍傾向于投資這一領(lǐng)域，也說明了自動駕駛的潛力，大家對行業(yè)的信心。

04

低成本的量產(chǎn)車很關(guān)鍵

劉興亮：您之前提到自動駕駛出租車有指定區(qū)域，指定區(qū)域是什么概念，未來在什么樣的情情況下可以跳出指定區(qū)域？

孟醒：指定區(qū)域作為自動駕駛測試區(qū)域，遵循法規(guī)要求，涵蓋一定的物理范圍和特定道路，可能還受到天氣等因素的限制。

我們的策略是在指定的區(qū)域內(nèi)實現(xiàn)L4級別的自動駕駛，而即便是普及L5級別的自動駕駛需要更多時間，但在特定區(qū)域內(nèi)限制范圍內(nèi)卻可行的。然而，即便是L4級別自動駕駛，假設(shè)面臨著上萬個任務需要解決（比如是要先解決灑水車突然側(cè)向噴水所帶來的識別和躲避問題，還是先解決冬天井蓋中冒熱氣對行人遮擋的問題），但實際資源和時間只允許我們集中在其中的一小部分，因此我們的方法是根據(jù)技術(shù)難度和經(jīng)濟價值來確定優(yōu)先級。

比如，優(yōu)先考慮指定區(qū)域是否適合安全高效的自動駕駛，是否有足夠的網(wǎng)約車需求；優(yōu)先選擇在技術(shù)難度低，同時經(jīng)濟價值高的區(qū)域優(yōu)先發(fā)展自動駕駛能力，以確保了產(chǎn)品的高質(zhì)量和經(jīng)濟效益。

滴滴首先是一個有人駕駛的網(wǎng)約車平臺，經(jīng)歷了11年的時間發(fā)展，這是我們的另一個優(yōu)勢，我們可以在有人駕駛平臺的基礎(chǔ)上植入自動駕駛技術(shù)，這種混合派單，可以保證用戶體驗不受影響，從而逐步實現(xiàn)無人駕駛服務的擴展。

正在進行測試中的無人駕駛汽車內(nèi)飾 來源：網(wǎng)絡(luò)

劉興亮：目前在滴滴的自動駕駛出租車只是一個很小的業(yè)務補充，有沒有計劃提升自動駕駛出租車在服務中的占比？

孟醒：量產(chǎn)車是一個比較關(guān)鍵的節(jié)點。因為只有量產(chǎn)才伴隨車輛成本的下降，才能規(guī)模投放。我們正在和合作伙伴推進量產(chǎn)無人駕駛新能源車，計劃在2025年開始量產(chǎn)，初期的一批量產(chǎn)車可能會分步地投放到不同的地方，逐步去提升比例，而不是集中在一個小區(qū)域。

過去，自動駕駛車輛占網(wǎng)約車比例高是一件難以想象的事情。然而，根據(jù)公開數(shù)據(jù)，像Waymo、Cruise這樣的公司在美國的舊金山的測試車大約700多輛，而該市的網(wǎng)約車總量大約在8000到1萬輛。測試車輛的比例已經(jīng)7%-10%，這個數(shù)字已經(jīng)不再遙遠。

劉興亮：除了網(wǎng)約車，滴滴自動駕駛還有別的商業(yè)化探索嗎？

孟醒：我們兩年前啟動了一個業(yè)務孵化器，第一個孵化的業(yè)務是自動駕駛貨運KargoBot，專注于自動駕駛干線物流。

今年4月我們正式向公眾推出了這個業(yè)務，該業(yè)務主要圍繞高速、國道場景，使用自動駕駛重型貨車，在 國內(nèi)西北、華北等地區(qū)進行大宗商品的運輸。每輛車可承載幾十噸的貨物，覆蓋了礦山、發(fā)電站和原材料生產(chǎn)廠等需求地點。

干線物流是一個巨大的市場，甚至可能比整個網(wǎng)約車市場規(guī)模還要大，它與網(wǎng)約車不同，更多在一些固定線路上進行，似于定向物流，我們能夠準確預測一年內(nèi)有多少車輛將從何處出發(fā)，到達何地。

劉興亮：對自動駕駛未來有哪些展望，對那些期待自動駕駛的消費者們有什么想說的？

孟醒：自動駕駛行業(yè)的發(fā)展還有很長的路要走。雖然我們?nèi)〉昧艘恍┏煽?，但距離我們設(shè)想的目標還有相當大的差距。

不僅僅是我們，整個行業(yè)都需要更多的支持。除了我們內(nèi)部團隊、投資人和政府的支持外，我認為公眾的支持也非常重要，希望大家能對這個行業(yè)保持好奇心，也希望大家嘗試體驗我們提供的一些自動駕駛業(yè)務。另外，如果可以的話，也請給予我們一些寬容。如果我們做得不夠好，或者進展沒有像大家預期的那么快，希望大家能夠理解。

生成海報

免責聲明：此文內(nèi)容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權(quán)歸作者所有，且僅代表作者個人觀點，與極客網(wǎng)無關(guān)。文章僅供讀者參考，并請自行核實相關(guān)內(nèi)容。投訴郵箱：editor@fromgeek.com。

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。