<mark id="oztn4"></mark>
0
2014年，大疆作為“空中的相機”已然成績斐然。
精靈2相機、云臺、圖傳技術成熟，精靈3視覺定位與懸停功能完善，極大提升消費級無人機實用性與易用性，徹底改變大眾對無人機的認知，使航拍從專業小眾走向大眾普及。
然而，大疆創始人Frank心中仍懷揣著三大未竟的夢想，其中之一便是賦予無人機“眼睛”和“大腦”，使其能夠在樹林中自由穿梭，自動跟隨用戶拍攝，并能在遭遇障礙物時自主繞行。
這一設想，在當時看來近乎天方夜譚。
當年底，趙叢來到大疆時，毫無“正規軍”的模樣。
整個團隊僅他一人帶領3位實習生龐敏健、李睿、周游。
他們既沒有獨立的研發經費，也缺乏固定的開發環境，甚至連項目本身都未被列入精靈4（Phantom 4）的初始立項計劃，更像是一個游離在核心業務之外的“邊緣團隊”。
團隊面臨的是從零開始的挑戰。
在學術領域，當時計算機視覺（CV）的研究多集中于簡單物體的短時跟蹤，學者們比拼的是跟蹤框（Bounding - Box）的像素級精度。
而對于一個空中機器人，需要在劇烈運動、遮擋、復雜光影變化下實現長時間穩定跟隨（Long - term Tracking），并理解三維世界進行避障，幾乎沒有成熟方案可供參考。
從相機成像、目標識別與跟蹤、芯片底層優化，到局部環境地圖構建、實時導航決策以及整個數據與控制鏈路的調校，每一個環節都需要自主攻克。
更讓團隊感到壓力的是來自大疆內部的質疑。
多數老同事都對他們持否定態度。
“已經有很多前人嘗試過但做不出來，沒必要瞎折騰。”
“GPS跟隨就夠了，視覺跟隨搞不出來的，搞出來了也落不了地。”
這樣的聲音時常傳入團隊成員耳中。
在協調內部資源時，他們團隊更是屢屢碰壁。由于項目不受重視，他們想要獲取特殊版本的相機、飛控固件進行調試，都需要反復溝通。
“那段時間，我差不多是每個周末都四處請各個部門的同事吃飯，靠各種臨時版本拼湊起來原型（機）。”
趙叢后來回憶起這段經歷時，語氣中仍帶著一絲感慨。
即便面臨重重阻力，趙叢始終堅信視覺跟隨的意義。
他清楚地知道，GPS 跟隨存在明顯短板——目標的定位誤差高達 10 米，這使得無人機只能在高空進行跟拍，無法滿足用戶近距離拍攝的需求；同時，被拍攝對象還必須隨身攜帶遙控器，極大限制了使用場景。
而視覺跟隨，不僅能將目標定位精度提升至像素級，擺脫被拍攝主體對遙控器的依賴，還有可能以被拍主體為中心實現更優的構圖和運鏡，甚至對運動目標實現像“刷鍋”（環繞拍攝）等高難度運鏡動作，而這些鏡頭即便是職業飛手用遙控器也難以實現的。
“面對未知的困難，倒沒有焦慮，反而是一種對開拓創新的興奮。”趙叢至今回憶起來，“沒人做成過的事情才有意思嘛。”
2015 年中，一次偶然的機會成為了項目的轉折點。
當時，趙叢和小伙伴們正在測試場地調教算法時，無人機穩定跟隨著一名印度實習生模特，全程 10 分鐘無人工干預，這一場景恰好被Frank看到。
正是這短暫的演示，讓Frank意識到了該技術的潛力，“跟隨避障” 特性自此正式被納入大疆下一代核心產品——精靈 4 的研發計劃中。
隨之而來的，是團隊發展的重要機遇——趙叢團隊獲得了擴張的機會。他們從最初的 4 人小團隊，逐步吸納了算法工程師、嵌入式工程師、導航工程師等各類專業人才，包括封旭陽、錢杰、余俊峰、劉昂、胡驍、張立天等。
同時，Frank對項目進展高度關注，每一到兩周都會親自追問技術進度，查看整體效果。
“他對其他團隊及其嚴苛，經常給出嚴厲甚至尖銳的批評；每次看我們的演示反而是罕見出現的包容和期待，給出的評價也都是以鼓勵和建設性意見為主。”趙叢回憶道。
這種認可，讓團隊成員備受鼓舞，也為創新注入了更強的動力。
然而，原型的成功只是第一步，要實現產品化，還需解決無數細節問題。
