大約七八年前， 還在美國維吉尼亞理工大學念博士的佟顯喬自嘲：「博士畢業後繼續做無人車應該找不到工作。 」這是因為當時自動駕駛技術還未完全被商業化驅使，
當然， 這句「預言」並沒應驗。 完成學業後， 佟顯喬先後在英偉達、蘋果和百度從事自動駕駛相關的研發工作。
近一兩年， 在自動駕駛的浪潮下， 那些在早期對這一技術不斷探索的極客工程師們、那些希望推動這一技術從實驗室走向產業化的高校教授們， 先後加入自動駕駛的創業大軍。 作為這股熱浪的一份子， 佟顯喬自然也沒能經受住「誘惑」。
今年 4 月， 他從上一家公司離職， 與另外兩位同事共同創辦了一家叫做 Roadstar.ai 的自動駕駛公司。 這也是今年繼小馬智行科技（Pony.ai）、景馳科技（Jingchi.ai）後成立的第三支自動駕駛團隊。
對自己的這次創業， 佟顯喬評價道：「自動駕駛到了一個我們可以共同實現的時間節點，
自動駕駛中堅力量的創業
「Star on the road， 我們希望在自動駕駛這條路上成為一顆明星。 」Roadstar.ai 創始人兼 CEO 佟顯喬這樣解釋「Roadstar」的含義。 這句話的言外之意， Roadstar.ai 希望成為中國最強的 Level 4 自動駕駛團隊。
儘管這家公司正式成立還不到 3 個月， 但如果我們瞭解三位創始人的背景， 就能發現這家富有潛力的初創公司在自動駕駛領域所處的位置。
Roadstar.ai 三位聯合創始人佟顯喬（CEO）、衡量（CTO）、周光（首席機器人專家）， 曾在穀歌、蘋果、特斯拉、英偉達、百度等公司就職， 有著豐富的自動駕駛實戰經驗， 並都是自動駕駛研發的中堅力量。
佟顯喬是維吉尼亞理工大學無人車方向博士， 曾就職於蘋果特殊專案組 (無人車研發)、英偉達自動駕駛演算法組，
衡量是斯坦福大學博士， 曾就職於特斯拉 Autopilot 組、穀歌地圖街景組， 曾在百度自動駕駛專案組（ADU）技術委員會任核心委員， 擔任 Sensing 組經理和 Tech Lead。
周光是德州大學博士， 2015 年大疆全球開發者大賽第一名 (200+參賽隊伍)， 曾在百度矽谷無人車團隊負責標定、感知等方面的工作。
目前， 這家初創公司獲得了來自雲啟資本， 松禾資本， 銀泰資本、耀途資本等機構千萬美元的天使輪融資。
「與其他團隊不同， 他們三個創始人的經歷豐富， 在穀歌、百度、特斯拉、英偉達和蘋果等公司都有自動駕駛研發經驗。 」雲啟資本執行董事陳昱表示， 更加重要的是， 三位合夥人都曾是團隊的中流砥柱。
「團隊背景非常好， 他們都有無人車方面的實戰經驗， 這一點非常難得。 」迅雷創始人、松禾遠望基金創始合夥人程浩告訴雷鋒網。
在他看來， 這三位創始人此前的經驗是不可複製的， 他們在各自的專長上擁有深厚積累， 知道自動駕駛到底需要什麼， 也瞭解可能遭遇的陷阱， 並基於豐富行業經驗確定他們的技術選型：多感測器融合（sensor fusion）。
基於多感測器融合的解決方案考慮到各種不同感測器的特性互補， Roadstar.ai 選擇多感測器融合軟硬體結合的解決方案。
三位創始人相信， 多感測器融合方案既可以提升無人車演算法的能力， 又可以提升演算法的魯棒性和無人車的安全性。
他們認為， 多感測器融合在演算法上的優勢以及使用相對便宜的感測器（比如使用性價比高的國產雷射雷達），
