<mark id="oztn4"></mark>
0
衡量在 2021 年面臨一個選擇：是再次創業，還是加入一家成熟的大公司做自動駕駛？
他最終選擇了友道智途——一家從上汽前瞻spin off出來的初創公司，天使輪股東有上港、海爾、普洛斯、國電投、江蘇交控、自貿區基金、山東港這些產業相關方，專注于港口、干線物流、工業園區、礦山等場景的L4 級自動駕駛——擔任首席科學家和智駕中心總經理。
友道成立前，時任上海市委書記李強親自推動上汽前瞻和上港合作東海大橋上的L4智能重卡。
友道成立一年后，現任市委書記陳吉寧上任。頗有緣分的是，在衡量十多年前的清華大學畢業典禮上，正是陳校長為他撥穗正冠。“這種緣分很奇妙，”衡量說，“但更關鍵的是，他們都是自動駕駛技術的堅定支持者。”
友道智途擁有大多數自動駕駛公司夢寐以求的資源：中國 30%主流港口的潛在客戶，以及上汽集團的支持。
對衡量而言，友道代表了一種“技術務實主義”——不再只是追求前沿算法的突破，而是讓自動駕駛真正在商用場景和財報上跑通。
“我需要一個能彌補短板、發揮長處的環境。”衡量說。他的技術能力毋庸置疑，但港口和物流是一個 to B 和to G 的市場，客戶資源、政府關系和技術一樣重要。友道的股東背景，讓他不必像在以前的創業公司那樣疲于找客戶，而是能專注于技術落地。
這種“務實”也體現在研發方式上。
友道的工程師駐扎在碼頭附近，他們的算法不是在會議室里討論出來的，而是在觀察龍門吊的作業節奏、傾聽卡車司機的抱怨后，一點點調整出來的。
例如，AIV（Autonomous Intelligent Vehicle，無人智能集裝箱轉運平板車）取消了駕駛室，采用雙向對稱設計，不是為了技術炫技，更是為了解決集裝箱方向錯誤時的效率問題——在傳統碼頭，這一環節需要額外的工序來調整。
“我們早過了做 demo 應付投資人的階段，而是要讓每輛車每年實實在在地掙到30萬元。”友道導航負責人江燦森說。他與衡量的合作始于 2019 年的大疆時期，從過去的 L4 級乘用車到如今的 L4 級商用車，多年搭檔，他們最大的感慨，“完成了從‘仰望星空’到‘腳踏實地’的蛻變?！?/p>
如今，當 170 人的精干團隊支撐著 400 多輛無人車的常態化運營，從上海羅涇碼頭到秘魯錢凱港，從集裝箱運輸到礦山散貨，這套經過驗證的商業模式正在持續復制。
（2024年10月友道智途團隊在秘魯錢凱港開啟試運營）
以下為雷峰網和衡量、江燦森的對話，并做了不改變原意的編輯：
雷峰網：你在友道這四年，可以分為幾個階段？
衡量：可以分成三個階段。
第一個階段是打造 L4 自動駕駛能力。
我們自研了友道智途智駕系統，當時主要項目是上海東海大橋和外高橋4號碼頭（簡稱外四碼頭），項目很少，但智駕團隊人數一度達到 330 人，因為這個階段主要是構建整個 L4 自動駕駛車隊的能力，從單車智駕到云端調度系統、車隊管理系統，所有能力都是在這個階段構建的，大概持續了一年半。
第二個階段是應用場景迅速擴大。
我們將之前在重卡和 AIV兩個車型上成功的自動駕駛技術應用到更多場景，比如AIV從上海的集裝箱碼頭拓展到福建、廣東、山東、河北的碼頭，甚至到國外的秘魯。秘魯的項目很知名，習近平總書記 2024 年 11 月還親自視頻參加了開港儀式。
同時，重卡的場景也從東海大橋拓展到工業園區、散貨碼頭、礦山，從結構化道路拓展到非結構化道路。車隊規模從不到 100 輛車，到 2024 年年底有 400 多輛，2025 年可能會有 500 多輛。
