車東西對話芮勇：聯想爲什麼要做車計算？

文 | 國仁

在今年10月美國西雅圖舉行的Tech World期間，聯想集團前CTO芮勇博士，以他的新身份接受了包括車東西在內的少數媒體的採訪；巧的是，這屆聯想Tech World舉辦地，正是他早年他在微軟工作期間，在美國待的時間最長的工作地點，所以相當熟悉。

▲芮勇博士講解聯想的車計算業務

芮勇博士的新Title是聯想集團高級副總裁、聯想新興技術集團（ETG）總裁，這個聯想新興技術集團到底是幹啥的呢？首先肯定是跟新技術的應用有關，更具體一點講，目前最主要的切入點就是做“車載計算”。

甚至，我在聯想Tech World的產品展區，已經看到了他們目前的研發成果，兩款自動駕駛計算平臺AH1和AD1，前者可用於L2++級智能駕駛，算力達700TPOS，後者可用於L4級別的無人駕駛，算力達2000TPOS，都是基於英偉達的Thor芯片。

▲聯想現場展示的車計算域控制器計算平臺

看來是有備而來，已經憋了一段時間的大招，目前國內主流高端車型智能駕駛芯片還是用的英偉達的Orin芯片。

在後面的採訪溝通中，芮勇講述了自己向CEO楊元慶主動請纓，卸下CTO職位開始探索新興技術商業應用背後的考量，核心是從領導探索性的技術走向技術的商業化探索，離應用更近；他打了個比喻說，過去負責的事和現在負責的事就像是“科學院”和“工程院”的區別。

同時，芮勇也分享了爲什麼聯想天然就適合做“大規模的複雜計算”，而以智能駕駛爲代表的車計算正是一個最好的大規模的複雜計算場景。作爲入局已經不算早的聯想如何在車計算方面淌出一條道，如今進展有如何呢？我與幾位同行媒體朋友和芮勇博士一個小時溝通中，得到了其中的一些關鍵信息。

▲芮勇博士在採訪現場

下面是對話芮勇博士的實錄，已經一定編輯整理：

01.

爲何卸任CTO，要探索一條怎樣的路？

芮勇：歡迎大家來到Bellevue，這個地方是1998年我博士畢業的時候參加了微軟總部研究院，Bellevue這應該算是我在美國待的時間最長的一個地方。我在微軟工作了18年，在這個地方不到一半的時間，在微軟中國還多一點的時間。當時我在這邊的時候主要是領導人工智能和多媒體分析，以及後面的Bing搜索，特別是圖片、視頻的檢索等等。回到中國以後和亞勤還有另外幾位一起創建了微軟在中國的亞太研發集團，2016年10月份，幾乎是八年之前這個時候我加入聯想做CTO。

過去這八年做了很多事情，2017年1月份的時候就成立了聯想歷史上第一個人工智能實驗室。當時元慶還交給我一個任務，當時的研究院80%是做硬件的，我們要把它變成反過來，80%要做軟件和人工智能，20%做硬件，所以在接下去的一到兩年，整個聯想研究院人才結構、技術結構變得更加的軟件，更加的AI，今天我們可以很自豪地說，聯想幾乎所有的產品裡面都有AI的成分，包括我們的AIPC，包括服務器，包括SSG，這中間很多的AI成分大部分最早的發源地，不能說全部，大部分最早的發源地都是來自於研究院同事們的一些貢獻。

過去這八年其實我也有很多觀察和思考，今年剛好是聯想成立40週年，40週年我做了很多思考，過去這40年我們回顧一下聯想哪些產品和項目做得很成功？其實我們看看聯想今天PC已經是全球第一，手機在中國我們做得還可以，在in prove，在拉美是第二、在北美第三，平板是全球前三。數據中心也是全球大概前五左右，存儲服務器是全球前三，高性能計算是全球排在第一的。

做得很好的這些方面、這些產品有沒有什麼共性的地方？這也是我一直想問我自己的。後來我總結了一句話，我覺得大規模的複雜計算系統是聯想的基因。什麼叫大規模？我覺得這個種類的產品要超過一億臺，估計就是比較大規模了，要上億。複雜計算系統的意思是說它可能需要有一個硬件、軟件的聯合優化過程，硬件裡面可能也包括CPU，還有別的XPU一起有一個整個系統端的軟硬一體的聯合優化。符合這個標準的，聯想做得都非常成功，我剛纔已經舉了這麼多例子了。