對于無人機這類消費級產品而言，任何一次技術故障都可能引發嚴重后果：若出現跟錯目標的情況，可能對人員造成安全威脅；若避障功能失效，則會導致無人機碰撞損壞。
因此，團隊必須將不可預測行為的風險降至最低。
為攻克障礙物預測難題，團隊在空曠場地搭建了臨時測試場，用籃球架、圍欄等物品模擬樹林、路燈、巖石等復雜空中障礙環境，進行高強度的調試。
在漫長的調試周期里，無人機碰撞損壞成為常態。
“那幾個月基本沒有休過周末，不記得撞壞了多少架無人機，維修部修到崩潰。”趙叢笑著回憶道。
每一次碰撞，團隊都會仔細分析故障原因，優化算法參數與控制邏輯，逐步提升系統的穩定性與可靠性。
經過無數次的調試與優化，趙叢團隊終于攻克了全世界AI和機器人領域尚未解決的長時間目標識別跟蹤和遮擋恢復難題，并通過雙目深度計算建立局部3D地圖和自主規劃路徑，實現了障礙物的主動繞行。
這意味著，無人機首次具備了在復雜動態環境中，長時間穩定跟蹤目標并自主規避障礙的能力。
后來，他們回憶道：“他們做得事，類似于幾年后興起的自動駕駛，無人機時刻面對的是動態變化的目標、局部可見的障礙物、實時變化的預測和決策，以及對事故的幾乎零容忍。”
當時，行業內也有其他企業在嘗試探索類似的問題。
在2016年初，Intel就展示過其室內無人機跟隨方案，但該方案更像是一場“實驗室演出”——整個房間布滿VICON傳感器，無人機僅能執行預設的固定動作，毫無適應真實復雜戶外環境的可能。
行業內人士評價：“和當今很多具身智能一樣，是自動化，并不具備什么智能”。
就在2個月后的2016年3月，在美國紐約，大疆正式發布新一代消費級無人機——精靈4。
發布會上，演示畫面中，精靈4無人機一路跟隨跑者、滑板玩家、跑酷冠軍，以流暢優雅的姿態避開沿途的巖石、路燈等障礙物，并自動完成環繞運鏡、一鍵生成短片，全場為之震撼。
精靈 4 的發布迅速引爆全球市場。
在 YouTube 平臺上，相關演示視頻的在線觀看人數突破 500 萬，無數明星、網紅將其視作時尚單品，紛紛在社交平臺分享使用精靈 4 拍攝的作品。
《財富》雜志更是將大疆譽為 “無人機行業的蘋果”。作為全球首款具有視覺能力的消費級機器人產品，精靈 4 上市后銷量迅速突破百萬臺，為大疆帶來超百億元營收，成為精靈系列的經典收官之作。
憑借這一突破性技術成果，該技術創新成為大疆 2015 年度研發部最主要的關鍵性技術突破，趙叢作為開創者和技術總負責人獲得了 “技術牛逼獎”—— 這也是大疆首次設立此項獎勵。
而創始人Frank更是將精靈 4 形容為 “自己迄今為止最滿意的產品”。
他在發布會上張開雙手向外界宣告：“歡迎來到機器視覺時代。” 與此同時，大疆悄然將自身的定位描述從以往的 “ Flying Camera ”（飛行相機）轉變為 “ Flying Robot ”（飛行機器人），標志著無人機行業正式邁入智能時代。
伴隨著不斷涌現出的創新，大疆也迎來了高速發展的 5 年，估值從 100 億人民幣上漲到了 200 億美金。
而創新的價值，從來不是一蹴而就的光鮮，而是在無人問津時的堅持，在重重質疑下的突破，最終讓看似不可能的夢想，照進現實。
趙叢回憶說，“大疆擁有非常好的創新土壤，整個公司非常低調務實且崇尚和鼓勵創新，當時這樣的氛圍十分濃烈”。
精靈 4（Phantom 4）的成功，并未讓趙叢團隊停下創新的腳步。
在消費級無人機市場，用戶對產品的便攜性、智能化提出了更高要求 —— 既需要更小巧便攜的機身，又渴望強大的 AI 功能。
這一趨勢推動著團隊向更復雜的技術領域發起挑戰，而大疆 Mavic Pro 這款產品意外成為了 AI 學術界、芯片界、智能硬件界首次跨界碰撞的載體，大疆本身，也悄然連接了三個原本平行的世界。
2016 年，計算機視覺領域最頂級的會議 CVPR 在美國拉斯維加斯舉辦。
