做了10年Robotaxi，小马智行首次入局RoboVan

一凡 发自 副驾寺
智能车参考 | 公众号 AI4Auto

做了10年Robotaxi后，小马这次把舞台C位留给了一辆无人轻卡。

△左为小马智行创始人、CEO彭军，右为小马智行创始人、CTO楼天城

这是小马智行在北京车展上发布的RoboVan，意味着其正式杀入万亿级城配市场。

最近两年，无人城配赛道持续火爆，以此起家的九识、新石器和白犀牛，吸金数十亿。但这些玩家，打造的产品都是无人小车，一般长这样：

△图片由AI生成

这种小车没有驾驶舱，体积不大，1辆车的装货量和咱们常见的面包车差不多。而小马的轻卡，容积更大，官方估计是小车的3倍多。同时可以看到，这款轻卡还保留了驾驶舱。

所以在外界看来，小马入局城配的方式，多少有些特别。

为什么小马智行要选择用轻卡入局城配市场？

又为什么是此时此刻？

小马新十年：Robotaxi成本下探，打通物流闭环

小马发布新业务的前提，是其基本盘有了新突破。

小马透露，其最新版Robotaxi的整车成本，已下探至23万元以内，低于1辆Model 3的售价。

要知道，去年小马七代车投入运营后，就已在广州和深圳，实现了单车盈利转正，如今成本进一步下探，意味着向商业化闭环，又迈了一步。

这也说明，小马Robotaxi的软硬件方案基本成熟，进入可复制阶段，甚至有了进一步向其他场景外溢的可能，比如无人城配。

货运其实也是小马的专长，早就在西北运营了卡车编队，最新四代车实现了“一拖四”——即一个司机，后面跟着4辆无人重卡。

不过该业务，更多地是服务物流网络的大动脉，运输大宗商品。而现在，小马进一步深入到城区的毛细血管中，打通物流闭环。

不过前面提到，小马做城配没有小车，而是基于宁德时代的坤势商用车底盘，用车规级自动驾驶套件，打造了一辆无人轻卡，载货量是18立方米，相当于30台双开门大冰箱的体积，*货运成本是传统货运方式的一半，目前计划落地的场景有商超、冷链和快递。

据小马智行创始人、CTO楼天城表示，小马此时入局城配，既是因为这个赛道的商业化成熟了，同时也是因为技术上做轻卡和重卡，没有本质区别：

Robotruck和Robotaxi的技术，有80%左右共享，轻卡只会更多，一些极端场景，其实都是共享的。

那为什么要用轻卡而不是小车？这其实是市场现状决定的。

楼天城透露，小马此前统计过城配市场不同车型的数量，其中轻卡占据的市场份额最大，所以小马选择以轻卡入局，将自动驾驶技术，引入新的场景。轻卡的软件和运营网络，直接就能复用Robotaxi的能力。

所以说，小马做城配、造轻卡，其实是过去的积累，向另一个场景迁移，技术底座更加通用。这也是最近的行业趋势，一个自动驾驶玩家，不再局限于单个商业化场景，而是迈向了多元化。

在轻卡发布会后，智能车参考等还对话了小马智行创始人、CTO楼天城。

对话楼天城：AI下一阶段发展的两个方向

Q：世界模型有没有一个够用的精度，或者说是不是和真实世界越接近越好？

楼天城：首先是世界模型精度，它最直接的表现就是它训练出来的AI司机表现的好坏，其实就是形容他精度的标准，它的本质确实是跟世界越接近越好。但是这个接近不光是极端场景能够跟真实世界一样，更多的是概率分布，就是一件事情出现的概率要和真实世界很接近，还有大家的交互。开车是一个交互行为，互相之间挤一下车这种行为也要和真实世界很接近，这个我们叫精度高，是一个非常全面的定义。这是为什么人有的时候慢慢对精度到底高不高失去判断力了，这也是今天2.0的核心。

其实2.0的本质是说这个世界模型精度有一些不太好的地方，人有的时候判断不出来，但是AI可以做准确的判断。比如说你的世界模型里其他车变道都太激进了，你应该稍微收一点，它能做出这样的判断，这是2.0日常工作的一部分，就是它自我判断出哪里不好，然后改进。

Q:世界模型2.0有没有什么限制？

楼天城：它的限制其实也很明显，比如说他说我要收集一下这个版本路上的情况，这件事情必须要人来做，因为它自己没有办法拥有这个车，不掌握车钥匙，我拿着车钥匙，我要帮他做好这些测试，包括收集反馈的过程，他自己并没有办法完全完成，他是在人的辅助之下，比如说他会说我要这么做，但是这些工作需要人来完成，我通过这个动作把这件事情做好。这里其实也是一个一开始对我有冲击，但我已经接受很久了，各位可能还会有冲击的一个点，我们很多研发的关键部分是AI驱动的，他给我安排任务。当然这个更多只是在研发上，今天我说什么不是他安排的，都是我自己想的。