▲芮勇邀請Nvidia相關負責人介紹車計算平臺

過去這幾年其實每年我都會組織研究院的同事，包括技術骨幹和管理骨幹每年的春天我們會有一個戰略討論，我叫它春華策，是每年4月份前後。每年秋天的時候，豐收的時候我們還有另外一個管理幹部的戰略討論，叫秋實賦，這是我過去這八年一直在drive大家做的春花和秋實。有很多思考，下一個大規模複雜計算的場景在哪裡？今天我們的PC會持續做得更好，手機、平板、服務器、高性能計算都會持續做得更好，但是我想尋找的是下一個新興大規模的複雜計算場景在哪裡。

當然前四五年大家說是不是物聯網IoT？其實IoT我們做了很多分析，很多產品放在一起都是IoT，確實也挺大。但是你把它再細細看，確實長得都不一樣，有的大，有的小，有這個形狀，有的那個形狀，每一個都很難賣到一個億以上，都叫IoT，但是你看這裡面的風扇叫IoT，那個牆裡面還放了一個東西是IoT，每一個都不一樣，你都要重新開發。

所以我覺得IoT可能不是下一個大的新興的的規模複雜計算系統，是什麼呢？可能直到前兩三年的時候，汽車發生了一個新四化的過程，我們知道新四化就叫電動化、智能化、網聯化和共享化，這四化其實促使了傳統汽車發生一些改變，其實一個汽車裡面有大概100多個ECU，很小的計算單元，這個ECU有的是控制雨刷，有的是控制玻璃升降，這些不是聯想的基因，我剛纔講了聯想的基因是大規模複雜的計算系統，這些太簡單了，稱不上覆雜。所以我覺得直到新四化之前，車計算跟聯想也不太相關。

直到過去這兩三年，100多個ECU迅速向四五個域控制器集中的時候變化就發生了。有四五個域控制器，這裡面並不是每一個都是跟聯想基因是有關係的，我覺得有兩個跟聯想的基因是最有關係的。一個是自動駕駛的域控制器，另外一個是智能座艙的信息娛樂系統。這兩個域控制器是跟聯想最相關的。因爲一旦這100多個ECU向四五個域控制器集中的時候你就會突然發現它變成一個很複雜的計算系統，這裡面很多還包括像異構計算，怎麼做優化，有軟件，又有framework，又有硬件，這些東西都需要做。這個就越來越跟聯想的基因相似了。

所以在兩年以前我們在研究院內部就成立了一個新的實驗室，面向汽車智能化的車計算實驗室，現在給他一個比較正式的名字，像我昨天提的叫做AI定義的車計算。我們知道原來都軟件定義的數據中心，軟件定義汽車，現在是AI定義的車計算。這是前兩年我做的一個判斷。挺有意思的是在今年又發生了幾件事情印證了我們當時做的一些預估是對的。一件事情就是在今年的5月份端到端自動駕駛，端到端FSD這件事情被做出來了，自動駕駛的算法在這之前主要是基於規則的，我相信大家這個領域也都非常熟，基於規則的真是有幾十萬行代碼，因爲是基於規則的。今天比如說是在上海市訓練了某一個自動駕駛算法，下面到另一個城市去，這個算法可能就不是可行了。可能要改一條規則，但是你要改一條規則不行，下面很多規則都得改。所以這種可適應性就比較差一些，尤其對一些邊邊角角的corner case經常會出錯，所以第一代的自動駕駛算法就面臨着這個問題。

第二代的自動駕駛算法，端到端FSD出現之後，其實它非常像人作爲一個駕駛員如何駕駛的。諸位在開車的時候一定是兩個眼睛去接收外界的視覺信息，進來了之後你在大腦裡面就是一個神經網絡的計算，計算完了之後就是幾個輸出，要麼就是往左拐，要麼就是往右拐，要麼就是踩剎車，要麼就是踩油門，人就是這麼做的。它是一個端到端的，視覺信息輸出的是我的動作。今天的端到端FSD非常像人的這個做法，所以它對不同環境的適應也會更好，但是從第一代的算法到第二代算法的改變其實就它需要算力性質發生一些變化。

如果是幾十萬行代碼，並且是基於規則的，大家可以想想這一定要有很多CPU算力，CPU算力就是幹這件事的。但是你後來變成了一個基於神經網絡的，它就得變成一個AI算力需求，所以它對算力平臺的需求不一樣了，剛好我們在兩年之前就布了這個局，我們覺得車計算會變成一個對AI算力需求的計算，所以我們也打造了一個平臺。昨天我跟大家也提到我們的AD1，這個平臺應該是AI算力平臺性能最強大的平臺。這個基於自動駕駛域控制器是一個大的AI場景。

