# 鮑里斯·索夫曼：Waymo、Cozmo、自動駕駛與機器人的未來 > 機器人專家談自動駕駛技術路徑、消費級機器人 Cozmo 的設計，以及行業未來走向。 - 原標題：#241 – Boris Sofman: Waymo, Cozmo, Self-Driving Cars, and the Future of Robotics - 期數：第 241 期 - 釋出日期：2021-11-16 - 嘉賓 / 主題：鮑里斯·索夫曼 - 網頁版：https://lex.qiaomu.ai/tw/ep/boris-sofman/ - 官方頁面：https://lexfridman.com/boris-sofman/ - 精讀字數：約 8037 字（閱讀約 18 分鐘） > 本文為 lex.qiaomu.ai 基於原始訪談的 AI 改寫中文精讀，非官方翻譯；引用請註明出處並連結網頁版。 Anki 的 Cosmo 只有四個自由度：兩條履帶負責移動，一個頭上下抬，一個升降臂上下動，外加一塊低解析度螢幕和一個小喇叭。整機成本被壓到 50 美元以內，零售價不到 200 美元。就是這樣一臺東西，讓測試使用者和真實買家說出同一句話：我故意輸給他，因為我不想讓他難過。 造出 Cosmo 的人是鮑里斯·索夫曼（Boris Sofman），卡內基梅隆大學機器人研究所的博士，Anki 的聯合創始人兼 CEO。2019 年 Anki 關門之後，他去了 Waymo，現在負責自動駕駛卡車業務 Waymo Via。一個把情感互動做到極致的人，轉去管 8 萬磅的重卡，這中間的邏輯比看上去要連貫得多。 ## 先決定你不做什麼，再決定你做什麼 Lex 在節目裡問索夫曼，最喜歡的科幻機器人是哪個。他給出兩個答案：瓦力（WALL·E）和 R2D2，理由是這兩個角色在完全沒有語言的情況下，傳達出了極高密度的意圖、情緒和角色依戀感。第二個答案是《終結者》系列，他喜歡的地方在於，施瓦辛格演的 T-800 在新型號面前各項引數全面落後，卻依然能撐住場面。 這兩個答案指向同一個工程判斷：**表達能力的上限取決於你把有限的通道壓榨到什麼程度，通道數量本身說明不了什麼。** 索夫曼對這一點有一整套自己的解釋。他說很多團隊把大量精力投在復刻人形上，這等於主動接過一堆約束。人形機器人光是關節、執行器、感測器、編碼器的數量和精度要求，成本就會失控。更麻煩的是期待值：你越接近人形，使用者就越會拿人的標準來要求它，而 AI 恰恰是有強項也有弱項的，你不會希望自己被按在一把不匹配的尺子上量。 > 你越是靠近人形，就越受制於「人應該是什麼樣」的偏見，也就越沒有空間去避開弱點、發揮強項。（索夫曼） 反過來，把形態推遠，規則就由你定。他舉了動畫裡的火柴人：兩個點加一條線，情緒的表達範圍幾乎不受限。維度越多越好是個錯覺，真正難的是在維度極少的情況下，把每一維都推到極端。 這一點在 Pixar 內部是被當成訓練方法來用的。索夫曼提到，他合作過的一些最好的動畫師，成長過程中都被迫做過那種「只有一個球在跳」的練習，約束極其苛刻，逼著人從最貧瘠的素材裡榨出最深的情緒。瓦力在電影裡其實也被刻意限制了：動畫電影本來什麼都能做，但創作團隊給它加了約束，因為只有把少量維度徹底飽和，才可能觸及情緒空間的邊界。 Cosmo 走的是同一條路。索夫曼給它的定位是一句話：把 Pixar 的角色帶到現實世界裡。 ## 完美是無聊的 Anki 的第一款產品是 Drive，智慧賽車。