對於這一套多感測器融合技術的具體方案， Roadstar.ai 將會在未來逐步對外公開。
簡單而言， 這家公司要做的， 是為自動駕駛汽車提供完整的解決方案。
在具體業務上，Roadstar.ai 將與整車廠商和供應商合作，為他們定型開發相應的 Level 4 級別無人駕駛系統，其中包括多感測器融合技術、軟體以及提供自動駕駛車輛需要的高精度地圖服務。
耀途資本創始合夥人楊光認為，國內整車廠和 Tier 1 在 Level 4 級別的自動駕駛技術上缺乏積累和人才，技術研發和儲備在一定程度上依賴科研院所和創業團隊，而這方面在全球範圍最領先的仍是穀歌、特斯拉、百度等公司，因此 Level 4 留給創業公司的想像空間非常大。
在楊光看來，創始團隊有不同的技術專長，在感測器感知、定位和地圖、路徑規劃、深度學習領域均有經驗，整體技術水準比較平衡和全面，比起某些全部來自於某一家技術公司的團隊，或者完全基於深度學習演算法背景的團隊，有更大的把握研發出 Level 4 級別的自動駕駛方案。
據雷鋒網瞭解，Roadstar.ai 已經矽谷和深圳設立研發中心，一方面吸收矽谷最新科技融入產品；另一方面針對中國市場做落地實踐。在明年年初，這家公司開發的自動駕駛原型車將正式上路。
最先落地的場景：商用車
對於自動駕駛技術的落地，佟顯喬說，Level 4 自動駕駛技術能在某些限定性場景下更早實現商業化應用。
以物流車為例，國內的物流行業仍處在快速發展期，但運營成本高昂。無人駕駛技術如果得以在城際高速公路等場景得以應用將能夠大幅提升物流效率和降低運營成本。
在百度、谷歌的無人駕駛汽車中，一個 64 線雷射雷達就售價高達 8 萬美金（約合 54 萬人民幣）。對於這一重要感測器的成本考量，佟喬顯告訴雷鋒網，他們希望利用國產的感測器來開發自動駕駛汽車，並做到不亞于矽谷的水準。
自動駕駛是一個萬億美金的市場，但同時也伴隨了許多未知和風險。他們能否追趕目前的行業進程？到底還需要多少時間？他們擁有多少資源？還有太多的不確定性。這些問題對任何一家公司都是一項龐大、艱難的任務，即便是由自動駕駛領域明星人物組建的團隊也是如此。
那麼， 成立不到 3 個月的 Roadstar.ai 是如何看待這些問題的？以下是雷鋒網與 Roadstar.ai 創始人兼 CEO 佟顯喬的對話實錄（有刪減）：
雷鋒網：談一談為什麼會創業？
佟顯喬：我本科在哈工大，對機器人這個領域一直比較有興趣。創業做無人車是因為趕上了好的時間節點，也是我自己專長的方向，再加上有比較好的團隊來做這件事。
我覺得創業追求的是一個成功率。如果我一個人創業，我可能會做一個規模比較小、自己可以掌控的技術。做無人車是因為我覺得我們現在的團隊有整體的技術，各方面都非常均衡，我才有信心做這件事。
雷鋒網：Roadstar.ai 今年才成立，在此之前很多自動駕駛公司已經成立了兩三年，對你們來說，在這個時間點上做這件事情相對算遲一些。
佟顯喬：從時間上我們確實是成立的比較遲。但我覺得從時間點上其實恰恰是一個比較好的時機。
兩三年前，這個行業比現在還看得不太清。一方面是感測器的價格，還真的沒有降到業內能夠接受的水準，所以我們做這件事情的初衷可能更多的是出於興趣或是專案研究。而今天我們會認真將它當一個產品來做。
