Building the World's Most Trusted Driver
38:36 Share

大家好，欢迎回到asic cy播客。这是Stuff Now。这是我最喜欢的播客之一，因为它是在大约去年这个时候录制的。那一集是关于自动驾驶汽车的，但我实际上也参加了一个安东尼规格的活动，那是我第一次乘坐自动驾驶汽车。

在过去的一年里，我看到很多人都有了他们的第一次体验，因为Waymo已经将其业务扩展到了凤凰城和坦佩，同时也在奥斯汀和亚利桑那州扎根。在2015年，我们进行了第一次在公共道路上进行的全自动驾驶测试，然后在2020年向凤凰城的公众开放。但直到2022年，才在七年前提供自动驾驶服务。

到2023年底，Waymo已经完成了超过700万英里的无人驾驶里程，而不是一下子完成的。所以，随着这个领域发展如此迅速，我们想跳过更新，看看这个行业今天在哪里，并适当地介绍这一集。本集的嘉宾是我们自己的AI Revolution主持人，也是a16z的普通合伙人，Sarah。

提醒一下，此处的內容仅供參考，不应被视为法律、商业、税务或投资建议，也不应被用于评估任何投资或证券，并且并非针对任何a16z基金的投资者或潜在投资者。请注意，a16z及其关联公司可能会继续对本播客中讨论的公司进行投资。有关更多详细信息，包括指向我们投资的链接，请访问a16z.com/disclosures。

大家好，我是a16z增长团队的普通合伙人。欢迎回到我们的AI Revolution系列。在这个系列中，我们与正在改变我们世界的AI建设者们对话，以了解：一、我们身处何处；二、我们将走向何方；三、该领域中有哪些重大未解之谜。

本集的嘉宾是Waymo的CTO，Dimitri Dolgov。Dimitri带领Waymo克服了将AI应用于现实世界的一些最大挑战。经过数千万英里的测试，Waymo的车辆已被证明比人类驾驶员（包括我自己）更安全、更可靠。Dimitri拥有独特的视角，因为他几十年的工作跨越了多个AI/ML开发周期。他很早就参与了自动驾驶汽车的研发，在加入谷歌自动驾驶汽车项目（后来发展成为Waymo）之前，他与丰田和斯坦福大学合作参与了DARPA挑战赛。在本对话中，Dimitri与a16z普通合伙人David George在a16z的闭门活动中讨论了具身AI的潜力、模拟和构建训练数据的价值，以及他如何领导一家专注于解决世界上一些最棘手问题的公司。现在，让我们开始Dimitri与David的对话。

也许可以先带我们回到斯坦福大学，如果你愿意的话。那时你第一次开始参与DARPA项目，也许可以告诉我们你从那里走到今天的经历。

我接触自动驾驶汽车是在斯坦福大学做博士后研究的时候，David，正如你提到的那样。这恰逢其时，当时DARPA大挑战赛正在进行。DARPA是国防高级研究计划局，它发起了一系列竞赛，目标是推动自动驾驶汽车领域的发展。我参与的是2007年的DARPA城市挑战赛。

比赛的设置是这样的：一个玩具版的现实世界，我们从那时起一直在努力改进。它旨在模拟城市环境，因此他们在一个废弃的军事基地创建了一个虚拟城市，并用许多自动驾驶汽车和人类驾驶员填充它，让他们完成各种任务。这就是我第一次接触这个领域。我认为在DARPA，这些挑战赛经常被业内人士视为该领域的奠基性时刻，对我来说绝对是这样。那是一个灯泡亮起、开关打开的时刻，让我真正对这个领域产生了兴趣。

当时，也就是2007年，你们的硬件和软件是什么样的？

是的，我只能从非常高的层面来描述，这与我们今天讨论的内容并不一样。一辆汽车，它有一些仪器，可以告诉你该做什么。

你会得到一些反馈。你拥有定位系统，大部分是内部测量系统，最大的是全球定位系统，它告诉你你在空间中的移动方式。

它有传感器、执行器和摄像头，我们今天仍然使用同样的东西。然后有一台电脑，它接收传感器数据，然后告诉汽车该做什么。软件包括感知组件、决策规划组件和一些AI。当然，我们当时拥有的所有东西都比现在落后很多。