與以往不同，這一屆會議的贊助商名單中，出現了大疆的名字。其參展展位被安排在 Apple、Intel、Microsoft 和 Google 等科技巨頭之間。
展會期間，大疆展示區始終人頭攢動。
李飛飛、何愷明等 AI 學術界大牛紛紛駐足，他們的驚訝源于兩點：
一是無人機竟能實現如此高程度的智能化；
二是大疆居然將深度學習技術成功部署在了消費級無人機的端側芯片上。
在當時的行業環境中，頂級智能硬件廠商如蘋果、特斯拉都尚未推出成熟的 AI 產品，深度學習技術多運行在服務器端，普通消費者對 “端側 AI” 的概念更是聞所未聞。
這種跨界碰撞的背后，是趙叢團隊面臨的極端技術難題。
Mavic Pro 所搭載的芯片為聯芯 LC 1860，單核心算力僅為 1.2GFlops ，尚不如當今主流智能硬件端側芯片算力的 1/3000，在如此有限的硬件資源上實現深度學習應用，意味著必須在算法優化、神經網絡設計、模型訓練技巧等方面做到極致。
有了之前在精靈 4 上探索卷積神經網絡（CNN 模型）小型化的經驗，趙叢和伙伴們開始了針對更多 CV 任務進行端側部署的嘗試。
隨著一批新人骨干張李亮、李思晉、李堯、許旌陽、朱高等的加入，團隊開始在算法層面，對各個任務進行網絡結構的設計、裁剪、蒸餾訓練、以及 8 位定點量化，在保證識別精度的前提下，最大限度降低模型體積與計算量；
其次在芯片適配層面，他們建立了 “模型設計 - 訓練 - 量化 - 芯片適配” 的聯合開發和調試流程，每一步都與芯片底層加速指令深度結合，避免算力浪費；
最終，他們成功在 1.2GFlops 的 32 位 ARM 處理器上，實時運行 100KB 參數量、50MFLOPS 計算量的目標檢測識別和人體姿態識別模型，實現了無人機手勢拍照控制功能，讓用戶僅通過特定手勢，就能觸發拍攝指令。
Mavic Pro 的技術突破，不僅改變了消費者對無人機的認知，更引發了行業連鎖反應。芯片廠商首次意識到，消費級硬件芯片竟能承載如此豐富的 AI 應用場景。
當時芯片設計領域的前輩、IEEE Fellow、Candence 和 Tensilica 公司創始人Chris Rowen，專程從美國飛來深圳約見趙叢，探討端側 AI 芯片的發展方向 —— 這一交流，也間接推動了后續消費級 AI 芯片的技術迭代。
除手勢控制外，團隊還在 Mavic Pro 上攻克了另外兩大技術難題：
其一為精準降落功能：利用 SLAM 回環檢測技術，結合向量詞庫匹配算法，實現了厘米級誤差的自主返航降落，解決了傳統 GPS 降落精度不足的問題；
其二為超遠距離避障：通過優化目標跟蹤算法，讓無人機可識別并避開 1 公里外的高山及建筑，攻克了此前無人機 “近視眼” 的行業痛點。
市場層面，Mavic Pro 同樣取得了巨大成功。它不僅登上《時代》周刊年度最具影響力產品榜首，還被媒體評為 “史上最智能無人機”。上市后，Mavic Pro 銷量迅速突破百萬臺，為大疆帶來 180 億元營收，成為繼精靈 4 之后，又一款現象級產品。
這場 AI、芯片、智能硬件的跨界碰撞，不僅讓 Mavic Pro 成為經典，更開創了消費級智能硬件的 “端側 AI” 時代——它證明，即便在有限的硬件資源下，通過技術創新，依然能讓復雜的 AI 功能走進普通人的生活。創新的裂變，往往始于對 “不可能” 的挑戰。當不同領域的技術壁壘被打破，碰撞出的火花，便會照亮整個行業的前行方向。
Mavic Pro 的成功，讓 “端側 AI” 成為消費級無人機的新標配，但趙叢團隊并未止步于已有的突破。在 2017 年初大疆第一代自研芯片流片成功后，Mavic Air 項目啟動。
趙叢提出了一個更激進的目標：
通過AI實現完全脫離遙控器的全手勢操控，讓無人機成為真正意義上的 “空中自主機器人”—— 用戶無需任何額外設備，僅憑手勢就能完成從起飛、飛行控制、拍攝到降落的全流程操作，讓 Mavic Air 像一只隨時聽候調遣的寵物。