因为它需要人的帮助，在人的帮助下能够非常接近的解决各种case，让case跟实际情况完全一样。它的上限至少我还没有完全看到，它的上限是非常高的。

Q：小马世界模型2.0的意图层是怎么实现的？

楼天城：我解释一下意图层这件事情。意图层指的是训练过程当中的意图层，而不是开车过程当中的意图层，开车过程当中有在线强化学习，这也是新的技术，但是这个各家都会用一些，不是我们宣传的主要内容，简单来说是有的，但是亮点不在里。

我们的意图层是一个生成型的意图，因为在某些场景上，有很多其他的车甚至是其他的人，我先强制说这些人、这些车是什么意图，然后开始开。在这个场景当中，我可以穷举所有其他物体的意图组合，让车在所有组合当中一个判断，这个是我们世界模型做意图层的关键。

这个好处有点像多元宇宙，就是人开车的时候我会对人周围每个物体的意图做一个判断。但是其实我们自动驾驶车不是这样开的，而是对所有的意图组合做一个综合评价，然后判断怎么开。他脑子里会做左右的组合，然后看哪些组合是我需要小心的，然后它去开，这也是它开的比人安全的另外一个表示。

但是有一点，这个意图必须要在虚拟世界生成，因为我可以先生成意图，然后反向说这个意图下其他车要怎么开。

Q：这个意图是在训练层，如果说落到车端的执行层，中间会有很大的延迟，这个怎么去解决？

楼天城：车在执行的时候只有车辆模型，它会以在他训练时的方式，估计一个其他车意图的分布，然后它做一个它的判断。因为它在训练的时候也是这样的，因为训练的时候也不会告诉它说是哪一个意图，它也是根据意图分布做一个判断，其实两者是一样的状态。

我们觉得开车中的意图是更核心的层面，人开车是通过意图来决定怎么开的，这个大家都有开车习惯，都会了解这一点。比如说相比语言，语言并不是开车当中很核心的东西。我相信很多年以后再看，如果真能留下一个layer，肯定留下的是意图层而不是语言。因为人开车的时候不会想着语言的，这也是意图的一个点。非常感谢您提到意图层这个点，意图其实是一个多元宇宙的概念。

Q：有一些Robotaxi的用户反馈，比如说在高峰时段，Robotaxi的效率相对低一些。您认为这是一个技术问题还是什么问题？

楼天城：这正是我们过去半年、一年主要提升的方面。在上个季度财报的时候我们也说过，比如说我们在广州、深圳已经达到了单车盈利模型转正，这个最关键的就是能在高峰期、市中心让大家满意我们的车，就愿意打我们的车。其实车的满意度是非常关键的，因为满意度直接影响到单量，大家愿不愿意打这个车，这是我们最近提升的最重要的几个方向。

简单来说，这确实是一个需要技术攻克的点。最终通行效率这件事情不可能说像安全那样比人高很多，只是说大家达到差不多的状态，甚至有的时候稍微差一点的状态，这是因为有一个因素。正常路上的人，对无人车和有人车之间是存在双标的，他更不愿意接受无人车犯错误。这个时候总要稍微谨慎一点，但是这个谨慎可能会影响到你的效率。就是同样这样开，人开可以的，但是自动驾驶他会骂你的。所以会稍微差一点，但是不会差到让大家不满意。这也是大家都说我能做自动驾驶，我有几辆车，我能运营，但是这个差别到商业上就是巨大的差别。

Q：物理AI跟汽车的虚拟模型，或者说他们两个的世界模型同样去做物理世界赋能的时候，有什么关键性的区别和差异？

楼天城：我猜想你问的问题是物理AI和自动驾驶的差别。物理AI就是训练具身的环境。具身今天很多应用还在早期，大家看到很多机器人还在DEMO状态，如果说有一天走到应用的时候，具身也需要一个物理世界模型做训练，也会走到这一天的。你可以认为自动驾驶是一个最早期的具身应用，他更早的走到应用世界模型的状态。但是具身的世界模型需要更多的物理定律。大家知道自动驾驶只要车不撞就可以，我根本不用管太多撞了怎么样。但是具身中的物理接触是更多的，而且它是明显有多维度，这个维度指的是除了视觉之外，还会有听觉以及其他的感觉，所以它需要更长的时间，这也符合现在具身发展的阶段。