十八年过去了，变化很大，对吧？谈谈今天的AI与当时的AI。

我们在2007年、2009年所拥有的东西与现在完全不同。其他所有东西都变了。传感器不一样了，电脑也不一样了。

是的，当然。好的，那么，让我们继续。你说，在那个时候，那是一个关键时刻，就像灯泡亮起一样。然后你说，好吧，我在斯坦福大学，我想把这作为我的职业，对吧？然后，丰田公司是你的下一个目标吗？

是的，我认为当时的想法是，这就是未来，我想让它成为现实，我想把它作为我的职业。好的，你知道的，但那是下一步。下一步是，我们一些参与DARPA挑战赛的人在2009年启动了谷歌自动驾驶汽车项目，大约有十来个人。谷歌提供了支持，拉里·佩奇和谢尔盖·布林想要看看我们能否更进一步。我们在上面工作了几年，这个项目在2016年变成了Waymo，从那时起我们就一直沿着这条路走下去。

好的。那么，我们有了生成式AI的重大突破，有人说它是新的，有人说它酝酿了七年。你如何看待生成式AI带来的进步与许多人所说的更传统的AI或机器学习技术相比？这些技术是直到那时为止软件技术的基石。

这是一个很好的问题。也许我们可以先退一步，谈谈AI在自动驾驶汽车中扮演的角色，以及我们如何看待AI的各种突破与我们的任务相符。例如，从一开始，AI就是自动驾驶汽车的一部分，在我们开始的时候，它是一种非常不同的AI，是经典的决策树。

经典的计算机视觉，使用手工设计的特征和内核，等等。然后，在计算机视觉领域，对我们任务真正重要的第一个重大突破是卷积神经网络的出现，大约在2012年左右，许多人可能都熟悉AlexNet和ImageNet竞赛。AlexNet在ImageNet竞赛中击败了其他方法。

这显然对我们的任务有很大的帮助，比如如何进行计算机视觉，而不仅仅是使用摄像头，对吧？现在你可以使用卷积神经网络来解释你周围的环境，并从摄像头、激光雷达数据和成像雷达数据中进行目标检测和分类。所以，大约在2012年到2013年期间，这是一个很大的进步。

然后，我们尝试将这些方法应用于其他领域，不仅仅是感知领域，取得了一些有趣的但有限的成功。然后，另一个非常重要的突破发生在大约2017年，那就是Transformer的出现，它对自然语言理解、语言模型、机器翻译等产生了巨大的影响。

对我们来说，这是一个非常重要的突破，它使我们能够将AI应用于新的领域，远远超出了感知的范围。如果你考虑一下Transformer及其对自然语言处理的影响，那就是它们擅长理解、预测和生成单词序列，对吧？在我们的例子中，我们考虑的是理解和预测人们的行为，理解场景中的其他参与者，或者进行决策、规划自己的轨迹，或者在模拟中生成行为，生成世界如何演变的模型。

这些行为，就像这些序列，与句子没有什么不同，对吧？它们操作对象的狀態，具有局部连续性，但场景的全局上下文非常重要。因此，我们在行为预测、决策和模拟方面看到了令人兴奋的突破。

从那时起，我们的模型就越来越大。人们开始构建用于多任务的foundation model。最近几年，最大的突破是大型语言模型和现代视觉语言模型，它们结合了图像理解和语言理解。最近，我非常兴奋的一件事是图像和语言的结合。这就是我们最近在Waymo非常关注的事情：将经过多年构建的AI主干和所有AI，即真正专门用于自动驾驶任务的AI，与对这些元素的普遍世界知识和理解相结合。

你刚才提到模拟的作用，以及它如何发挥作用。你们在模拟的使用方面取得了重大突破，最近在生成式AI方面的突破，围绕着合成数据及其效用。我认为在你的领域，合成数据和模拟的概念非常有用，你们已经证明了这一点。也许你可以谈谈你们构建的模拟技术，它如何帮助你们扩展规模，以及你们如何构建对现实世界的理解，以及它在过去几年中是如何变化的？