另外一個是智能座艙，或者叫信息娛樂系統。剛好過去一年發生了很多事情，都跟AI相關。發生了什麼事情？原來的人工智能主要是一些割裂的。每一件小任務都是由割裂的AI單獨去完成，沒有串起來，沒有集成起來。舉個例子，今天可能我開車的時候，前面車內的攝像頭看我開了很長時間，眼睛都快睜不開了，有點累了，有點困了，它可能提醒你要休息一下，這是第一步。

第二步，得趕快跟車內的信息娛樂系統說，你幫我找下一個高速出口，或者說休息區在什麼地方？它得給我答案。有了這個答案之後，我得再講說，你趕快給我導航，導到這個休息區。好幾步它都在幫你，但是都是分別、割裂，像不連接在一起的煙囪一樣的。但是今天這些信息都可以同時輸入同一個大的Transformer的架構。我的疲勞信息輸進去了，同時也就預測到了我下面就會問下一個休息區在哪？同時它也想到了，我下一步會問怎麼開車過去？這幾件事情都綜合在一起之後直接就幫我導航到休息區去了。

這是另外一個在信息娛樂系統的域控制器上發生的一些事情。這幾件事情發生就讓我覺得可能現在是一個非常好的機會，抓住這個機會，汽車行業的朋友我相信你們都對這個行業做過報道，其實它是一個很傳統的行業。現在真是到了一個讓它進行現代化的時候，這個時候就會有很多大的機遇，所以基於這個原因，我和元慶也建議過好幾次，我覺得我應該站出來幹這件事情，我們需要找一個新的CTO把整個公司的技術抓起來。

所以大概在十個星期以前Tolga成爲集團新的CTO，我現在完全專注在新興技術集團這個方向，如果看我過去這八年帶領的研究院和新興技術集團之間的相似性和不一樣的地方是什麼呢？我就打一個比方，研究院主要做的是探索性的創新，因爲你可能不知道到底是哪條路登那個山峰是對的？所以你是一個探索性的創新。新興技術集團應該是叫做有既定目標的創新，我看清楚了，現在就是把汽車智能化、現代化做好，沿着這條路走。所以一個是探索性的創新，新興技術集團是有目標性的創新，如果再結合大家都耳熟能詳的國內最大兩個創新機構，科學院和工程院，我覺得可能聯想研究院更像科學院這樣，把一些基礎的，探索性的事情做好，工程院的話，第一要把這個技術方向找到，第二把這個方向的技術變成產品，產品變成業務，這就是這兩個的關係和區別。

所以過去這十個星期我也花了很多的時間，大家看我現在到處跑，看一些合作伙伴，一些客戶等等，整個進展還是不錯的。所以基本上我把來龍去脈講起清楚了，看看大家有什麼別的問題？

02.

芮勇答車東西問

車東西問題：芮勇博士，我們有一個車東西的產業媒體，關注汽車智能化、自動駕駛等等，剛纔聽您講到背後的淵源，很有魄力，做這個事。應該說自動駕駛解決方案目前來看是相對成熟和競爭很激烈的市場，這裡面既有傳統tier1廠商，您剛纔也提到國內是比較快的，國內在這方面人工智能駕駛tier1的能力也有好的一些好的企業，聯想會用什麼方式來參與這個市場，和這些玩家去競爭呢？

芮勇：我覺得從幾個角度看，第一，我們首先要對自己有個很清晰的認識，我們確實不是最早進入這個行業的，雖然我們看到這是非常非常大的機會，但是我們不是最早進來的，這是首先我們要認識到的一點。

第二，聯想有自己的優勢，我們的優勢，我們對計算其實研究了40年，我剛纔提到，我爲什麼一直在找聯想的DNA，到底是什麼，基因到底是什麼，過去這40年，就是大規模複雜計算。你說是因爲很多傳統的Tier1，的基因不是那個基因，他想轉也比較難，這是從傳統Tier1的角度看。第二從一些純新興的AI公司看，也有一些AI公司也在做這個，他們對這種整個的軟硬一體的聯合優化設計這件事情，也遠遠不如聯想對這件事情的理解，我們這件事情也幹了40年，這是跟這兩類類型的企業相比，我們的一些優勢。