這一目標，相當于在無人機領域要實現空中的 L3 級別自動駕駛，其技術難度與安全要求遠超此前所有產品。
“當時也是受 Mavic Air 產品經理的一句話之托，希望給產品增加一些亮點，我感覺這個軸距的機型，從定位上除了飛高飛遠拍風景以外，非常適合近距離用戶交互。而且這幾顆 CEVA DSP 不用來做些酷炫的新功能很可惜。”趙叢回憶道。
當時距離 Mavic Air 計劃發布僅剩 9 個月，而團隊面臨的不僅是時間壓力，還有硬件層面的全新挑戰。
此次 Mavic Air 搭載的是大疆第一代自研芯片，搭載了 4 顆 CEVA DSP ，每個核心的 16 位定點計算能力是 30 G FLOPS。雖然與聯芯 LC 1860 相比有了較大的算力提升，但想要達到全自主飛行的精度仍然十分捉襟見肘。
CEVA 官方只提供了Google Inception v2/v3 的參考模型，用作圖像分類，而且也只能跑到 30 %左右的 MAC 利用率。“這哪夠用，我們要跑一堆 AI 模型，那我們自己重寫工具鏈吧！”
趙叢回憶道，“我們沒有選擇等待更高算力芯片的問世，而是決定從軟件層面挖掘硬件潛力。”
要在這樣的硬件基礎上同時運行 6 個 AI 模型，支撐全手勢操控的復雜需求，團隊必須在芯片優化與算法設計上實現三重突破：
首先要解決的是算力瓶頸。
他們對自研芯片中的 2 顆 CEVA DSP 核心進行了徹底的軟件重寫，通過重構指令集、優化數據流轉邏輯，將 16x16 的MAC 單元拆成 2 個 8x8 的 MAC 單元來使用。這一改造不僅讓芯片的理論算力提升 2 倍，更關鍵的是，通過算法和芯片的緊耦合協同設計，將算法利用率提高了 8 倍，最終使芯片的 MAC 利用率達到了恐怖的 97% ——這意味著每一分算力都被精準利用，幾乎沒有浪費。
其次是AI算法。
全手勢操控對識別精度的要求極高，任何微小的誤差都可能導致操作失誤，且由于脫離了遙控器，系統甚至沒有機會提醒用戶介入修正。
甚至用戶可能會期待他在 0.5米～10 米的范圍內的所有交互動作都可以被無人機識別和響應。
為解決這一問題，需要高精度且實時的運行 6 個 AI 模型：近身頭肩檢測識別、遠場全身檢測識別、近身頭部跟蹤、遠場全身跟蹤、人體關節點、手部手勢識別。為了避免定點量化造成的模型精度損失，他們研發了 8 位無損訓練技術，通過將定點量化納入訓練環節，保證了 8 位定點與 32 位浮點的模型誤差在 0.1‰ 以內，既滿足了實時性需求，又確保了手勢識別的準確性。
與此同時，導航控制方面的開發也在同步推進。
“用戶的手部動作太多太豐富了，這和之前精靈 4 的跟拍完全不一樣。你需要面對，哪些是用戶有意識的召喚和控制，哪些是無意識的抓耳撓腮，哪些是主人的動作，哪些可能是其他人錯位而構成的干擾，哪些情況是 AI 觀測失效需要導航控制加強預測，哪些情況是 AI 觀測誤報需要過濾。跟得太緊了，飛機的動作太猛會嚇到圍觀的人，跟得太松了，主人會覺得它笨得像熊。”
趙叢笑著說道，“2017 年還沒有端到端、VLA 的概念，每個細節都是一行一行代碼，一個一個參數調教出來的。甚至連交互的設計、指示燈的閃爍，Frank只提了一個要求，就是要讓用戶不看說明書的情況下憑直覺就可以操作“。
經過 9 個月的極限攻關，團隊最終在 Mavic Air 上實現了預設目標：
用戶只需伸出手掌，無人機即可通過手勢識別完成起飛；在 0.5 米～ 10 米范圍內，通過揮手、推拉、旋轉等動作，就能精準控制無人機的飛行方向、距離與高度；拍攝時，一個簡單的手勢即可觸發拍照或錄像；任務結束后，手勢指令又能引導無人機平穩降落。
整個過程無需任何額外設備，完全依靠無人機自身的視覺感知與 AI 決策完成。
這一技術突破的意義，遠超產品本身。