這個階段主要是場景迅速擴大化，把技術復制到新場景，并針對新場景做對應的開發，讓技術變得更加泛化、更加通用，適用于各種商用場景。
第三個階段，也就是最近一年的重點，是我們已經成規模地運營起來了，重點是要提升運營效率。
一方面，智駕技術本身的表現要接近人類司機的表現。比如在碼頭，人類司機 20 分鐘可以完成一圈運輸，我們也需要做到類似的效率。
另一方面，運營人員要盡可能少，管理盡可能多的車。
目前車人比最高的場景在上海羅涇集裝箱碼頭，90 輛車每班只有 3 個人管理，其中1人是遠控司機，無論是 30:1 的車人比，還是 90:1 的車輛遠控比，在目前全世界的 L4 實踐中都是非常高的。
（友道智途的AIV正在上海羅涇港中運營）
雷峰網：這幾個階段難度不一樣嗎？
衡量：三個階段各有各的難點。
第一個階段，從零打造一個自動駕駛系統，應該是相對最簡單的，因為我之前已經做過幾遍了。當然，每做一遍都是一次重構，要結合當前的硬件設備和算法進步，以及場景需求，做出新的改進。
第二個階段也有很多難點，主要是先做好一個場景，再將已有的場景經驗遷移到其他場景。
做個對比，商用車車型和場景與乘用車不一樣。乘用車場景再多，也就是高速和城市，做好高速 NOA 和城市NOA 就差不多了，任務也比較簡單，主要是 A 點到 B 點的運輸。而商用車的情況要復雜得多一一在碼頭，要設計與碼頭吊機的對位和交互流程，應對各種交互異常；在礦區，要涉及自己去找挖機和排土位置。
但我們不可能為每個場景做大量定制化開發，關鍵在于如何用有限的人力，通過在原有平臺化功能的基礎上，讓技術更加泛化，找到各個場景的共性。所以從第一個階段開始，就要做好一套“平臺化”的基礎技術架構一一所有車輛和場景用的都是同一套代碼，各種算法尤其是神經網絡必須足夠泛化，才能用盡量少的研發資源應對眾多不同的場景和車型。
第三個階段依然充滿挑戰，主要在于優化實際運營中的效率。
比如車輛要能自動去充電，還要應對商用車傳感器位置的微小移動一一商用車體積大，傳感器在運營一段時間后會出現輕微偏差，需要重新標定。以往的自動駕駛公司都有專門的標定場或人工標定，但我們不能把車拉回來標定，而是要在現場利用自然環境進行標定，讓車輛自己采集數據、自己標定自己。
此外還包括車輛的充電和日常養護維護，全流程都要做到自動化。
這些在以往都是難以想象的，但我們都研發出來了。目的是為了提升運營效率、盡可能減少現場人員數量。
雷峰網：在設計第一階段的自動駕駛系統時，與過往不同的是什么？
衡量：友道成立在 2021 年11月，一方面當時 Orin 芯片的出現使得L4 和 L2+ 的算力平臺趨同——以前做 L4用的是工控機和數百TOPS的顯卡，輔助駕駛用的是幾十甚至幾TOPS的車載算力芯片。另一方面，激光雷達開始降價，成本降低。
加上當時我們有一個非常平臺化的計劃，就是用一套代碼適配所有車型和場景。甚至當時我們考慮要連乘用車的高階輔助駕駛系統，以及典型 L4 場景如港口、礦區和非結構化道路都一起做。
高階輔助駕駛系統不依賴高精度地圖，而所有 L4 場景通常更適合使用高精度地圖，所以，無圖方案和有圖方案都要在這套系統中結合和融合。在我看來，友道智途的智駕系統應該是過往所有自動駕駛經驗的集大成者，它融合了我之前做 L4、L2+ 的所有經驗。
雷峰網：怎么理解你們融合了高精地圖和無圖？比如什么情況下會切換模式？
衡量：目前所有實現無人運營的場景都是基于高精度地圖的。