有一些車企也在做這個事情，但是聯想非常清楚，我想再次強調，聯想是絕對不會去造車，我們只是把這個看成一個下一個大的計算場景的機會。這個就完全不一樣了，你提的那些自己也在做，只是爲了自己做，他的競爭對手沒法用。我們是一個平臺，我們會最大化的去和所有的車企去合作，因爲我們並不造車，這是我想說的第三點。

第四，我們剛纔也提到了在整個全球的佈局，我覺得聯想這40年除了我剛纔說的DNA以外，還有一點做的很好，立足中國，從中國始發，但是它會走向全球的這麼一個能力和魄力，現在政府也一直在聊出海，怎麼幫助企業出海，這件事情，聯想，我個人感覺，不一定準確，應該是國內做的最好的企業，稍微有點不太謙虛，但是我們好好想想的話，確實是這樣的。

這個車計算其實也會沿着這條路走，我們的這些競爭對手，他們可能沒有一個先植根中國然後走向全球的經驗和過程，我們會對這件事情非常清楚。

第五，從技術和產品上來講，是，現在確實有很多公司也在做，但是我昨天也提到，現在最大的AI算力的域控制器，我還沒有看到誰做出比我們更大的，這是最大的。因爲過去的這8年，我們把聯想的AI能力也培養上來，所以我剛纔提到的很多AI能力可以進一步加持，從這5個角度，至少我們是應該挺有機會在這裡面去放手看一看的。

▲聯想展示的兩個域控計算平臺均基於英偉達的Thor芯片

車東西問題：我也去聯想展臺開上看了一下自駕和座艙這兩個計算平臺，有一點疑惑，爲什麼咱們選擇從英偉達的Thor而不是比較主流的Orin，您演講的時候也提到它是算力目前最高的算力，也就表明它肯定是用到高端車型的，是不是也就表示咱們的目標？

芮勇：這個問題也很好，但這個問題其實我覺得跟你第一個問題是有關係的，可能你第一個關係問完了以後，第二個問題你應有答案。現在很多人都在做Orin，聯想在做Orin沒有什麼太大的意義。你其實也很清楚，我相信在座的都有一些技術的背景，今天用Orin想辦法達到thor的算力，你要疊加很多，所以第一，至少是4個，問題在哪？第一是可能更貴。

第二你會發現每一個和每一個之間的帶寬問題的瓶頸。更高成本還做不到更好的性能。就像我今天講大模型，我4月在上海跟大家提到，AIPC的on-device大模型裡，很多時候並不一定是它本身計算單元的算力不夠，而是因爲它的內存和內存的RAM不夠，而上一代芯片平臺是帶寬問題，這種大的東西就會發現被卡住了。成本高性能又不具備優勢，爲什麼不直接選擇更好的。

車東西問題：如果基於Thor芯片是不是聯想要從高端車型來切入？

芮勇：我覺得是這樣，你要看你怎麼定義高端車型，我是覺得國內的車企已經都是比歐美車企在整個的現代化的進程當中要快了很多。國內的很多你說的30萬以上，我覺得有些20多萬的都算是偏高端吧。目前如果從L2++這個功能需求看，Drive Thor可能是中高端的。

如果是L4需求，我們看到的是所有面向L4自動駕駛公司都會往大算力平臺發展。我舉一個例子，今天的自動駕駛可能在海外做的比較好的是特斯拉，它自己在做硬件，硬件一代、硬件二代、現在在做硬件五代，它換了一個名字叫AI5，AI5的算力會很大，爲什麼？就是因爲它發現了真正要把自動駕駛這個事情做好，需要非常強大的AI算力。面向L4大家一定都得往這個方向走。大算力是非常重要的基礎。

車東西問題：聯想的大算力平臺是不是已經有一些車型合作？

芮勇：自動駕駛領域，Robotaxi/ Robotruck這類商業無人車其實是需要的，還有是自動的快遞、無人物流車也是需要的，還有是自動清掃車，這四個場景今後都會用到。我們再往下，我往未來再展望一下，今後你想想，我說的那個新四化，電動化至少國內車企差不多了，沒啥問題。智能化在過程當中，網聯弄的也差不多了，最後一個是共享化，共享化你就會發現到後來很多東西就是一個運營，所以再想想，這個事情，它是一個更大的遠景（參數丨圖片），運營的話，無論是掃地的還是物流的，還是載人的還是卡車，只不過是運營的中間的一個部分而已，你要再往下進行展望的話。