Q：英伟达年初开源了一个世界模型，有一些人直接就说没有用，您有什么看法？

楼天城：世界模型也是不同的意思，世界模型也分为以生成为主的，以交互训练为主和物理世界为主的，英伟达是生成为主的世界模型，而我们应用是用于训练，所以我们不会直接买来用，但是有其他用于生成的人还是很有用的，还是因为它有不同的用途，它不是我们这一支的用途。

Q：关于Robotaxi，今年我们看到越来越多了车企，尤其是L2的厂商现在都开始在谈，这个会影响到小马的全球化，你们会不会在量产上加快？是不是会有更多量产车出来？

楼天城：首先我们拥有多款车型也是我们平台的优势，我们同一款方案可以放在多个车型之上，大家知道Robotaxi也有一些本地的特点，比如说本地更想打本地的车，这也有这方面的考虑，是我们主要的点。

关于量这件事情，确实现在有很多玩家开始进入Robotaxi市场，但是另一方面也看到，大家的技术路线，大家都在提基于世界模型的强化学习，相信各位听过很多这样的消息。其实从路径上来说，大家也都走的传统Robotaxi公司相同的路径，换句话说，至少L2很多已有的积累，在他L4上没有提供任何帮助。比如说L2说我有更多真实数据，其实大家都在真正按照L4的发展走这条路，换句话说不做L4的公司也可以走这条路。

另外一个维度，在今天L4当中，车的驾驶能力，AI能力，安全性是真正影响它能不能铺开的关键，造车的能力我不是说它很容易，这个Knowhow相对是一个更广的范围，所以我认为造车本身是可以通过合作来做到的，造车本身并不是影响你车队规模能做多大的关键因素。

Q：那关键因素是什么？

楼天城：车的AI驾驶能力和它的安全性，才能决定有没有能力上很多的车，而提升安全驾驶能力需要走的是L4整个强化学习或者是世界模型这条道路。大家都愿意走，说明这个行业得到了很多关注，另一方面，所有玩家已有的积累帮不到走这条路，所以大家要按照这条路慢慢走下去，这是我们看到的趋势。就是说他没有任何道理比L4从0做到1000少任何一个步骤，任何一家L4公司从0走到1000，要走过的所有步骤，L2公司也都得走一遍。

Q：我有两个小问题想问一下，您怎么看现在小鹏也开始做Robotaxi，以及Robotaxi这个赛道现在小马已经看到了盈亏平衡点，但是我们还没有在这个领域找到很可靠的商业化轨道，您怎么看待这个领域未来的趋势以及什么时候Robotaxi能够走进我们日常？

楼天城：其实这也是Robotaxi最有意义的特点，比如说它跟传统的APP，跟ChatGPT最大的不同，大家的体验需要物理接触体验。我跟你说这个APP很好用，去聊聊天，你打开一个网页就可以看了。但是我说这台车开得怎么样，你需要真正体验一下，这是所有物理世界应用的特性，这个并不会因为自动驾驶而特殊，所有物理世界都有这个特性。

它带来的特点其实您提到了，它占领用户心智需要非常长的时间，不是说一铺开所有人都开使用了，所以我们为什么要一个个城市去铺，一步一步去接触用户，是这个过程。还有一个好处，后来者如果想要去进入也需要这个过程，他没有办法像互联网那样，一夜之间传播到所有人。这是物理AI应用的特色，需要更长的时间，达到更大的规模，优点是它一旦达到了，它的护城河会更强，这其实也是它的一个特点。

我们说的都是Robotaxi，都是指无人的，究竟有没有本事做到几百辆、几千辆，不是说你能不能生产出1000辆车，根本还是说你的车安全性够不够，你放这么多车路上不会出事故，不会被人骂，这才是关键。

Q：我的问题是现在技术路线好像都是向世界模型强化学习去收敛，有很多家车企都表示他们是通过同一个架构由L2进化到L4，在这个阶段您还认为从底层技术来说L2和L4是不同的物种吗？

楼天城：刚刚我的解释是从产品角度来说的，就是L2和L4在产品上有区别，L2做的好了之后会出问题。下面我从技术上来说这两者之间的差别。

技术上，只要关注一点，L2其实技术上大家经常脑子中想的给L4的帮助，进化的说法更多是指数据，就是说我车能采集很多数据来帮助L4。但是其实问题也很明显，L4到后期的数据是靠虚拟数据，靠合成数据。而在这个状态下，过度依赖真实数据甚至是负面的。这导致L2积累的最关键优势帮不到L4真实的进展。如果说你要做L4，也是要按照L4的方式，比如说做世界模型，做强化学习全部走过一遍，这个任何一家公司做并没有明显的差别。