正常情況下，當車輛定位良好且所有模塊正常工作時，我們會給予高精度地圖極高的權重。實時路網結構主要用于輔助定位，與高精度地圖信息進行匹配，以更精確地確定車輛的當前位置。
但友道智途的智駕系統本身支持無圖方案。也就是說，當車輛進入降級行駛模式，比如車載傳感器出現故障，或因震動導致傳感器短時失效，無法依賴高精度地圖時，車輛會切換到實時構建的路網結構，進入無圖模式，依靠實時感知來完成路邊停車等功能。
雷峰網：友道成立之初，確定的場景是港口和干線物流，現在變成了港口和礦山嗎？
衡量：對。
東海大橋更像干線物流，外四碼頭的平板車 AIV 屬于港內水平運輸的場景，這是最初的兩個場景。
在最初考慮場景時，高速干線物流的優先級很高，因為整個運輸市場中干線運輸的市場規模非常龐大，達到 5 萬億，遠超網約車、城配等其他市場。但在后續項目擴大、業務拓展，以及追求技術盈利性時，高速干線的優先級已經大幅降低。
可以說，高速干線的權重降低主要是因為其盈利性較差。目前中國高速干線物流模式仍以私人自有車輛（如夫妻檔）為主，這種模式已經把物流成本壓得很低。這個時候，車輛哪怕已經實現了 L4 自動駕駛，但如果由公司運營車隊去和目前的私人個體戶車輛競爭，成本依然不具優勢，就會虧錢。
目前，我們幾乎只有上海東海大橋這一個高速干線場景。
我們要本著可持續發展的原則，先把盈利的場景做好，獲取足夠利潤后再去支撐那些盈利性更差的場景。我相信隨著中國未來的勞動力成本上升，高速干線物流的盈利性會變好。
雷峰網：港口和干線物流的車輛形態很不一樣嗎？
衡量：港口的車可以設計為雙向對稱，就是雙向都可以跑。
在港口作業中，集裝箱有一個關鍵的細節——調箱門。集裝箱一端有箱門，在實際操作中船舶、堆場對箱門的朝向一般會有要求。當車上的箱門朝向錯誤時，無法直接卸箱。為此，傳統港口作業中不得不專門設置“調箱門”環節來調整方向，需要購置專門的調箱門起重機，不但增加成本，還降低了作業效率。
而友道的AIV完美解決了這個問題一一沒有傳統駕駛室，不分正反方向，車兩端的傳感器和駕駛能力完全一致，8 個輪子可以靈活雙向行駛，甚至實現漂移蟹行換道。當集裝箱擺放方向錯誤時，車輛只需反向行駛即可，完全省去了專門的“調箱門”調整步驟。
和港內的無人平板車不同，干線上的車還會保留駕駛艙。盡管在東海大橋上的車輛已經進入無人運營階段了一一 2024 年是無人示范應用，2025 年已經開始真正的無人示范運營，安全員已經開始逐步從車上轉到后臺了。
雷峰網：你們將港口車輛命名為AIV（Autonomous Intelligent Vehicle，無人智能車）是嗎，意思是無人純電港內集裝箱智能平板車，在此之前，也有商家提過AGV（ Automated Guided Vehicle ，自動引導車）名字是嗎？
衡量：港口車輛分為內集卡和外集卡。
內集卡用于港內運輸，將集裝箱從岸邊轉運到堆場；外集卡則從港口外接箱后運出。我們主要做的是內集卡，因為內集卡完全在港口內運營，不會出港。
傳統上，內集卡是人工駕駛的，由于港內運輸速度較慢，通常使用重載版4X2集裝箱專用卡車。
從 1997 年鹿特丹第一個自動化碼頭出現后，開始使用類似 AGV 的四輪或八輪平板車作為內集卡。這些車輛是由工程機械制造商生產的，如國內的振華、三一等，而非汽車制造商。這些車輛的架構屬于工程機械體系，而非汽車體系。
友道的 AIV 的一大優勢，在于我們自己生產和制造。
二是，AIV 將 AGV 升級為具有自主智能的車輛。