車東西問題：您現在是不是研究車比較多一點？

芮勇：我還真不是這個領域方面的人，我們現在負責車計算的副總裁，今天因爲趕去參加另外一個會去了，要不然他會在這的。

他本身的背景，我要再跟大家講講這個背景，當時看了這個方向之後，我需要這個團隊是一個什麼樣的團隊。這個團隊一定要有計算的基因，不懂得計算，那就讓傳統Tier1做就完了，光懂得計算是不行的，今天無論是PC也好、手機也好，這些東西都是消費電子，消費電子和車上的電子你們都是專家，是非常非常不一樣的，所以一定要這個人即懂汽車也懂計算，我就來找，找到了今天帶領這個團隊的同事叫唐心悅，唐心悅過去十幾年二十年，大概有一半的時間在做計算，有過大的互聯網公司做過很多跟計算相關的工作，還有一半時間做跟車相關的事情，是交叉的方向。

車東西問題：現在團隊大約多少人？

芮勇：規模不大吧，在初期我們更注重的是怎麼打造非常高效的團隊。

03.

芮勇答媒體問

問題：站在往未來一段時間看，您覺得咱們聯想在車計算上面還有哪些痛點要解決？以及目前針對技術痛點是否一些對應的技術解決方案？

芮勇：我和國內外的一些車企都聊過，他們覺得車企還是欠了很多信息技術的債，好多事情他們現代化的過程，之前做的不太多，我是覺得這裡面有很多事情可以做。我只是在談車的智能化，其實我覺得像車企，整個供應鏈的智能化，整個IT系統的智能化，這裡面有很多事情可以做，聯想過去都很有經驗。我們供應鏈過去三年都排在全球的前10，亞太排在第1，這裡面有很多跟AI相關的功能。這些痛點是我現在說的這件事情以外的痛點，它這些痛點也是聯想過去這8年自己有過實際經驗，也可以幫助到我們的車企。

具體到我現在說的汽車智能化，我覺得一個痛點可能是我們現在AI算力平臺，我們現在已經把算力平臺打造出來，下面還是要和一些自動駕駛、算法的企業以及車企之間怎麼合作，把這個事情從上到下徹底打通，讓它更高效的過程，這是一個。

第二，信息娛樂系統，信息娛樂系統今天現有的一些產品和技術，我們覺得還不太夠，這是爲什麼我們想做一個比較大的革命性的變化，今天我們在車裡面，我進車裡，手機也可以跟汽車發生一些互動，但是這些互動絕大多數是發生在應用的層級，APP這個層級。

另外一個APP，我又得去適配，去改變東西，再用一個APP，又得去弄，這件事實就變得非常繁瑣，並且並不高效。聯想的優勢，我們有手機、有PC、有平板，在車內的計算系統，我們現在也在做，其實是可以從系統層級把這件事情打通。這件事情一打通，解決了很多問題，從根本上解決這個問題。

問題：在業務落地的方向，聯想作爲一家全球化的公司，首選的可能會是哪些自己的客戶呢？

芮勇：我是覺得我們如果看今天聯想做業務，其實海內海外都是在齊頭並進的，但是很多第一步的創新，第一步的佈局是發生在國內的。無論從AIPC，今年4月，那個時候我們的AIPC從中國開始的，但是到了10月份，現在我們逐步在往海外推，汽車的智能化和車計算是一樣的，肯定會是從中國先開始，中國走的速度、步伐都比海外快，但今後你還是要立足中國，放眼世界，這樣的話整個市場就很大，但是我們第一步肯定從中國開始。

問題：您剛纔說要跟各大車企去廣泛合作，我們都知道國內的車企，對數據的敏感性，之前從以往的歷史經驗來看，不太願意開放數據所以合作起來有一些問題。聯想是怎麼打算和他們去合作？

芮勇：首先我覺得我們不會收集數據，我們把我們做的事情跟大家講得再細一點。我們想做的是計算平臺，我還是要回到聯想的基因到底是什麼。聯想的基因就是做這種大算力的複雜系統的計算平臺。再往上走，其實我們很願意和車企一起做這個事情。

今天有另外一個彙報，有人還問我問題，我說有傳統的叫Tier1，我們可以叫Tier0.5。Tier0.5是什麼意思？有些公司可以把軟硬平臺都做好了，你把這個東西交給車企，他們再往上開發，那就像Tier1一樣。

但是還有的車企說，行，你這個平臺挺高效的，開發起來也很方便、便利，但是我們現在也沒有再往上開發的功能，你能不能把這個也作爲一個服務跟我們一起做了？這件事情我們也是可以和車企一起做的。