我是从这个角度来说，我不是说L2公司进不到L4，而是说这个路线本身。

Q：小马智行成立业有10年了，您觉得10年间自动驾驶行业最大的认知纠偏是什么？

楼天城：我觉得可能就是世界模型这件事。我们是2020年开始做的世界模型，我们最早对外宣传是到了2024年，因为之前几年大家在疫情中，我们就没有说那么多。应该说在我刚说的时候，很多人会觉得我是一个另类，大家都是用采集真实数据来做模仿的，什么时候不用模仿开始用仿真了，开始用模仿学习，开始用自学的方式了。但是今天已经没有人这么说了，今天所有人都在说世界模型。其实这也是更多行业外的同事愿意接受的过程，这也给了他很大的帮助。

但是这个对人冲击是很大的，你需要接受一个事情，就是你作为一个老师教学生，教着教着学生比你强了，你就不要再下手教了，最好给学生创造环境，创造条件让学生自己变好。这种对人有的时候是有冲击的。但是这个行业很好，大家都接受了这种冲击，意识到人的不足，意识到了人跟AI的配合应该怎么做。

这里我也有点感慨，AI刚刚出现的时候有一个图灵测试很著名，图灵测试是什么意思？就是说我一个人坐在中间，左右两个，一个是AI，一个是人，我能不能区别哪一个是人，哪一个是AI。图灵测试的意识是AI要像人，但是我反问，如果说AI超越人了，图灵测试是应该能够区分AI和人的，因为好的那个是AI，差的是人。这么多年，大家大家并没有接受AI很多方面能超过人，没有想到自动驾驶过去10年，很多人接受了这件事情，这个还是非常感激，大家非常开放的心态。图灵测试今天是失效的，因为好的是AI，差的是人，这个可能可以回答你的问题。

Q：那不是可以进行反向图灵测试？

楼天城：人可以反过来判断，就是说话突然之间会脑抽的是人，一直很有逻辑的是AI。今天大家跟聊天工具聊就会有感受，我问你一个什么问题，还不如问AI工具，这个现象很明显。

Q：了解到像今年很多无人驾驶公司会推出一些无人前装量车的车，今年我们也发布了全车规、全冗余L4级无人驾驶轻卡。咱们是怎么做到这一点的，其中的难点是什么？

楼天城：从根本点来说，我们意识到了轻卡和Robotaxi之间的相同之处。大家知道轻卡是2-5吨的，不是非常小的那个车。它实际运营的场景都是正常道路，从集散地到集散地的道路，这个道路和路上打车是非常接近的，大家走的是一样的路，一样的要求，一样的车，一样下雨，所有的问题都是一样的。应该说这是我们找到的Robotaxi这个技术场景最好的延伸方向。它的难点和关键点和Robotaxi是一样的。

至于说车规和冗余这件事情，是因为我们从Robotaxi的经验知道，这台车既然在路上跑，大家对它的安全要求肯定是很高的，应做的事情都需要做到。所以我们决定一步到位。我们没有说一步一步，先做没有冗余的，先试错。我们就想按照它应有的安全标准设计这款车。所以它是最好的沿袭小马智行已有的优势，做的直接的商业拓展，主要是从这方面考虑。

Q：关于物流车，今天我们发布的轻卡，包括京东也在做24方的无人车，是没有车头的。咱们为什么做这样的设计，咱们准备怎么去做轻卡的无人驾驶？

楼天城：提到无人物流车，我还是从监管说起，今天对物流车现在也有更标准化的监管出来了，最近也出台了对物流车的监管，对什么样的人能上什么样的道路，有了更加明确的规定。你看物流行业，特别是城际的物流，其实能够上一定的快速路是非常重要的，不是通过羊肠小道过不去的，他是一路上40、60、80的时速在跑的，这种情况下，我们要的是一辆能够很好的车，它是一辆正常人能开的车。这说明它在各方面的稳定性、安全验证是通过标准的。

所以我们希望从有车规或者说标准的方式来进入这个市场。而且我们也相信随着监管以后变得越来越严格或者是越来越标准化之后，我们能够开上这样道路的车，在整个运输中应该能够有更大的发挥空间。

Q：为什么没有做更小的车？

楼天城：我们认为轻卡是最大的市场，我们也做过统计不同车型的数量，这个车其实是市场上运载量最大的，而且明显比第二大很多。可能唯一能跟它比的就是卡车和Robotaxi。