直至 2025 年的今天，業界多數具身智能相關研發仍依賴遙控器進行輔助控制，而 8 年前的 Mavic Air 的全手勢操控，首次證明了消費級機器人可以實現真正意義上的 “自主交互”。
此后，各國政要來大疆參觀考察時，全手勢操控成為必看的代表性功能——它用最直觀的方式，展現了機器視覺與 AI 技術融合的可能性。
市場反饋同樣印證了技術的價值。Mavic Air 不僅再次登上《時代》周刊年度最具影響力產品榜首，延續了 “史上最智能無人機” 的口碑，更在商業上取得巨大成功：上市后迅速成為 2018 年消費級無人機銷冠。
在 Mavic Air 上推出的 “一鍵短片” 功能，包含 “小行星”“彗星” 等創新模式，通過 AI 算法自動規劃飛行軌跡與云臺姿態，讓普通用戶也能輕松拍攝出電影級的短視頻，進一步拓寬了無人機的應用場景。
從技術層面看，Mavic Air 的全手勢操控為具身智能的發展提供了重要啟示：
在硬件資源有限的情況下，通過算法與芯片的深度協同優化，依然能實現高復雜度的自主交互功能。它證明，具身智能的核心并非單純依賴高算力硬件，而是在于對 “感知 - 決策 – 控制” 全鏈路的精準把控，以及對用戶需求的深度理解。
大疆團隊在 Mavic Air 項目中展現的，不僅是技術創新能力，更是對 “極限挑戰” 的掌控力——在有限的時間與資源下，將看似不可能的目標轉化為現實，這正是創新最核心的價值所在。
2017-2018 年的兩年間，趙叢團隊進入了創新井噴期。
在精靈 4、Mavic Pro、Mavic Air 之外，團隊還在 Spark、自動駕駛、Mavic Pro 2、Robomaster、農業無人機 T16 等領域持續保持創新和突破。
據稱，大疆每年年終總結全年誕生的兩三項最重要的突破創新中，就有一兩項是來自于這支視覺導航團隊。
“2015 年在招募算法工程師的時候，被問到最多的問題是‘大疆要做視覺用來干什么’。2016 年被問到最多的是‘大疆要做深度學習用來干什么’，后來這些問題就消失了。我記得到了 2018 年的校招，整個研發部收到的約 6000 份簡歷當中，有大約 3000 份是投向了機器學習工程師的崗位。那個階段大疆在 AI 相關領域的眾多企業中，是領跑者的存在。”趙叢回憶道。
這一時期，隨著陳曉智、陳競、劉政哲、潘為、潘緒洋等新一批技術骨干的加入，創新開始在大疆的各個產品線遍地開花：
從無人機，到手持云臺相機、自動駕駛、Robomaster 機甲大師、農業噴灑無人機等等。
2017 年，大疆的視覺團隊面臨一個殘酷現實：無人機仍是極客玩具，從未真正“破圈”。
趙叢團隊決定向“繁瑣”開刀。他們推出的 Spark 不像無人機，倒像一款智能寵物——用戶托掌即起飛，揮手能操控，點擊可出片。背后是毫秒級的人臉識別、CNN 手勢算法和 95% 以上的交互精度。它用“一鍵短片”干掉 99% 的飛行學習成本，第一次讓小白用戶拍出電影感鏡頭。
但這只是開始。
一年后，Mavic 2 Pro 把跟蹤算法碾到了新高度。它不僅看得見目標，更能預測運動、繞開障礙，甚至在目標消失后仍能智能續追。真正破圈的是“一鍵短片”。用戶不用學任何飛行動作，只要點一下，Spark 就能自動完成漸遠、環繞、螺旋等電影運鏡，生成 10 秒短視頻。它降低了創作的門檻，也重新定義了消費級無人機的交互標桿。
同年，大疆殺入農業。T16 植保機搭載的視覺系統，能在 1 分鐘內掃描200畝地，精準識別每一棵果樹、電線桿和水塘，還實現了“哪兒有樹飛哪兒，沒樹不飛，高樹高飛，低樹低飛”。有數字顯示，這款農機將農藥成本壓降 30% ，作業效率提升 5 倍，可以說真正用機器視覺重新定義了“精準農業”，也是大疆技術從天空走向土地，從創作走向生產的一個例子。