所以，本身我們並不去碰車企的數據，我們要麼是在算力平臺上它可以自己開發，如果它需要和我們一起開發，也是跟它一起開發，而數據是屬於它的。

問題：不同車企不同車型怎樣能夠實現廣泛的高效適配呢？

炳川答：我來補充一點，其實從一個行業早期沒有形成標準化的時候很容易是大家有各自不同的方案以及通信協議，甚至一個攝像頭有不同的通信協議。但是，IT行業發展了這麼多年，逐步地都已經形成了標準化，其實汽車行業也是一樣的，包括GMS的接口，接顯示也好，接攝像頭也好，接其他的也好，包括網絡也好，其實是現在這個行業硬件的接口上已經統一了，所以這個問題不用特別擔心。剩下的問題交給芮勇來回答。

芮勇：還有一個事情我一直在考慮，爲什麼我們今天的傳統汽車行業沒有真正大規模地蓬勃發展起來，相比於IT行業。其實IT行業過去30年發生的事情，比如我們在80年代PDP11等等，沒有真正地爆發。

真正爆發的時候是什麼時候？是因爲PC開始出現了。PC開始出現以後，它不再是一個一個豎的煙囪，而是有人把橫向貫通的技術做了。比如有人在做芯片，有人在做操作系統，有人在做整個的開發平臺，我覺得今後的汽車行業會往這個方向走。走到這個方向之後，整個汽車行業就會像三四十年以前IT行業的爆發一樣。

我是覺得從炳川這個角度講，整個的汽車行業就在經歷40年以前IT行業經歷的一些事情，越來越多的東西會變成標準化，因爲不標準化，這個行業今後誰都賺不着錢。

問題：除了車計算平臺之外，新成立的這個信息技術集團可能聚焦的還有哪些方向？

芮勇：這個問題我在做新的集團之前我自己是有過思考的，元慶也詢問過我，還有好幾個別的技術是潛在要放下來的，但是我自己的思考是這樣的，我是覺得做產品化、產業化很重要的一件事情就是聚不聚焦。這件事情足夠大、足夠大，把這件事情給做好了，再去做下一件事情。所以，我現在絕大多數的精力就是聚焦在AI Define Vehicle Computing，就是人工智能定義的車計算這方面。

再回到你這個話題，我現在是非常專注地看這一個方向，我腦子裡在想其它幾個方向，也沒跟團隊講。我跟大家說一個事情，我爲什麼提到端到端的FSD？這是第一次端到端的FSD能夠把我們今天火熱的AI所謂的離身智能和具身智能，之前我跟一個媒體講了什麼是具身智能，什麼是離身智能，什麼是AI，等等的，我是怎麼分這個類的。今天的具身智能到了端到端的FSD是第一次從AI的算法框架把機器人和自動駕駛統一在了同一個AI上面，這是第一次。所以，我們看這兩個中間有很多相似的東西，不一樣的東西，我爲什麼要着手汽車的智能化？

我們看自動駕駛算法，它是什麼？框架是一樣的，是端到端的，但是它的目標函數比機器人要簡單很多。它的目標函數就是我前面有個障礙物，我現在就是唯一的目標，我別撞到這個障礙物，這就是我唯一的目標。機器人、機器手要把這個抓起來，第一我要判斷從哪邊抓？我應該是橫着抓更好，還是豎着抓更好？我們都知道，肯定是橫着抓好。機器人是要判斷的，我是要橫着抓，還是豎着抓，我抓的時候，下手是從這邊下去，還是從這邊下去，一旦下了手之後，這個力度是大還是小？大的話容易碎，小的話我抓不起來。所以你們會發現，同一個算法框架下，目標函數最簡單的一個是自動駕駛，但是今後會往具身智能走。

自動駕駛，除了目標函數以外，有另外一個事情，就是它的輸出是一個可數的、限定的，就四個，往左拐、往右拐、踩油門、踩剎車，沒了。你再看機器人的輸出會有多少？我爲了實現這個目標，本身就已經很難了，我輸出，哪個角度上，什麼速度，什麼力度？輸出變得非常非常大。

所以我覺得在這個統一的端到端的FSD下第一個實現的是汽車的自動駕駛，因爲它的目標函數更簡單，它的輸出空間更小。第二是在限定場景之下的機器人。第三是在非限定場景下。這是一個一步步走的過程。

這個間接地回答了你的問題我腦子裡還在想什麼。但是今天我就聚焦在車計算。