Q：我感觉小马一直在强调的是云端的世界模型训练环境，从第一代到第二代，我不知道是不是对你们来讲，车端是什么架构，什么方案没有那么重要？

楼天城：首先我相信车端各家都是已经是端到端的状态了，不是端到端的话，也不好意思说自己是L4了。单从highlevel的不同其实已经不太明显了，所以更多的不同点是在训练范式1.0和开发范式2.0，这是主要的差别，所以我更多把重点放在能体现出差别的地方。

说到车端的问题，刚刚讲到的意图也是车端的一个特色，但是它也是因为训练范式1.0不同给到它的一个优势。回答你的问题，如果说车端的话，单从highlevel，其实大家基本都已经是端到端的状态了。

Q：这个端到端是CNN的还是Transformer的？

楼天城：肯定早就以Transformer为主了。但是它的很多训练的决定是由模型决定的，这个结构很多东西需要人去确认，但是它的很多优化部分是靠模型来做的。这个叫模型训练模型，我先整一个世界模型它来训练，这个里面的很多结构是AI参与决定的，所以并不是人来做的。但是简单来说，肯定不可能是在CNN，而是偏Transformer为主。
看得出你关心这个方面，但是这个在L4领域，好几年前就是这个状态了。

Q：但是圈内也有人把车端的模型叫做世界模型，这个怎么理解？

楼天城：我觉得是误解。或者说有一种在线的做法，但是这个做法严格来说那个东西算不算世界模型，你可以硬那么叫，但是里面更是一个Smart Agent的表现。因为世界模型除了Smart Agent交互之外还有评价，但是评价本身很难想象会在车端，这是很奇怪的。

Q：小马推出世界模型构建精度飞轮，目前咱们世界模型的能力边界在哪里？会对咱们未来的路线选择会有什么影响？

楼天城：技术路线本身就是拿一个模型来开发，这件事情已经是接下来的技术路线了，而且这件事情不仅出现在自动驾驶领域，这个叫Agent，现在很多领域用一些Agent去做研发这件事情已经存在了，所以用Agent去做研发就是自动驾驶接下来更常见的技术路线了。
但是能力边界这件事，至少它证明了它超过了由人来研发能达到的上限，但是它自己上限是什么，现在AI还没有办法回答这个问题，我也只能问它。如果说有一天它能做到虚拟世界和真实世界非常接近，它利用所有AI的能力做训练，但是究竟它能超越人类多少这件事情，特别是在复杂场景，比人类高出很多这是一定能做到的，但是上限在那里其实是AI回答的问题。

Q：其实在前一段间卓驭和元戎都说有可能自动驾驶这个行业面临着大模型公司的降维打击，或者说他们可能会杀进来，带来不一样的打法，您怎么看待这个问题？

楼天城：大模型公司如果你指的是OpenAI这种大模型公司的话，这个东西的标准叫法叫基础模型，英文就没有大模型这个词，只有基础模型这个词。其实它们都是自动驾驶公司进步的基础，大家是一个合作关系。但是另外一个维度，真正做到自动驾驶不是说只要有一个模型就够了。首先基础模型本身就是Token之间的成语接龙，基于这个成语接龙的基础模型我们会做很多后面的工作，比如说要做Agent，Agent做出产品，硬件的适配，运营的很多东西，其实是基于他们的工作做了很多的东西，所以大家是合作的关系。

就算你有一个非常完美的基础模型，后面这些工作也都需要做。简单来说，如果说只是一个模型，甚至任何新玩家进入这个市场影响都不是很大，或者说进入门槛一样会很高。但是如果你说基础模型越来越好，确实会帮助到其他公司的进步，这个我们也得到了好处，所以大家更多是合作的关系。自动驾驶不只是一个模型而是一整套的东西。

Q：从AI开车到AI评估开车，你认为下一步会是AI来干什么？

楼天城：两个方向，第一是物理AI，物理AI很多问题还没有被攻克，真正理解物理世界的很多东西，今天我不知道AI能不能在短时间内做成这件事，这个甚至有机会我也愿意contribute，就是通过AI的方式理解物理世界究竟是如何运作的，这是很有挑战的一件事。

还有一个，AI已经从训练模型开始驱动研发了，接下来是不是能够run一个更大的团队或者是run一个公司，由AI来制定策略。再往后它可以做一个社区。从AI发展角度来说，有一个另外一个分级标准，这个Agent是说开始是辅助人类完成工作，到独立完成事情，到能够自主创新，其实今天AI已经有自主创新能力了，下一个就是能不能运行Community的问题，它开始拥有社会性能力，这是AI发挥的趋势。如果说大家会担心人类有一天要学会AI共存这件事情，其实是在那个阶段，人确实需要思考人和AI是什么关系。