從技術上來說，兩年前深度學習剛剛開始熱，那時候用深度學習來做自動駕駛的人並不多。在今天，我們看到深度學習已經開始應用到各行各業，特別是在自動駕駛感知上，深度學習的性能已經被證明，比如物體識別、車輛檢測方面已經超過傳統電腦視覺演算法，所以這個方向從技術上來說，是比較新的。
另一方面，兩年前我們會認為谷歌的無人車做得最好，都認為應該按照谷歌的思路。但今天我們可以看到各式各樣的技術路線。這對整個行業來說，可參考的方向就比較多，而且最後走到一個正確技術方向的概率也會比較大。所以從時間點上，我覺得正是一個比較好的時機。
雷鋒網：你覺得你們還需要多少時間趕上目前的行業的水準？
佟顯喬：從我們團隊的配備來看，我們希望在巨人的肩膀上，在更正確的技術路徑上推進無人駕駛。
我們的技術選型和好多公司實際是不一樣的，最後什麼時候可以超越或者差不多，這其實比較難說。我覺得應該兩年之內是比較合理的。
明年年初我們會有一輛原型車，相當於 1.0 版本，這是能夠展現我們基本架構能力的車。
雷鋒網：有人認為目前自動駕駛/無人駕駛還處在一個比較早期的階段。你怎麼看這一領域的發展？
佟顯喬：無人駕駛領域的從業者，一般最早是在學校做研究，後來到公司做產品，再到最後做產品的落地。
我認為現在的無人駕駛已經到了可以做產品落地的階段。但是因為無人駕駛的市場非常大，它包含了各種各樣的應用，但並不是所有的應用都是平等的。比如說計程車的落地，可能今天還是非常的早期。但是運輸物流，我認為已經比較接近了。
雷鋒網：你們團隊有哪些優勢？核心團隊各自的分工是怎樣的？
佟顯喬：我們正式成立不到兩個月，現在團隊規模不到 20 人，但每個技術模組都有經驗豐富的專家來帶隊。
我們的技術模組大致分為：Sensing、感知（傳統視覺、深度學習）、定位、高精地圖、決策、路徑規劃、控制、計算平臺、雲端等等。
無人車是一個複雜的系統，如果有一塊短板就決定了整個系統的短板，這與「木桶效應」類似。所以，我們希望打造一個各方面都均衡的團隊，每一方面都沒有短板，然後可以將整個系統搭建起來。這是我們的目標之一。
雷鋒網：很多初創公司都將自己的自動駕駛解決方案定位在 Level 4，但事實上這一級別的自動駕駛看起來很激動人心，但離實際市場還有一段距離，而且還將面臨各種法律法規的問題。對於 Level 4 的定位，你們是如何思考的？怎麼解決從 demo 到商業化落地之間的巨大鴻溝？
佟顯喬：我們本身是做技術出身，Level 4 在技術上來說更難，但 Level 4 也更加符合未來的預期。
我們過去做的工作一直是 Level 4 ，技術門檻高，又有挑戰性，這也是下一代交通系統肯定會去實現的技術。從社會角度來說，它會使得整個社會的生產力大幅度提升。
而落地問題，我們希望找一個落地的應用，比如商用車的應用，在可預見的未來是很快可以實現的。我們的市場和產品的落地都會在中國，我們希望做一個符合中國的交通系統的解決方案。
雷鋒網：講講你們的技術選型，為什麼會選擇多感測器融合的路線？在技術上、成本上有怎樣的優勢？
佟顯喬：一方面從冗餘系統的角度考慮，一方面從技術的角度來考慮。
首先汽車和手機等其他消費品並不一樣。汽車要求最高的是：安全性、系統穩定性。
如果自動駕駛只依賴單一感測器，這沒辦法保證汽車的安全性和穩定性，所以要有冗餘或者多種感測器的配合來解決這一問題。
從技術角度看，使用兩種或多種感測器，能夠將他們的性能進行互補，性能之間的優劣勢組合在一起運用，取長補短。它結合了不同感測器的優缺點，後續我們在演算法上的研發和投入程度就會變得相對簡單。