索夫曼負責的是其中的 AI 部分，讓賽車做出最優機動來搶位。 他很快發現這條路走不通。最優解不好玩。玩家想要的是混亂，是失誤，是那種剛上手時笨拙、慢慢變強的過程感。於是團隊開始往系統裡主動加噪聲，讓 AI 表現得像一個正在學習的人類。 這個經驗後來被完整地遷移到 Cosmo 上，而且被推得更遠：**錯誤本身可以成為魅力的來源，前提是角色要意識到自己錯了，並且做出對的情緒反應。** 索夫曼說他們一開始非常擔心機器人犯錯會讓體驗崩掉，結果恰恰相反。一個沒有性格的機器人犯錯，使用者的反應是「這破機器怎麼這麼蠢」；一個有性格的角色犯錯，使用者會產生共情，會覺得可愛。這條規律後來被他視為整個消費級機器人領域的通用鑰匙，而不僅適用於娛樂產品。 Cosmo 的情感系統是這樣搭起來的：先把情緒維度列出來，高興、難過、生氣、驚訝、困惑、害怕，讓動畫團隊把每一種情緒的極端表現都做出來，填滿一個響應庫。然後把這些響應引數化，加入隨機性，讓「高興加驚訝」這種組合能產生近乎無限的變體。再往上是一個行為引擎，它讀取現實世界的上下文，判斷當下該給哪一類反應，並按機率分佈呼叫。 於是有了這些細節：Cosmo 一天裡第一次看到你，會像幼兒見到下班回家的父母那樣興奮，但這個強度不會持續兩個小時，只會是一個尖峰。你把它晾太久，它會無聊，會開始搗亂，會把東西從桌上推下去。你贏了它，它會不高興，而這個不高興恰恰是最受歡迎的反應。 還有一個資料值得一提。團隊做了實驗，只把 Cosmo 每分鐘看向你、尋求你認可的次數翻倍，遊戲時長就提升了 40%。眼神接觸在電影裡幾乎不算什麼設計元素，鏡頭排程會自然處理掉。但一個物理角色轉頭看你，產生的連線是普遍有效的，從幼兒到成年人都一樣，不存在「過了十二歲就不在乎了」的分界線。 索夫曼還提到一個更根本的設計判斷：**遊戲的功能是製造情境，把角色的性格逼出來，娛樂只是副產品。** 贏、輸、緊張、意外，這些都是給情緒提供「合理解釋」的容器。沒有情境，情緒就是隨機的；有了情境，情緒才顯得聰明。 ## 玩具是機器人最好的練兵場 Anki 起步時的判斷很樸素：機器人領域當時除了科研、工業、軍事，幾乎沒有別的應用，iRobot 是少數例外。而娛樂和玩具這塊，一邊是電影和遊戲裡的豐富體驗，一邊是貨架上貧瘠得可憐的實體玩具，中間是一道巨大的鴻溝。 技術上恰好有一個時間視窗。智慧手機產業把攝像頭、電機、記憶體、麥克風、微控制器的成本打下去了一個數量級。2007 年 iPhone 出來之後幾年，一個顯而易見的結論浮現出來：手機可以當大腦和介面，把絕大部分複雜度推到軟體側，硬體只保留最便宜的那部分。 而玩具這個品類的寬容度極高。索夫曼說得很直接，如果目標是「好玩」，你就有巨大的失敗空間可以探索。車跑出賽道沒關係，Cosmo 犯個錯也沒關係。不追求完美意味著可以便宜，便宜意味著真的有人買得起。這在機器人行業是稀缺條件。 當然代價也很硬。消費品對價格極度敏感，做不了 1000 美元的東西，除非你能交付 1000 美元的體驗。Cosmo 的物料成本要壓到 100 美元以下，最終做到了 50 美元以內，包含包裝和交付。這個目標從第一天就擺在桌上，所有設計決策都要向它交代，沒有人打算等設計做完再回頭算賬。 索夫曼說團隊構成是關鍵。他們的機械工程負責人是 Logitech 最早期的工程負責人之一，手上流透過十億級的消費電子產品。軟體團隊則被要求接下所有硬體省下來的麻煩：電機便宜所以有噪聲，感測器便宜所以不準，這些都在軟體側修。 