是的，绝对的。这在我们的领域非常重要。如果你考虑评估驾驶员的问题，你知道它是否足够好？没有一个简单的答案。你需要大量的指标和数据来构建。

然后，你如何评估你系统的最新版本？你不能只是把它扔到现实世界中，然后看看会发生什么。你必须在模拟中进行测试。当然，新系统与你可能在现实世界中遇到的情况会有所不同。因此，你需要一个逼真的闭环模拟来让你有信心。这是模拟最重要的需求之一。

你还提到了合成数据。这是模拟可以发挥巨大作用的另一个领域，你可以探索长尾事件，对吧？也许你在现实世界中看到了一些有趣的事情，但你想修改场景，你想把一个事件变成数千甚至数万个场景变体。

你如何做到这一点？这就是模拟的用武之地。最后，有时你想评估AI，并用你从未见过的、非常规的经验来训练它。

这就是纯粹的合成模拟的用武之地。它们不是基于你在现实世界中看到的任何东西。在技术方面，有很多工作要做。这是一个巨大的AI问题。

重要的是，模拟器必须是逼真的，它必须在传感器或感知的逼真度方面是逼真的，并且它必须在其他动态参与者的行为方面是逼真的。如果其他参与者的行为不符合现实，例如，如果行人不像在现实世界中那样行走，那么你需要能够量化你在模拟中创建的场景与现实世界中发生的场景的逼真度和发生率，对吧？对某些非常常见的事情进行采样很容易，但对某些非常不常见的事情进行采样却很难。但你该如何处理呢？我认为这引出了一个关于现实主义的观点，那就是它必须在宏观层面、统计层面是现实的和可量化的。

因此，有很多工作要做。构建一个具有这种水平的现实主义的模拟器需要大量的工作，并且它必须是直观的。

最后，想想看，要培养一个优秀的驾驶员，你需要一个非常好的模拟器。但要有一个好的模拟器，实际上需要构建现实的行人、骑车者和驾驶员模型，对吧？所以，这需要做很多工作。

当然。然后，通过拥有这种非常擅长模拟现实世界并且易于使用的模拟软件，你可以创建场景中的变量，你实际上可以为驾驶员提供比他们在道路上获得的经验多得多的经验。

所有实际行驶里程，准确来说，到目前为止，我们在现实世界中已经行驶了数千万英里，完全自动驾驶行驶里程超过1500万英里。我们只有一种模式，但我们在模拟中行驶了数百亿英里。所以你知道这有多么巨大。

说到行驶里程的倍数？嗯，当今人工智能领域一个备受争议的话题是规模定律的概念。那么，你如何看待与自动驾驶相关的规模定律？是行驶里程？是某些经验？是计算能力？你如何看待这些？

嗯，模型大小很重要。我们现在所说的规模定律是盲目的，许多典型的旧式模型严重欠训练，是的，如果你的模型更大，拥有更多数据，这确实对你有帮助，你只是拥有更多能够更好地泛化的能力。所以我们看到规模定律在那里适用。

当然，数据通常很重要，但这不仅仅是计算里程，对吧？它必须是你知道的、能够训练模型、使模型擅长你关心的罕见情况的那种数据。我知道这有点棘手，因为你必须能够构建这些非常大的模型，但在我们的领域，这些模型必须在车上运行，对吧？所以你仍然需要将其集成到你的车载系统中。但是，我们确实看到了一种趋势，一种在我们领域中看到的普遍趋势，即训练一个巨大的模型然后将其提炼成一个较小的模型比直接训练较小的模型要好得多。是的。

我要稍微改变一下话题，我要做一个简化的陈述，这可能会让你抓狂。但是，DARPA的思想是，你知道，一种基于规则的方法，一种更传统的人工智能方法，具有大量的体积和文档化的教育，然后模型学习如何对这些做出反应。一些其他大型参与者和初创公司最近的方法会说，嘿，我们从一开始就使用人工智能来做出所有决策，你不需要进行所有这些模式识别学习，你知道，就像“端到端驾驶”那样，这是一个流行的口号。你如何解读这种方法？你在Waymo内部采用了哪些这种方法的元素？