2019 年，技術落地教育。RoboMaster S1 機器人配備31個傳感器，能識別人、標簽、手勢甚至掌聲，支持從 Scratch 到Python的無縫編程過渡。它讓高中生也能親手搭建一臺真正具有視覺能力的 AI 機器人。
實際上，在創新高歌猛進的兩年里，也有難題。
趙叢講述，當時團隊面臨的已不僅是技術問題，而是急劇增長的碎片化需求，倒逼團隊在 2018 年中拆分為機器學習部，更聚焦于 AI 底層突破。
從 Spark 到 T16 ，這支最初 4 人的小組推動大疆從“飛行相機”蛻變為“飛行機器人”。而這些突破，也悄悄為后日的大疆埋下伏筆：后來大疆孵化的許多創業項目，都源自這個階段積累的視覺基因。
2019年，趙叢離開大疆，一年后創立共達地。
在籌備創業的那一年，趙叢不明白：“AI賦能千行百業”的口號已喊響多年，但真正實現成功商業化的案例卻寥寥無幾？”
深入調研后，趙叢發現了問題的核心矛盾：
一方面，千行百業蘊含著海量且復雜的AI算法需求——從城市治理中的細節監測，到工業生產里手機零部件的高精度質檢，每個行業所需的AI算法數以千計；
另一方面，各行業仍面臨AI人才的短缺。據統計，2025年全國各行業AI工程師缺口總和將達到2000萬。
供需之間的巨大差距，讓AI技術難以真正滲透到產業深處。這些難題相互疊加，形成了AI落地的“死亡循環”：碎片化需求推高開發成本，泛化能力不足增加迭代頻率，人才短缺延長項目周期，最終導致企業投入產出比失衡，不敢輕易嘗試AI應用，進一步限制了行業發展。
趙叢深刻意識到，要打破這一循環，不能依賴傳統的“定制開發”模式，必須從技術底層、產品形態與商業模式三個維度同時進行系統性創新，找到一條可規模化復制的路徑。
2020年，趙叢創辦了共達地，致力于通過技術創新、產品創新與商業模式創新，打破AI廣泛落地的壁壘，讓AI技術真正服務于千行百業。
在技術層面，通過端到端的AutoML創新來模擬AI工程師的工作流程。用戶只需上傳數據，系統就能自動分析場景的數據特點，自動對數據進行標注，自動設計神經網絡結構，自動訓練與調參，以及半自動進行芯片適配。點點鼠標，即可生成能在邊緣和終端直接運行的AI算法。
在產品層面，打造業界首個低門檻端到端的AI訓練和推理平臺。該平臺支持拖拉拽式業務邏輯編排與多模態大模型的用戶交互，適配10余個品牌超100款芯片。
在商業模式上，通過解決方案咨詢來積累大量的B端客戶，通過高效低門檻的算法服務沉淀大量的AI應用場景，通過對這些應用場景的不斷抽象來打磨更好的產品使用體驗。
坦白講，趙叢這幫人，一直都是野路子。
當年在大疆，他硬是帶著幾個兄弟給無人機“開了天眼”，從零磕出機器視覺，讓飛機學會自己看路、認人、避障。圈內人都說：這小子夠狠，資源沒有、代碼自己寫，炸過的機比別人飛過的還多。
后來出來搞共達地，他依然不信邪。AI落地這潭深水，多少團隊淹死在里頭，趙叢偏要摸出一條路來。沒場景？下地！沒數據？硬訓！說白了就是一個道理，搞技術不是請客吃飯，是打仗。你得比問題更兇，比痛點更狠。
回頭看看，從飛控算法到農業噴藥，從視覺跟蹤到千行百業，趙叢這幫人還不想躺平。他們信的是手上有代碼，眼里有需求，腳下就得踩出條路。
如今江湖再遇，他依舊那句話：“別廢話，就是干。解決問題的路上，從來沒有終點，只有下一個山頭。”
在記錄趙叢他們的故事時，筆者曾找趙叢本人要一張團隊合影，結果只有這一張團隊趴在地上的背影，誰都沒露出正臉。
這也是個注腳。
趙叢這幫搞技術的人，事兒做得轟天動地，回過頭看，卻只覺得那天普通得不能再普通。照樣調試、跑碼、爭論、加班，深夜的實驗室燈亮著，泡面盒堆在墻角——當時他們或許沒覺得自己正在“改變世界”，只尋思著這個 bug 今晚必須干掉。
說到底，真故事，就是這樣。
雷峰網(公眾號：雷峰網)雷峰網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