兩年前外界覺得有些感測器，比如雷射雷達由於價格太貴只適合用戶做研究。但實際上，雷射雷達有攝像頭無法彌補的優勢，它可以提供準確的三維資訊，對於探測周圍是否有物體存在的效果特別好。
從成本角度來說，今天有很多家公司在做雷射雷達，而且未來的趨勢並不是旋轉式的雷射雷達，而是固態雷射雷達，後者的成本可以降到很低。從今天看這些產業鏈已經起來，再過兩年雷射雷達的價格將會便宜很多。
雷鋒網：和大部分創業公司不同，你們的主要產品是針對前裝和後裝，前裝又分為乘用車和商用車，後裝分為高精度地圖。能不能分別談談為什麼會這樣規劃，你們是怎麼思考的？
佟顯喬：我們不是一家做研究的公司，而是要將技術應用到產品上。
我們會和車廠、供應商一起來探討在哪一個應用下我們可以完全達到 Level 4 級別的自動駕駛，這是我們做前裝產品落地的方向。
我認為，一個合理、快速落地的應用方向應該是商用車，因為商用車涉及的環境比乘用車簡單。從技術成熟角度來說，這會是優先解決的問題。
這個市場足夠大，限定場景的應用也非常多，我們覺得比較直接的方式應該是先從商用車入手，最終再到乘用車。
從後裝來講，Roadstar.ai 在地圖和定位方面比較強，我們認為 Level 4 自動駕駛，高精度地圖必不可缺，而高精度地圖是我們的優勢。
我們並不會和傳統圖商進行競爭，因為他們的優勢在於車隊，可以採集大量資料，可以做地圖服務。我們的優勢在於：如何將採集到的資料變成高精度地圖，如何從 raw data 變成釐米級精度。這恰恰是我們可以與傳統傳圖商進行互補的方面。
雷鋒網：目前業內很熱的深度學習，你們是否也會用這樣的技術解決自動駕駛的問題？
佟顯喬：從機器人學角度來看，無人車就是一個機器人，物理建模、動力學模型等方面都是要考量的。
深度學習是一個比較通用的方法，並不是最終解決方案。深度學習主要應用於感知，比如對車輛、行人、障礙物檢測等方面。從整體上看，深度學習只是無人駕駛解決方案的一部分，並不是全部。
我們認為在需要深度學習和這項技術擅長的部分，我們一定會使用它。
雷鋒網：業內認為，無人車大規模資料收集和測試是關鍵問題。對於車隊規模和資料獲取，你們會有哪些相應的規劃？
佟顯喬：大規模資料解決的是邊際問題。駕駛場景千變萬化，後續的 corner case 又有長尾效應，接近於無限多。所以這需要大規模的資料來解決。
但今天我們就到達了只需要解決 corner case 的程度嗎？我認為還沒有，從另一個角度來說，不同的技術造成長尾的長度也是不一樣的。
如果有好的技術選型，未來處理的 corner case 會少一個量級，後續需要採集的資料量或者是做相應的工作也會少很多。
明年年初，可能在春節前後，我們將推出原型車，我們希望做一個魯棒性好，又有安全性的系統。另外，我們也希望與國內的產業合作夥伴一起壯大，用國產的感測器來做這件事情，並做到不亞于矽谷的水準。
雷鋒網：你覺得這樣的問題是否可以被量化：比如測試車的量到達一定的規模、測試里程達到一定的規模，就能解決無人駕駛的安全問題？
佟顯喬：如果需要幾億英里，每天幾輛車上路，可能幾十年也不能達到這樣的資料量。所以對車來說，並不應該是這種測試。一方面成本不允許，比如雷射雷達當前成本較高，產能也不足；另一方面，這也導致沒有足夠規模的雷射雷達裝配在車上去收集資料。