是的，我认为这有点，有时候你知道人们谈论它的方式有点奇怪。经济是这个或那个，当然，但它不是那个，然后是另一个，对吧？所以它是大型模型，它是端到端模型，是的，它是通用人工智能，以及将这些模型与规则结合起来，对吧。

但问题是这还不够，对吧？像我们一样，我们想知道这些模型的局限性，对吧？而且多年来，我们已经看到了很多突破，对吧？连续变换器、大型语言模型、基础模型，它们对我们来说是一个巨大的进步，你知道，在我们项目的整个过程中，我们一直在做的事情是不断应用和推进这些最先进的技术。

在某些情况下，然后将它们应用于我们的领域。我们一直在学习的是，它们确实给了你巨大的提升，但它们还不够，对吧？所以主题一直是，你可以采用你今天最新最好的知识，很容易上手，对吧？就像“看起来像那样”。

它们就像“发布的诅咒”，但真正困难的问题和剩余的点，一年又一年，只有一点点。这还不够。所以，对吧，然后你必须在其之上做一些事情，对吧？所以，是的，你可以采用，你知道，现在，不，你可以采用，你知道，端到端的模型，从传感器到执行器或我们的驱动系统，通常我们一次构建它们。

你一次构建它们，但你知道你可以像反向传播一样遍历整个过程。你知道这个概念非常非常有效。你可以将它与，你知道，无论是规划还是其他什么东西结合起来，然后添加某种形式的闭环模拟。

你知道，在比赛之后，你可以有一个很棒的演示，就像一个开箱即用的东西，你可以有一个广告或一个驾驶系统，但这还不够，无法实现完全的自主性。所以，这就是真正艰苦的工作发生的地方。所以我想问题不是这个或那个，而是这个，然后你还需要什么才能实现完全的自主性？

这是一项艰巨的工作。这是对这些模型和整个系统整个生命周期的艰巨工作，对吧？所以从训练开始。

你如何训练？你如何设计这些模型？你如何，你知道，评估它们？是的，如果你有一个更大的系统，模型本身是不够的。

所以你必须围绕它们做一些事情。你必须知道它们有，嗯，现代生成式人工智能很棒。它有一些弱点，在目标进入、规划和决策方面，以及理解这个新的三维空间，我说你必须在它上面添加一些东西。

我们稍微谈到了这个模拟器，这是一个非常困难的问题，然后，你知道，一旦你有了什么，你知道，一旦你部署它，你如何将其反馈？所以，这就是所有真正艰苦的工作发生的地方。所以它不像端到端与其他什么东西。它是端到端和大型基础模型。然后，就像，然后是艰苦的……

工作，然后是所有艰苦的工作。是的，这完全说得通。这是一个很好的过渡，可以谈谈你们取得的所有进展。

在Waymo工作的人，那些做过这件事的人，这是一种非凡的经历。这并不是说你们已经解决了所有这些复杂的问题，但是你们解决了很多问题。你们今天仍然面临哪些最大的人工智能或数据问题？

简短的答案是，你正在将其提升到下一个数量级，多个数量级。这将带来我们需要进行的额外改进，使人工智能成为一项伟大的服务，对吧？但是，你知道，为了达到我们今天所处的水平，你知道，我们在各种条件下进行驾驶，全天候地进行驾驶，在凤凰城有一点。

这些是最主要的都市市场，但也包括山景城和奥斯汀。你看到司机在城市中驾驶的所有复杂性，天气状况，无论是浓雾还是暴风雨，暴风雨或阵雨，所有这些都是我们运营的条件，对吧？所以，然后我可以考虑，你知道，是什么让它成为一个伟大的人工智能客户体验，对吧？如果你按数量级增长，需要什么？我们有很多改进要做。

这样它就能成为更好的服务，让你从A点到B点，对吧？就像，我们向我们的车手征求反馈。我们收到的很多反馈都与你的接送地点的质量有关，对吧？我们从用户那里学习，我们采用了一种神奇的主题，从你在手机上启动应用程序到到达目的地，这是一个令人愉快的体验，所以这就是我们现在正在做的很多工作。