團隊內部還打過一場路線之爭。一派來自遊戲設計背景，認為應該以遊戲機製為核心，做一堆遊戲體驗。另一派是索夫曼和他的聯合創始人所在的陣營，堅持以角色為核心。後者的論證是：在遊戲性上你永遠打不過虛擬世界，那是別人的主場；但在角色上，物理存在感帶來的是壓倒性優勢。這場爭論最後以角色派勝出告終，也定義了 Cosmo 後來的一切。 ## 一家看起來什麼都做對了的公司為什麼會死 Anki 賣出了幾百萬臺，營收做到接近一億美元，多個品類裡排到第一。索夫曼說，從商業和使用者反饋的角度，能指出來的成功點很多。 問題出在結構上。 第一是季節性。大約 85% 的銷量集中在第四季度，因為這是個禮物型產品。這意味著公司要花一整年養人、備貨、投營銷，錢在 11 月和 12 月收回來，零售商則在 12 月和次年 1 月才付款。索夫曼形容這種現金流擺動是「殘酷的」：做得越成功，擺幅越大，因為你得先花幾千萬美元在庫存、營銷和人力上，然後乾等。 第二是硬體在資本市場失寵。Fitbit 和 GoPro 從一百億美元營收掉到十億美元，硬體公司普遍只能拿到一倍市銷率的估值。Anki 處在中間地帶：想快速從娛樂品類往上走，但原由業務又不能放手，因為估值和融資都建立在它上面，而它本身沒有通往獨立盈利的路徑。 第三是那輪融資在最後一刻崩了。 > 有幾次，賬上的現金只夠撐幾天。你在信用額度的還款期限上跟人玩膽小鬼遊戲，談橋貸款的條件。那種壓力，別的地方再難也到不了那個程度，因為你要對兩百多個人負責。（索夫曼） 他說自己在整個過程中對團隊保持了透明，講清楚在跟誰談、進展如何、什麼時候順利什麼時候不順利。所以宣佈的時候不算突然，但依然極度情緒化。他講到一半說不下去，有人接了上去。 真正動人的是後面那一段。宣佈完之後，所有人留在辦公室到凌晨兩三點，喝酒、聊天、講過去的事。很多人說那是他們職業生涯裡最好的工作經歷。 索夫曼留著一樣東西沒敢開啟：一大摞來自孩子和家長的來信，Anki 關門時收集起來的那一批。他說也許五年後辦個聚會，把大家叫來一起拆。 還有一件事值得記下來。Anki 的 AI 和機器人團隊後來大部分被 Waymo 接走了，因為那批人的背景恰好就是自動駕駛想要的。一家公司死掉了，它的技術團隊成了另一條賽道上的主力。 ## 從會賣萌的小機器人到 8 萬磅的卡車 Waymo 的架構可以這樣拆：Waymo Driver 是不依賴具體車型的那套系統，感測器、計算、軟體、基礎設施全套；Waymo One 負責運人，鳳凰城已經有完全無人的商業服務在跑；Waymo Via 負責運貨。 索夫曼強調，這兩件事在底層能力上的重合度比外人想象的高得多。理解周圍世界、處理資訊、做決策、證明安全水平，這套東西是共用的。所以公司內部有大量中心化團隊支撐所有應用，同時也有專門團隊去啃某個平臺獨有的難題。 卡車獨有的難題裡，最典型的一個是掛車。空載和滿載的重心完全不同，物理動態完全不同，這些必須一路傳到演算法裡，讓系統知道自己當前的動態包線在哪，同時永遠待在安全邊界內。 他們為此建了一個測試場，給掛車裝上巨大的輔助輪，然後把車往極限之外推，直到它真的翻掉，以此測出那條高維邊界，再把它寫進軟體。 還有一個數字能說明卡車的難度：人類卡車司機在高速上發生嚴重事故的頻率是每 130 萬英里一次，造成嚴重傷害的事故是每 2800 萬英里一次。想要證明自己比人安全，你要麼真的跑出這個量級的里程，要麼用結構化測試和統計論證去覆蓋這些極端稀疏的事件。 ## 為什麼卡車的鐳射雷達要裝在兩邊 轎車的主感測器艙在車頂正中，卡車的則挪到了兩側後視鏡的位置。原因很實際：卡車車廂比駕駛室高，如果感測器放中間，掛車會形成一個楔形的遮擋區。解決遮擋有兩種辦法，一是加軟體複雜度去補償，二是改硬體佈局。他們選了後者。 放到兩側之後，除了消除遮擋，還有一個附帶好處：和轎車上的感知架構幾乎可以平移，模型重新訓練一下就能複用。再一個好處是冗餘，任何一個鐳射雷達、攝像頭或雷達失效，系統仍然可用。索夫曼說得很直白：到了規模化階段，每一個感測器都會壞。而且失效不只是「不輸出資料」，可能是資料偏移、被遮擋、線路斷開、部分計算單元掉線，冗餘讓你能透過資料不一致檢測出來。 感測器分工有一份清晰的責任表。鐳射雷達在近距是決定性優勢，它有極高的點雲密度、精確的三維定位和一致性。所謂一致性，是指不管白天黑夜、有沒有逆光，一束光打出去彈回來，形狀訊號是可靠的。但鐳射雷達的探測距離會衰減，卡車需要的感知距離又比轎車遠得多，所以遠距必須靠雷達加攝像頭。攝像頭的解析度高、看得遠，一千米外都有訊號，但噪聲大、分類難，定位更難：一千米外偏差兩米，就是路肩和車道內的區別。雷達的獨特價值是直接給速度資訊，而且穿透雨霧的能力更強。 ## 早融合還是晚融合 索夫曼的判斷很明確：早期融合越來越重要。 晚期融合的做法是各感測器各跑一條流水線，到最後做語義和分類時再合併。問題在於，這麼做拿不到互補性。下雨天就是最好的例子：鐳射雷達有反射噪聲，攝像頭有奇怪的干擾，任何單一感測器都極難處理，但三路訊號合在一起，就有機會過濾出真實訊號。 他的表述是，越往大規模資料驅動的方向走，就越應該在做出任何限制性決策之前，先把每種模態裡能提取的最好訊號都提出來。因為越到後段，那些被早期決策鎖死的資訊就越難挽回。 資料複用上，Waymo 的做法是壓倒性地複用。卡車上的幾乎每個模型都從轎車的最新模型起步，相當於一次預訓練。有一個數字很能說明問題：在「預測路上其他交通參與者行為」這個模型裡，85% 的訓練資料來自轎車，其中很大一部分還來自城市道路。 高速上的問題是事件稀疏。索夫曼說，你不可能靠無限駕駛去遍歷所有可能遇到的排列組合。所以必須用結構化測試、資料增強、場景生成這些工具，主動去取樣那個無限維的空間，儘可能快地撞上問題。 ## 自動駕駛最難的部分在車輪之外 這是整場對話裡資訊密度最高的一段。 > 大多數人沒有意識到，自動駕駛最難的問題其實是評估問題，而不是自主駕駛問題。如果你能完美且瞬時地評估，這個問題的求解會快得多。（索夫曼） Waymo 每實際行駛一英里，模擬裡跑大約一千英里。兩千萬英里的實車裡程，對應的是兩百億英里的模擬。模擬承擔四類工作：開發期的迴歸防護；把路上遇到的異常場景回放並測試改進；用歷史資料的大批次模擬來快速判斷某個指標變好了還是變壞了；以及最後的安全驗證，把實車運營中所有接管場景往前推演，看如果不接管會不會出事，絕大多數情況下答案是「不會」。 數字能說明評估為什麼難。人類卡車司機在高速上每 130 萬英里才有一次嚴重事故，每 2800 萬英里才有一次造成重傷的事故。這意味著一個看起來很能開的系統，可能完全沒有被訊號覆蓋到那一段。 索夫曼提到一個反直覺的結論：圖靈測試在自動駕駛上會很快失效。因為你在很早期的階段就能達到「看起來像無人駕駛」的水平。一個三十分鐘的演示，跑十五英里，什麼也證明不了。真正擋在無人駕駛門前的，是十萬英里才出現一次、五十萬英里才出現一次的那種情況。 