我覺得比較合理的方式：在演算法上解決大部分問題，然後在模擬建模上解決小部分問題，剩下的則是做真正的路測。
在具體業務上，Roadstar.ai 將與整車廠商和供應商合作，為他們定型開發相應的 Level 4 級別無人駕駛系統，其中包括多感測器融合技術、軟體以及提供自動駕駛車輛需要的高精度地圖服務。
耀途資本創始合夥人楊光認為，國內整車廠和 Tier 1 在 Level 4 級別的自動駕駛技術上缺乏積累和人才，技術研發和儲備在一定程度上依賴科研院所和創業團隊，而這方面在全球範圍最領先的仍是穀歌、特斯拉、百度等公司，因此 Level 4 留給創業公司的想像空間非常大。
在楊光看來，創始團隊有不同的技術專長，在感測器感知、定位和地圖、路徑規劃、深度學習領域均有經驗，整體技術水準比較平衡和全面，比起某些全部來自於某一家技術公司的團隊，或者完全基於深度學習演算法背景的團隊，有更大的把握研發出 Level 4 級別的自動駕駛方案。
據雷鋒網瞭解，Roadstar.ai 已經矽谷和深圳設立研發中心，一方面吸收矽谷最新科技融入產品；另一方面針對中國市場做落地實踐。在明年年初，這家公司開發的自動駕駛原型車將正式上路。
最先落地的場景：商用車
對於自動駕駛技術的落地，佟顯喬說，Level 4 自動駕駛技術能在某些限定性場景下更早實現商業化應用。
以物流車為例，國內的物流行業仍處在快速發展期，但運營成本高昂。無人駕駛技術如果得以在城際高速公路等場景得以應用將能夠大幅提升物流效率和降低運營成本。
在百度、谷歌的無人駕駛汽車中，一個 64 線雷射雷達就售價高達 8 萬美金（約合 54 萬人民幣）。對於這一重要感測器的成本考量，佟喬顯告訴雷鋒網，他們希望利用國產的感測器來開發自動駕駛汽車，並做到不亞于矽谷的水準。
自動駕駛是一個萬億美金的市場，但同時也伴隨了許多未知和風險。他們能否追趕目前的行業進程？到底還需要多少時間？他們擁有多少資源？還有太多的不確定性。這些問題對任何一家公司都是一項龐大、艱難的任務，即便是由自動駕駛領域明星人物組建的團隊也是如此。
那麼， 成立不到 3 個月的 Roadstar.ai 是如何看待這些問題的？以下是雷鋒網與 Roadstar.ai 創始人兼 CEO 佟顯喬的對話實錄（有刪減）：
雷鋒網：談一談為什麼會創業？
佟顯喬：我本科在哈工大，對機器人這個領域一直比較有興趣。創業做無人車是因為趕上了好的時間節點，也是我自己專長的方向，再加上有比較好的團隊來做這件事。
我覺得創業追求的是一個成功率。如果我一個人創業，我可能會做一個規模比較小、自己可以掌控的技術。做無人車是因為我覺得我們現在的團隊有整體的技術，各方面都非常均衡，我才有信心做這件事。
雷鋒網：Roadstar.ai 今年才成立，在此之前很多自動駕駛公司已經成立了兩三年，對你們來說，在這個時間點上做這件事情相對算遲一些。
佟顯喬：從時間上我們確實是成立的比較遲。但我覺得從時間點上其實恰恰是一個比較好的時機。
兩三年前，這個行業比現在還看得不太清。一方面是感測器的價格，還真的沒有降到業內能夠接受的水準，所以我們做這件事情的初衷可能更多的是出於興趣或是專案研究。而今天我們會認真將它當一個產品來做。
從技術上來說，兩年前深度學習剛剛開始熱，那時候用深度學習來做自動駕駛的人並不多。在今天，我們看到深度學習已經開始應用到各行各業，特別是在自動駕駛感知上，深度學習的性能已經被證明，比如物體識別、車輛檢測方面已經超過傳統電腦視覺演算法，所以這個方向從技術上來說，是比較新的。