是的，接送，值得一提的是，这是一个极其困难的问题，对吧？如果你在城市地区，你是否会稍微挡住一点车道？然后有一个传感器说，哦，实际上我刚看到有人打开车库门，我需要让路。你知道，在街上走多远是可以接受的？或者如果你在停车场，在停车线里，你这样做吗？这是一个极其困难的问题，但正如你所说，这对用户体验至关重要。

这是对的。我认为这是一个很好的例子。就像，只是讨厌，只是我们必须构建的许多事情中的一件，才能使它成为一个很棒的产品，对吧？不仅仅是一个技术演示。

我认为你恰好触及了一些使某些事情看起来相当简单的事情，对吧？好吧，你知道，但是我知道在发生的事情中有一个地方，比如，这有多难？但是，如果是在人口稠密的城市环境中，有很多这样的因素，对吧？

是否有，你知道，另一辆车你将要挡住？是否有垃圾车或其他东西正在打开，对吧？比如，对用户来说最方便的接送地点是什么？所以这真的会深入到，是的，理解驾驶任务的语义和动态性质的深度和微妙之处。做一些安全、舒适和可预测的事情，这会导致一种令人愉悦的客户体验。

当然。好的。所以你提到了这个数字，1500万英里，我知道这个数字可能比昨天更大，是的，它每天都在增长，1500万英里的自动驾驶里程。

这太不可思议了。更令人印象深刻的是，你还没有分享这个数据。它导致的事故比人类驾驶员少3.5倍。对吗？我认为……

3.5倍的伤害减少，这大约是警方报告中的减少……

表格和较低的严重程度指标。这有点涉及到监管和业务或伦理问题。你想要达到的正确水平是什么？你想要不断改进，但有没有一个零事故水平，你会说，好吧，我们足够好了，这是可以接受的？监管机构……是的……

所以没有一个非常简单的简短答案，对吧？我认为它始于你刚才提到的那些统计数据。是的，我知道，我们关心的是安全。你看看这些数字，是的，当我们今天运营时，我们有强有力的经验证据表明，在这些领域，我们的汽车比人类驾驶员更安全。

所以，总的来说，这意味着碰撞减少，以及伤害减少。除了这些数字之外，我们还发布了这些数字，根据我们分享的最新数字，是的，我们一直在分享这些数字，因为我们的服务规模扩大和增长。如果你还可以加入另一个视角，即公司对碰撞的贡献，我们实际上发布了，我认为这是基于大约400万英里，对于2000万英里，我们与瑞士再保险公司进行了一项联合研究。这是世界上最大的全球再保险公司。

他们看待它的方式是，你知道，谁对事件做出了贡献？在那里，我们看到了同样的主题，但数字非常强劲，即财产损失碰撞减少了76%，而与轻微伤害相关的索赔减少了100%。所以，如果你加入这个视角，我认为这个故事会更引人注目，对吧？但是也有一些碰撞。

我们看到的大部分事件都是轻微的，有人只是撞了你，对吧？当然。但是，嗯，我认为我们确实知道，这是一项新技术，一种新产品。所以，嗯，它被设定为更高的标准。

所以，当我们考虑我们的安全性和准备就绪框架方法时，我们不会仅仅停留在统计数据上，对吧？多年来，我们构建了巨大的投资和经验领域，比如，你知道，你还需要什么。我们已经做了，我们已经做了许多其他不同的事情，发布了我们的一些方法。

我们分享了我们的准备框架。嗯，你知道，我们做的其他事情是，我们实际上不仅仅是统计上的，而是针对具体的事件，我们建立了一个专注的、非常优秀的人类驾驶员的模型，比如，不是分心的人类驾驶员，对吧？但我们不想与我们的驾驶员进行比较，对吧？这是一个模型。

在一个特定的场景中，我们将自己与那个非常优秀的人类驾驶员模型进行评估，我们坚持与那个非常高的标准相比做得好的标准。然后，你知道，你追求其他，你知道，验证方法。所以我的答案是，这是……是的，所有这些方法的总和，我们用来决定，是的，你知道，系统已经准备好部署和扩展。

我很乐意谈谈你今天和未来对市场结构、竞争以及你设想我们所扮演的角色的看法。

所以，我们公司对Waymo的看法是，我们正在构建一个通用的自动驾驶系统。这是核心，这是使交通安全和便捷的核心使命，对吧？而且，我们正在谈论的是，今天，我们的主要应用最成熟。