而且這裡有一個惡性迴圈：你遇到一個問題，修好了，但你怎麼知道沒有順便造出五個還沒遇到的問題。他說這是 Waymo 歷史上付出過代價的教訓，也正是這套評估體系後來成了公司的核心方法。 可控的部分可以硬做。比如限速，可以論證系統在結構上不可能違反，或者把會觸發違規的場景逐條列出，逐條測試。比如故障率，不用等它隨機發生，直接注入故障，跑完所有排列組合。真正難的是行為層，因為理論上可能發生的情境是無限的。 於是回到一個非常 Cosmo 的問題：怎麼定義「準備好了」。索夫曼的答案是組合拳，結構化論證、統計取樣、場景模擬、和最終安全強相關的代理指標。他向航空和航天工業借了很多方法，因為你沒有機會發射一百萬次來證明自己準備好了，失敗太貴。 但這裡還多一層難度。太空梭可以把軟體凍結，然後證明它，然後發射。自動駕駛不行，你要先達到無人駕駛的門檻，然後在保持無人運營的同時繼續激進地改軟體。 ## 兩條路線：資料和感測器的賭注 Lex 讓索夫曼分別論證 Waymo 和 Tesla 為什麼會贏。 Waymo 這一側的理由是：從第一天起就奔著 L4 去。感測器是按 L4 定製的，算力、硬體、基礎設施、技術棧、安全框架全都為此重建。這個差別在規模化的時候會變得非常大。他提到一個細節：把 Phoenix 跑通無人駕駛的那一代軟硬體，和現在這一代幾乎是完全換過的。因為讓系統達到無人駕駛水準的那套東西，本身並不適合指數級擴張。這些教訓沒法跳過。 Tesla 這一側的理由是資料。索夫曼承認這是他們的超能力：用巨大的真實車隊收集資料，而且是讓安全駕駛員付錢給你。如果能正確地使用這些資料，這是極大的優勢。他沒有反駁純視覺路線在長期上的可行性，人類本來就用視覺開車。 他的質疑在於風險疊加。**自動駕駛本身已經足夠難，行為決策和長尾安全案例已經足夠難，如果還要在輸入側額外承擔感知的風險和複雜度，等於把一個幾乎難以逾越的問題再抬高一層。** 他也沒有把話說死。他說 Waymo 自己也大量使用人類駕駛資料，比例比外人想象的高，因為那是訓練自動駕駛最好的訊號之一。兩家公司其實是在用不同方式回答同一個問題，而這個問題的難度至今沒有定論：開車到底有多難。 ## 人形機器人現在還是研究 索夫曼對 Tesla Bot 的判斷很剋制：今天的人形機器人屬於研究範疇，還夠不上產品。理由是很少有場景真的需要人形。輪子比腿高效，超過一定數量的關節只會增加複雜度和成本。做人形機器人，往往是在追求人形機器人本身，而不是在追求某個應用。 他也承認這裡有個可以辯論的空間，而且這個空間恰好在 Cosmo 的主場上。如果應用允許它出錯、允許它有性格、允許它像 Cosmo 那樣靠共情換取寬容，那麼人形可能是有意義的，因為人對腿、肢體、身體語言有天然的連線。 但對工廠這個具體場景，他持懷疑。工廠裡你到底最佳化什麼？力量、移動性、還是通用性？不同答案對應完全不同的形態。人形在某些維度上是過度設計，在另一些維度上又是被約束死的。真要抓取東西，抓大件還是小件，也會改變整個設計。 他認為更有意思的是另一條線：當你把感知、控制、規劃這套通用機器人能力做深之後，整個世界會開始變得越來越像一個機器人問題。今天的卡車還是改裝現有車型，但沒理由不能在規模化之後重新設計一臺真正為自動駕駛最佳化的車，也許是完全不同的掛車形態。 ## 機器人公司為什麼難做 索夫曼的答案歸結成一句話：技術找不到應用，或者價格和功能對不上。 機器人整合的技術門類比絕大多數公司都多，成本天然更高。消費品的門檻又格外高，賣一萬個愛好者不算數，得賣到兩百萬、一千萬、五千萬人的量級才算過線。