我們在設計中一方面優化了AGV的結構，另一方面采用汽車行業的方式制造 AGV 。雖然外觀上看起來像八輪車，與 AGV 相似，但在懸掛、動力、剎車、底盤轉向等系統方面，更接近商用車。
三是成本方面也降低了很多。
以前的AGV ，每臺價格大幾百 萬人民幣，而我們從一開始就將成本控制在 200萬人民幣，經過不斷優化，現在成本已經低于 100 萬人民幣。
（AGV依賴磁釘來定位，且只能沿著預定的路徑行駛（左圖）；友道的AIV可以在港口內閃轉騰挪（右圖））
雷峰網：主要在哪方面降本？
衡量：磁釘是傳統 AGV（自動引導車）的方案，AIV 取消了磁釘。
傳統 AGV 的感知能力較弱，早期的 AGV 甚至沒有激光雷達，比較新的AGV可能只有單線激光雷達，只能做簡單的防撞。AGV的運營要求非常高，場地內不能有其他車輛或人員穿梭，因為這些車輛幾乎是“瞎”的，無法感知其他障礙物。
AGV如何確定自己的位置呢？
主要依靠地下埋設的磁釘，維護成本也非常高，還需要專門的磁釘傳感器（一般叫transponder），這種傳感器價格不菲。AGV只能沿著預定義的軌道和軌跡開，而且所有車都依賴于中心車隊管理系統的調度，才能確保相互之間不會碰撞。
AGV方案大概是從2000年開始用，一直用到2020年代初，現在愿意用AGV方案的客戶已經很少了。
比如有很多客戶需要把在運營的集裝箱碼頭升級成自動化的，他們無法接受停工停產數月，全場挖開埋磁釘。
雷峰網：所以現在你們在港口打造了一個什么樣的畫面？
衡量：我們在港口的場景中可以做到車輛在人來人往、各種車輛穿梭的環境中不受干擾地運貨。
很多人會覺得這種限定場景的L4自動駕駛非常簡單，但事實上港口場景相當復雜。我們的車可以在路口與七八輛有人駕駛的集卡車擠來擠去，靈活穿梭，避讓其他車輛并預測它們的意圖。
雷峰網：港口場景和成本、安全密切相關，我看到你們在深圳的媽灣港，已經有 40 輛無人車在運營，每月轉運 5 萬 TEU （集裝箱吞吐量），所以你們已經從“能用”到“好用”再到“盈利”的階段了。
江燦森：可以明確地說，自動駕駛技術已經跨越了早期項目的“Demo演示”階段。過去那種“立項、拿經費、組建團隊、堆技術、搞演示”的模式，在領導視察時讓車輛在固定路線跑幾圈就過關，這已經成為歷史了。
我們現在做的，是構建常態化的運輸服務體系。無論是有安全員輔助還是完全無人的模式，核心目標都高度聚焦于高效、安全地完成運輸任務——例如，實現無人集卡從碼頭面到堆場的靈活穿梭和精準調度。
這個轉變意味著，靠“技術做到80分就能交差”的時代徹底終結了。現在真正的挑戰在于，如何將技術從95%的可靠性提升到98%、乃至100%。這最后的5%，往往是最難的“長尾問題”，需要耗費巨大的研發精力來解決。這也正是當前L4級自動駕駛實現規模化落地的主要瓶頸。
我們的目標非常明確：讓自動駕駛技術真正轉化為生產力，切實解決客戶痛點。同時，產品必須持續迭代優化，解決那些影響體驗和效率的細節問題。就像剛拿到駕照的新手，確實能把車開動、開到目的地，但與經驗豐富的“老司機”相比：駕駛過程還不夠流暢順滑，對環境的預判不夠精準敏銳，在復雜場景（如靈活變道、避讓）中的處理能力還有差距。當前的自動駕駛也處于類似階段：我們具備了基礎運載能力，但在追求極致效率、接近甚至超越人類駕駛員水平、以及面對全場景無縫適應方面，仍有提升空間。
因此，持續攻堅長尾問題，打磨產品，提升系統的魯棒性和全場景適應能力，是推動自動駕駛從“能用”邁向“好用”，再到“商用”的關鍵一步。