现在，我们设想未来，Waymo的自动驾驶系统将部署在其他商业应用中，对吧？有送货、卡车运输、个人自有车辆，对吧？所以，所有这些指导原则都是要考虑黄金市场战略，以及如何加速对这项技术的访问，并将其尽可能广泛地部署，当然，要逐步、谨慎地安全地进行，你知道，尽可能快地、尽可能广泛地进行。

呃，所以，随着这些原则的制定，我们将探索不同的商业模式，不同的合作伙伴关系。例如，在凤凰城，我们与优步合作，还在优步外卖中与Right Healing合作。在凤凰城，我们有自己的应用程序。您可以下载Waymo应用程序，然后叫车，我们的车辆就会出现，带您去您想去的地方。呃，这是体验我们产品的一种方式。

另一种方式是通过优步应用程序，我们与优步合作，您可以通过该应用程序与我们的产品Waymo司机和Waymo车辆匹配，体验是一样的，对吧？但这对我们来说是另一种加速让更多人体验自动驾驶的方式，这让我们有机会思考不同的市场策略，对吧？一种是，你知道的，拥有更多我们自己的东西，另一种是，你知道的，依靠别人的服务，所以现在还处于早期阶段，但我们会不断改进，但一切都是为了服务于这一原则。

意思是原则。太棒了。是的，这将是。这将是令人兴奋的。嗯，也许回到车辆本身，你们使用的硬件堆栈是什么？我和你谈了很多关于从阿帕网开始的事情。

嗯，你知道的，它基本上是一样的东西，对吧？它是传感器。它们已经有了相当大的进步。但是，你知道的，你仍然使用激光雷达，对吧？或者，你认为这仍然是自动驾驶未来的道路吗？白的是。

具体来说，嗯，不，Waymo。我的意思是，传感器在物理上是不同的，对吧？它们各有各的优点，比如摄像头、激光雷达和雷达。

每一个都有其自身的优势，对吧？摄像头，很明显，它们是彩色的，它们给你非常高的分辨率；激光雷达给你对环境的直接距离测量；雷达传感器，对吧，在没有外部光线的情况下，它们在黑暗中也能发挥作用。是的，即使在白天，它们也能像摄像头一样工作，在某些情况下甚至更好。

然后，你知道，雷达非常擅长穿透物理现象和不同的波长，对吧？如果你构建一个成像雷达——我们自己也这样做——它可以给你额外的冗余性。它也有好处，雷达传感器可以直接测量其他物体的速度，以及它们以不同的方式和更优雅的方式移动，在某些天气条件下，比如浓雾，或者非常……所以你知道它们各有各的优势。所以，我们的方法一直是使用所有这些。

是的，这就是你如何获得冗余性，以及如何获得系统额外能力提升的方式。嗯，现在我们已经部署了第五代传感器，并且正在努力部署第六代传感器。在这些几代传感器中，我们提高了可靠性，改进了新功能和性能，并且显著降低了成本，对吧？所以，啊，我认为这种趋势，你知道的，对我们来说，使用这三种传感器是有意义的。再次强调，如果你正在构建一个驾驶员辅助系统，而不是一个完全自动驾驶的车辆，你可能会做出不同的权衡。

你知道，最后一点，每年只有一小部分……是的，绝对的。嗯，我们对这波L4自动驾驶系统早期的一些观察是，早期出现了一场大规模的成本降低竞赛。许多人认为这已经是一种商品化过程了。你知道，这还处于早期阶段。

嗯，从多年来从事自动驾驶的经验来看，我的观察结果恰恰相反。这个领域已经变得越来越小了。嗯，事实证明，这比预期的要困难得多。你能谈谈为什么会出现这种情况吗？

它总是有这样的特性：很容易开始，但要把它做到完全自动驾驶，以至于可以移除驾驶员，却非常非常困难。嗯，可能有一些因素导致了这种情况。嗯，与L4自动驾驶系统和数字世界的AI相比，你必须在物理世界中运行，而物理世界是混乱的，而且很嘈杂，对吧？不，这可能会让你很谦卑，对吧？