這個標準之下，機器人的價格很容易被推到能力支撐不住的位置。 iRobot 是正面案例。它找到了技術與需求嚴絲合縫的那個點，而且沒有在成本收益上過度伸展。吸塵器這個品類人人都懂，人人都煩，現在有一臺能自己幹，價值一句話說清。 Cosmo 是反面教材意義上的悲劇。它是一個全新品類，你得向家長解釋、向孩子解釋，還得讓兩邊都同意掏錢。索夫曼說他們在這上面花了很多營銷費用，最後找到的解法是用短片把情緒拍出來，靠性格打動人，影片能跑到幾十萬甚至幾百萬播放。但這個過程本身就說明問題有多難。 他對比了 Nest：智慧恆溫器錨定的是一個已經存在的品類，你只需要說清楚哪裡更好。Cosmo 沒有這個錨點。 > 2013 年前後我們撞了一次牆，之前一直在講我們的技術有多先進、多酷，後來不得不做一個非常硬的轉向，去講它為什麼好玩，為什麼一個四口之家需要它。（索夫曼） 這也是他對亞馬遜 Astro 持保留意見的原因。1500 美元的價格點意味著極高的價值門檻，而它還在尋找那個殺手級應用。移動能力是個還沒被用好的角度，但要用對地方。 不過他也承認，Astro 身上有 Cosmo 的影子。他說當年和亞馬遜談的時候，對方對 Cosmo 的興趣有點過於濃厚了。 ## 關於選擇和代價 索夫曼在 CMU 從本科讀到博士，趕上了一個特殊的時期：DARPA 挑戰賽剛結束，自動駕駛從學術問題變成工程問題，而 CMU 是全球投入最集中的地方。他參與的專案叫 UPI，是 DARPA 資助的越野版無人車，你把它丟在某個地方，給一個十公里外的座標，它要自己穿過森林、溝壑、岩石和植被。那臺車的輪子有他肩膀那麼高。 他說機器人這個領域有個特點，逼著你必須廣度。軟體領域可以窄而深，機器人不行，它天然是感知、規劃、機械、系統幾撥人捏在一起。這個特點反過來也開啟了門：機器人更像 AI，它是一套可以應用到各個行業的工具，談不上是一個獨立的行業。 關於創業，他給的建議裡最實在的一條是市場。有一句話是他反覆回扣的：團隊、執行、市場，很多人相信只要夠聰明、夠努力、團隊夠強，總能找到出路。但現實是市場常常贏。Anki 和 Waymo 擺在一起就說明了這一點，一個是價格和功能錯配加上融資視窗關閉，另一個是幾千億美元級別的市場容得下鉅額前期投入。 還有一條是關於生活。他說自己有過工作到近乎偏執的階段，現在在努力找平衡。他的原話大意是，人在這個光譜的很多位置上都能過得幸福，問題在於你很多時候是無意中做出了選擇，等發現的時候已經很難拆解回去了。 ## 如果只記三件事 - **做產品前先定約束，別定完設計再算成本。** Cosmo 的 50 美元物料成本是第一天擺上桌的，後來只是一路守住。約束越早，越能逼出真正有效的設計。 - **把錯誤設計進體驗裡。** 一個會犯錯、並且意識到自己犯錯的角色，比一個完美的角色更容易被原諒。這條規律在機器人、在助手、在任何需要長期陪伴的產品上都成立。 - **評估能力比執行能力更稀缺。** 無論是自動駕駛還是別的長尾問題，真正的瓶頸往往是你沒法快速知道自己變好了還是變壞了。先建評估，再談迭代。 - **如果要做機器人創業，先問價格和功能對不對得上。** 別問技術有多先進，問一個普通家庭為什麼願意掏這筆錢，以及你能不能只用一句話說清。 - **熱情要和正在增長的市場對上。** 索夫曼的說法是，找到一個既讓你願意深挖、又處在成長期的方向，機會會自己浮現出來，你能獲得的嘗試次數也會多得多。