雷峰網：以前有說法，如果能在非常復雜的場景下做好 Robotaxi （L4級的乘用車），那么遷移到其他場景應該只會做得更好。你們兩位都有做 L4乘用車和商用車的經歷，我想知道，你們親身感受，技術真的可以遷移嗎？
江燦森：在加入友道之前，我原本以為同樣是做 L4 級自動駕駛，不同行業之間應該頗為相似，但實際接觸后才發現，不同場景的側重點存在顯著差異。
過去，我們作為司機或乘客，對乘用車自動駕駛的認知往往停留在 “能在高速、普通道路安全行駛即可”—— 這個過程中，車輛很少需要像友道業務場景這樣，與各類終端設備產生深度交互。
普通家用車車身寬度約 2 米，而普通道路寬度在 3.2 到 3.5 米之間，這意味著相鄰車道的車輛間距通常能保持在 1 米以上。這種情況下，即便車輛行駛中稍有偏移，一般也不會造成問題。
但到了商用車場景，哪怕是細微的偏移，都可能引發事故。
比如在碼頭這類空間復雜且狹窄的環境中，由于作業工藝的要求，車輛常常需要貼著障礙物、港機設備、集裝箱或其他特殊物體行駛，間距可能僅有十幾厘米。這時，如果 16 米長的車身方向出現 1 度偏差，就可能直接發生碰撞。這對車輛的規劃、控制、感知和定位技術都提出了極高要求。
從技術遷移的角度看，L4 級自動駕駛雖有一些通用技術基底，但絕非能輕易套用到所有場景中，我們也因此投入了巨大的精力打造平臺化技術方案，實現一套代碼兼容港口碼頭、園區干線、礦山隧道等差異化場景。
就像港口無人車需要與吊機精準對位，礦山無人車要完成裝土、排土等作業 —— 這些場景看似相對封閉，實際操作中需要解決的具體問題卻紛繁復雜，遠非外界想象的那般簡單。
很多時候，只有真正深入到特定行業或場景的 “深水區”，才會明白要做到頂尖水平有多難，這其中的復雜度，遠比我們最初設想的要高得多。
雷峰網(公眾號：雷峰網)：我看到你們公眾號上的的視頻演示，有一個吊臂把集裝箱放到小車上，然后小車穿梭在人流和有人駕駛車輛的港口中。你們在做這個技術的時候，也會涉及龍門吊上面的算法嗎？
江燦森：是的，其實港口場景并非大家想象中那般簡單、規整且結構化。
以深圳媽灣港為例，作為一個傳統碼頭，過去全靠人工駕駛車輛運輸集裝箱，如今我們對其進行了適度的智能化改造，主要體現在兩個維度：
一是港機設備智能化，像龍門吊已能實現自動操作，完成集裝箱的抓取與裝車，這一過程被稱為垂直運輸；
二是自動駕駛車輛的智能化，車輛在碼頭內的行駛環節，即水平運輸。
前者，車輛需要與龍門吊精準對接，獲取任務信息并理解業務需求，隨后通過邏輯交互與信息確認，待匹配完成后，才能反饋給相關方任務已完成，以便執行下一項任務。
后者，情況更為復雜，我們的自動駕駛車輛AIV并非在專用道上行駛，而是要與有人駕駛車輛在同一條道路上混合通行，遇到路口時還需與它們進行動態博弈 —— 預測對方意圖，判斷其是左轉還是直行，進而決定是繼續前行還是停車避讓。
此外，我們設有車端平臺和云端平臺兩個核心部分。
車端平臺主要負責單車技術軟件層面，涵蓋中間件、傳感器數據處理及操作系統等；云端平臺則聚焦于車隊管理。
在商用車自動駕駛領域，車隊管理系統（FMS）是極為關鍵的環節。乘用車領域中，車輛之間彼此獨立，分屬不同消費者使用；但商用車自動駕駛中，車輛是運營體系的重要組成部分，必須對整個車隊進行系統化管理。
這其中包括精細化的任務管理，比如明確每輛車的任務去向，是去 A 箱區、B 箱區，還是前往充電等，都需要精準的任務委派。