另一方面，兩年前我們會認為谷歌的無人車做得最好，都認為應該按照谷歌的思路。但今天我們可以看到各式各樣的技術路線。這對整個行業來說，可參考的方向就比較多，而且最後走到一個正確技術方向的概率也會比較大。所以從時間點上，我覺得正是一個比較好的時機。
雷鋒網：你覺得你們還需要多少時間趕上目前的行業的水準？
佟顯喬：從我們團隊的配備來看，我們希望在巨人的肩膀上，在更正確的技術路徑上推進無人駕駛。
我們的技術選型和好多公司實際是不一樣的，最後什麼時候可以超越或者差不多，這其實比較難說。我覺得應該兩年之內是比較合理的。
明年年初我們會有一輛原型車，相當於 1.0 版本，這是能夠展現我們基本架構能力的車。
雷鋒網：有人認為目前自動駕駛/無人駕駛還處在一個比較早期的階段。你怎麼看這一領域的發展？
佟顯喬：無人駕駛領域的從業者，一般最早是在學校做研究，後來到公司做產品，再到最後做產品的落地。
我認為現在的無人駕駛已經到了可以做產品落地的階段。但是因為無人駕駛的市場非常大，它包含了各種各樣的應用，但並不是所有的應用都是平等的。比如說計程車的落地，可能今天還是非常的早期。但是運輸物流，我認為已經比較接近了。
雷鋒網：你們團隊有哪些優勢？核心團隊各自的分工是怎樣的？
佟顯喬：我們正式成立不到兩個月，現在團隊規模不到 20 人，但每個技術模組都有經驗豐富的專家來帶隊。
我們的技術模組大致分為：Sensing、感知（傳統視覺、深度學習）、定位、高精地圖、決策、路徑規劃、控制、計算平臺、雲端等等。
無人車是一個複雜的系統，如果有一塊短板就決定了整個系統的短板，這與「木桶效應」類似。所以，我們希望打造一個各方面都均衡的團隊，每一方面都沒有短板，然後可以將整個系統搭建起來。這是我們的目標之一。
雷鋒網：很多初創公司都將自己的自動駕駛解決方案定位在 Level 4，但事實上這一級別的自動駕駛看起來很激動人心，但離實際市場還有一段距離，而且還將面臨各種法律法規的問題。對於 Level 4 的定位，你們是如何思考的？怎麼解決從 demo 到商業化落地之間的巨大鴻溝？
佟顯喬：我們本身是做技術出身，Level 4 在技術上來說更難，但 Level 4 也更加符合未來的預期。
我們過去做的工作一直是 Level 4 ，技術門檻高，又有挑戰性，這也是下一代交通系統肯定會去實現的技術。從社會角度來說，它會使得整個社會的生產力大幅度提升。
而落地問題，我們希望找一個落地的應用，比如商用車的應用，在可預見的未來是很快可以實現的。我們的市場和產品的落地都會在中國，我們希望做一個符合中國的交通系統的解決方案。
雷鋒網：講講你們的技術選型，為什麼會選擇多感測器融合的路線？在技術上、成本上有怎樣的優勢？
佟顯喬：一方面從冗餘系統的角度考慮，一方面從技術的角度來考慮。
首先汽車和手機等其他消費品並不一樣。汽車要求最高的是：安全性、系統穩定性。
如果自動駕駛只依賴單一感測器，這沒辦法保證汽車的安全性和穩定性，所以要有冗餘或者多種感測器的配合來解決這一問題。
從技術角度看，使用兩種或多種感測器，能夠將他們的性能進行互補，性能之間的優劣勢組合在一起運用，取長補短。它結合了不同感測器的優缺點，後續我們在演算法上的研發和投入程度就會變得相對簡單。