存在各种不确定性、噪声……是的，这可能会让你偏离分布。所以，这就是让它变得非常困难的一点。嗯，第二点是安全。

当然，在某些领域，这些AI系统……你知道，这在我们的领域里是创造性的，而且很棒。错误的代价是，你的不准确性会造成非常严重的后果。标准非常非常高。我不知道我。

最后一点是，它必须是实时的，你把这些系统安装在快速移动的车辆上，而且必须实时做出决定，对吧？你必须非常迅速地做出决定，我认为正是这些因素的结合才导致了这种情况。你所说的趋势是，它必须做到极致，对吧？必须在这方面做到卓越。

然后，然后，对吧，所有这些，标准都非常非常高，对于系统的每一个组件以及你如何将它们组合在一起。但是现在，有了很大的进步，它们会给你带来提升，并将系统向前推进。但是没有灵丹妙药，对吧？而且没有捷径可走。

由于对错误的容忍度很低，所以对安全的标准非常高。你还会受到监管机构的严格审查。你知道，要完成所有这些流程的成本非常高。嗯，所以，这很有意义，我很感激你们坚持了下来，尽管你们经历了所有这些令人谦卑的经历。

所以这是一段漫长的旅程，但对我来说，以及对Waymo的许多人来说，这足够了，这非常令人兴奋，而且看到它成为现实非常有意义。我们在许多语境中谈论安全，对吧？这是一个很大的问题，对吧？但是，你知道，在这个AI在物理世界中的应用中，我们看到越来越多的证据表明，我们正在看到显著的安全益处。

所以，是的，我总是对人们说，这是一段漫长的旅程，而且沿途代价高昂。但这可能是我们今天在世界上拥有的最强大的AI体现。你可以坐上一辆没有司机的车，而且比有人驾驶的车更安全。这真是太了不起了。在那些令人谦卑的事件中，有些是什么……

沿途的那些真正重要的时刻？哦，对不起。我记得有一条路线……嗯……我们做过一次，我做过不止一次，人们穿过山区到1号公路，然后沿着1号公路到萨诺，绕着城市转了一圈……

实际上完成了一段很长的……

街道，2001年……

一百年，人类司机都会……呃……

你有一天在做这件事，然后我们开车，经过蒙特雷的17英里路。我们正穿过山区，清晨雾很大，然后我们开始看到物体，我们的物体检测系统检测到我们面前道路上的随机东西。那里有一个桶，还有一只鞋。

然后，在某个时刻，我们撞上了一辆……你知道的……一辆生锈的自行车。我，“好吧，发生了什么事？”最终，汽车，你知道的，不知道如何处理它。好吧，也许不是非常顺利，但我们卡住了，我们撞上了一辆装满东西的垃圾车，它挡住了汽车的路。

这就像一部卡通片。你知道，自动驾驶的持续改进就是不断纠正错误，你们做到了，这很酷。嗯，最后一个问题。我可能会让你来招聘一些人。但是，如果你站在这里观众的立场上，正在寻找你的第一份工作，我会引用你之前说过的话，那就是“我能看到你对创业的热情和兴奋”，并且“怀念那些日子”，这太酷了……你会对这些人有什么建议，无论是在公司类型、角色类型、行业还是其他任何方面？

会吗？你。找到一个问题。我们今天讨论的是AI。但说真的，找到一个重要的问题，一个对世界重要的问题，一个对你重要的问题。很有可能它会很难，是的，我们正在做的许多事情都有这个特性。所以不要被别人告诉你什么而分心，你开始构建，然后坚持下去。

祝贺你们取得的所有进展。作为一名非常满意的客户，感谢你们创造了它，我们非常感谢你们的到来。

好了，今天的节目就到这里。如果你坚持到了现在，首先，谢谢你。我们对每一集都投入了大量的思考，无论是嘉宾的选择，还是日历的安排，以及与令人惊叹的音频和音乐团队的合作，直到音乐恰到好处。所以，如果你喜欢我们制作的内容，请考虑在ratethispodcast.com/a16z上给我们留言，让我们知道你最喜欢的部分，这会让我很开心，我相信团队成员也会很开心。我们下次再见。