同時，還要對車輛運行效率進行動態管控。例如，當幾十輛車即將途經同一條道路時，可調配部分車輛選擇其他路線，從而避免擁堵。
這就好比外賣配送，如果缺乏管理，騎手可能會扎堆爭搶看似容易的訂單，導致部分區域過度擁擠，而其他區域卻無人問津。我們需要對車輛進行合理調度，明確它們的作業時間、位置以及避讓規則，這些都在云端完成統籌與管理。
所以說，碼頭場景的復雜性遠超想象，它包含了多種混合通行形式，以及與其他交通參與者的高頻交互博弈。
雷峰網：你們現在有多少人，友道背后有上汽集團給了哪些支持？
衡量：我們公司現在總共有 200 人左右，自動駕駛中心有 170 人，還有產品工程中心和銷售運營中心。
產品工程中心負責所有車輛的設計和制造，包括AIV的設計、零部件采購、組裝。我們在園區內有一個 AIV 工廠，由產品工程中心負責生產。
他們能夠借助上汽集團的資源來完成這些工作。
比如車輛需要的電驅、電控、電池管理系統，因為是電動車，此外還涉及轉向、驅動、剎車等整車相關的開發，以及嵌入式開發。這些工作大多是上汽集團商用車技術中心來支持我們的。
雷峰網：你們現在的運營不只在國內港口，也有南美洲的秘魯港口，那么將技術方案復制到國內外港口時，你們會做哪些調整？
衡量：集裝箱是標準化的，因此全球的集裝箱碼頭也大同小異，這是我們把技術遷移到國外時的有利因素。所以，我們的AIV出國時，算法、作業流程上需要的額外工作很少，和部署到國內的另一個港口差不多。
那么不利因素有哪些呢？我覺得主要是語言和文化，需要把操作手冊、軟件界面改成外語，例如在秘魯就得改成西班牙語，以便于當地的運維人員使用。日常和他們地溝通交流也需要用外語，但是我們公司沒有通曉西班牙語的同事，幸好有了大模型能方便、準確地來翻譯。
說件有趣的事，秘魯的同事在第一次見到AIV時，都不相信這個大家伙能自己跑起來。等他們看到AIV不但跑起來而且很靈活時，他們雀躍歡呼，他們為自己的這份工作而驕傲。
雷峰網：關于傳感器，我想了解一下在港口這樣高精度要求的工業場景中，龍門吊交互需要厘米級定位（如3cm精度），同時還要應對人車混行的復雜環境，你們如何平衡傳統幾何模型（如SLAM）與深度學習各自的優勢？
江燦森：在港口或者工業園區的自動駕駛作業中，常會遇到一些極端場景，這對定位精度提出了極高要求。
比如，當自動駕駛車輛需與龍門吊協同作業時，龍門吊需要通過夾具自動抓取集裝箱。這個過程中，夾具必須精準對準集裝箱四個角的鎖孔，這些鎖孔的寬度和長度一般在10公分左右。如果夾具下放時不能精準地對準鎖孔，就會導致抓箱失敗。
因此，我們對定位精度的要求是誤差在 5 厘米以內，而我們實際能做到的精度是 3 厘米，這樣就能確保夾具精準地夾住集裝箱并將其抓起。反之，如果定位精度不足，比如誤差達到 20 厘米，那么抓取時夾具很可能無法鎖住集裝箱，這不僅會導致交互失敗，整個自動化作業流程也會中斷。
不過需要說明的是，深度學習和我們目前的定位技術并非一個概念。
雖然有些方案試圖通過深度學習和神經網絡直接輸出車輛的定位信息，但這些方案在業界尚未得到廣泛應用。目前，行業內仍以傳統算法為主，比如 SLAM（Simultaneous Localization and Mapping，即同時定位與建圖），其背后的數學原理和理論推導仍沿用傳統框架。