兩年前外界覺得有些感測器，比如雷射雷達由於價格太貴只適合用戶做研究。但實際上，雷射雷達有攝像頭無法彌補的優勢，它可以提供準確的三維資訊，對於探測周圍是否有物體存在的效果特別好。
從成本角度來說，今天有很多家公司在做雷射雷達，而且未來的趨勢並不是旋轉式的雷射雷達，而是固態雷射雷達，後者的成本可以降到很低。從今天看這些產業鏈已經起來，再過兩年雷射雷達的價格將會便宜很多。
雷鋒網：和大部分創業公司不同，你們的主要產品是針對前裝和後裝，前裝又分為乘用車和商用車，後裝分為高精度地圖。能不能分別談談為什麼會這樣規劃，你們是怎麼思考的？
佟顯喬：我們不是一家做研究的公司，而是要將技術應用到產品上。
我們會和車廠、供應商一起來探討在哪一個應用下我們可以完全達到 Level 4 級別的自動駕駛，這是我們做前裝產品落地的方向。
我認為，一個合理、快速落地的應用方向應該是商用車，因為商用車涉及的環境比乘用車簡單。從技術成熟角度來說，這會是優先解決的問題。
這個市場足夠大，限定場景的應用也非常多，我們覺得比較直接的方式應該是先從商用車入手，最終再到乘用車。
從後裝來講，Roadstar.ai 在地圖和定位方面比較強，我們認為 Level 4 自動駕駛，高精度地圖必不可缺，而高精度地圖是我們的優勢。
我們並不會和傳統圖商進行競爭，因為他們的優勢在於車隊，可以採集大量資料，可以做地圖服務。我們的優勢在於：如何將採集到的資料變成高精度地圖，如何從 raw data 變成釐米級精度。這恰恰是我們可以與傳統傳圖商進行互補的方面。
雷鋒網：目前業內很熱的深度學習，你們是否也會用這樣的技術解決自動駕駛的問題？
佟顯喬：從機器人學角度來看，無人車就是一個機器人，物理建模、動力學模型等方面都是要考量的。
深度學習是一個比較通用的方法，並不是最終解決方案。深度學習主要應用於感知，比如對車輛、行人、障礙物檢測等方面。從整體上看，深度學習只是無人駕駛解決方案的一部分，並不是全部。
我們認為在需要深度學習和這項技術擅長的部分，我們一定會使用它。
雷鋒網：業內認為，無人車大規模資料收集和測試是關鍵問題。對於車隊規模和資料獲取，你們會有哪些相應的規劃？
佟顯喬：大規模資料解決的是邊際問題。駕駛場景千變萬化，後續的 corner case 又有長尾效應，接近於無限多。所以這需要大規模的資料來解決。
但今天我們就到達了只需要解決 corner case 的程度嗎？我認為還沒有，從另一個角度來說，不同的技術造成長尾的長度也是不一樣的。
如果有好的技術選型，未來處理的 corner case 會少一個量級，後續需要採集的資料量或者是做相應的工作也會少很多。
明年年初，可能在春節前後，我們將推出原型車，我們希望做一個魯棒性好，又有安全性的系統。另外，我們也希望與國內的產業合作夥伴一起壯大，用國產的感測器來做這件事情，並做到不亞于矽谷的水準。
雷鋒網：你覺得這樣的問題是否可以被量化：比如測試車的量到達一定的規模、測試里程達到一定的規模，就能解決無人駕駛的安全問題？
佟顯喬：如果需要幾億英里，每天幾輛車上路，可能幾十年也不能達到這樣的資料量。所以對車來說，並不應該是這種測試。一方面成本不允許，比如雷射雷達當前成本較高，產能也不足；另一方面，這也導致沒有足夠規模的雷射雷達裝配在車上去收集資料。
我覺得比較合理的方式：在演算法上解決大部分問題，然後在模擬建模上解決小部分問題，剩下的則是做真正的路測。