深度學習在其中的作用更多體現在前端特征提取環節。例如，過去我們可能通過傳統的算法，像 Harris Corner ，通過梯度計算來找出圖像中的特征點?，F在，我們可以通過深度學習來識別場景中的特征，使特征提取更加魯棒。但后端的融合算法，比如卡爾曼濾波，以及各種平滑處理等，依然基于傳統技術框架。
雷峰網：在港口場景的實際運營中，面對鋼軌反光、鹽霧腐蝕等特殊環境挑戰，友道如何評估不同傳感器的可靠性邊界？特別是在安全冗余設計方面，是否意味著純視覺方案在工業場景中存在根本性局限？
江燦森：我們常說堅持純視覺的方案，核心還是出于商業層面的考量，要把成本壓縮到極致。
如果完全不考慮成本，當然是傳感器配置越豐富越好，從安全角度來講，信息冗余總是比信息不足更穩妥。對于商用車場景來說，很多時候需要把十幾米長、上百噸的車開到某個位置，偏差不超過幾厘米，那么激光雷達優秀的測距能力就很關鍵，這是攝像頭做不到的，因為攝像頭無法直接測距，而所有的間接測距方法的誤差都很大。
從成本效益來看，一輛商用車一年可以掙 30 萬，那么幾千元的激光雷達肯定是用得起的，如果還能提升效率的話，用激光雷達就更劃算了。隨著激光雷達價格的逐步下降，其在商用車場景中的應用性價比還會持續提升，我相信未來激光雷達會成為自動駕駛的標配零部件。
雷峰網：那么你們現在的主要客戶是誰？
衡量：我們的客戶主要是港口（包括集裝箱碼頭和散貨碼頭）、礦山、各種工業園區。
與主流的商用車 L4 公司相比，我們在工業園區方面也有明顯的競爭優勢，比如沙鋼、六鋼和寶鋼等鋼鐵廠內的運輸業務，我們都有涉足，且運營的車隊規模也比較大。
雷峰網：針對港口這塊的商業化，你們同時在做新碼頭建設和老碼頭改造，各自進程如何，有哪些案例？
衡量：秘魯錢凱港可以作為新碼頭的典型案例。
這個碼頭是完全新建的，位于南美大陸西海岸，是目前南美最大的集裝箱碼頭之一，由中遠海運運營。之前只是一片海岸突出的空地，從修路開始，完全新建了一個碼頭。知名度也比較高，是中國“一帶一路”戰略出海的典型案例。
港內運輸的車輛全是我們的 AIV ，去年已經有 40 輛車運行，效果非常好，運量還需要進一步提升，所以今年又增訂了 10 輛車。
老碼頭智能化改造的案例有很多。
比如上海的外四碼頭和深圳的媽灣碼頭，這些碼頭都是已經成熟運營了很多年的集裝箱碼頭，里面都有上百輛人工駕駛的車輛。我們的車輛逐漸進入這些碼頭，從 10 輛、20 輛到 30 輛、40 輛，數量不斷增加，作業能力從承包半條船成長到承包數條船。
目前，所有運營場景都是盈利的，而且我們的盈利計算方法很苛刻，車輛的折舊、運營費用等所有成本都算在內。
當下有 400多 輛車在運行，今年的運營收入預計近兩億元。從公司整體來看，要實現盈利，現有車隊規模還需要再增加兩倍。
雷峰網：這意味著，你們不僅是研發型公司，也是運營型公司一一從頭到尾完成整個項目。
衡量：對，這涉及到商業模式的問題。
L4 與 L2+ 有很大區別。L4 車輛可以自己跑起來，這種情況下商業模式就變得多樣化。
我們有三種商業模式：
第一種是售賣車輛。客戶直接購買我們的車或第三方的車，車上裝好我們的智駕系統。我們會提供車隊管理系統，教會客戶使用。
第二種是“虛擬司機”?？蛻舫钟熊囕v，客戶只需支付車輛本身的費用，與普通車輛價格一樣。智駕系統軟硬件的費用則由我們承擔，車輛在客戶場景中無人運行后，我們按照人類司機的價格向客戶收取“司機工資”，相當于我們出售的是“虛擬司機”。
第三種是提供運力服務。這種模式常見于集裝箱碼頭，因為碼頭公司通常不擁有自己的內集卡車隊，而是將運力服務外包。我們也是按照箱量收費，客戶付錢給我們，我們運營車隊，車輛由我們持有。這種模式資產非常重，我們需要通過融資租賃等方式來緩解現金流壓力。
這三種模式友道都有，但我們更傾向于前兩種模式。不過，有些客戶堅持要第三種模式，我們也能滿足他們的需求。
雷峰網：涉及賺錢就會有更細節的設計，比如小車能拉多少貨、長寬高，也是你們來做嗎？
衡量：車輛的載貨量、尺寸等細節設計，需要根據客戶需求來定。一般來說，我們會和客戶討論他們的運輸業務需求，確定需要什么樣的車型。比如集裝箱運輸比較標準化，因為集裝箱尺寸固定，所以我們的AIV可以適配幾乎所有的集裝箱。
但在散貨碼頭和礦山，情況就不一樣了。有些散貨碼頭要求車輛載重 105 噸，因為他們的吊機 1 次能抓取 35 噸，3 下正好 105 噸。如果用 90 噸的車，操作起來就不高效。
這些需求都是由客戶場景中的其他機械帶來的約束，導致我們的車型比較碎片化。這就對我們的智駕系統提出了重大考驗，需要適配各種不同的車型和場景，同時盡可能降低適配工作量。
目前我們落地的場景近 20個，其中一半是集裝箱碼頭，另一半是散貨碼頭、工業園區和礦區。非集裝箱碼頭的場景中，幾乎每個場景都需要一種不同的車型，所以有近 10 種不同的車型。
雷峰網：友道現在有多少人，這四年人員數量是怎么變化的？
衡量：友道曾經有 330 人的智駕研發團隊，之所以現在減少到 170 人，是因為保證研發的人效比。
330 人的時候，我們處于自動駕駛能力快速創建的時期，做了非常多的從0到1的研發工作。現在已經有了四五百輛車穩定運行，后續從1到100的研發不需要那么多人員，所以從 2024 年年初開始，我們一直持續優化提升研發人效比。
雷峰網：你底下的“減一”有幾個人？
衡量：在團隊規模為 330 人時，減一層級有 9 個人，分為 9 個部門。
后來團隊規模縮減到 170 人時，一些部門被合并，減一層級減少到 5 個人（產品與質量、感知、導航、車端平臺、云端平臺）。
例如，之前地圖、定位是一個部門，規劃、控制是 另一個部門，現在合并為一個導航部門；同時，人員的角色也有所調整，比如之前做定位的現在可能轉崗做規劃。
雷峰網：是不是可以理解為，技術研發階段快要結束了，接下來要重點推進落地和市場占有率了？
江燦森：可以這樣理解。
我們早期加入友道的時候，很多技術方案的迭代都是基于 demo 性質的技術架構。很多算法的 baseline 都是從供應商那里獲取的，這是車企比較常見的做法一一找一些研發團隊或高校合作，提供研發經費，讓他們交付功能，過程中還需要反復溝通調整。
不過，做 demo 的時候，運氣好效果還不錯，運氣不好就會頻繁出錯、穩定性差。這對于實際運營來說是完全不可接受的。因為運營是 24 小時不間斷的，停 10 分鐘都算生產事故，沒有容錯空間，不能動不動就出問題再讓人去緊急救火。
我剛加入友道時，就意識到這個問題，于是快速擴張團隊，從 0 到 1 搭建了諸多算法原型，把之前那些不夠完善、靠打補丁維持、僅針對特定場景開發的算法進行了優化。
二是我們需要對算法進行重構。
必須從原理和泛化的角度去思考：一個算法在某個場景能用，在其他場景是否同樣適用？只要是一個有共性需求的功能，就得兼顧不同場景的需求。否則，只針對單一場景開發，即便在該場景下表現很好，一旦換個場景，代碼可能就失效了，到時候就得重新開發，這是嚴重的資源浪費。
三是技術獨立性與全棧掌握。
上汽旗下有中海庭（高精度地圖圖商），我們沿用了他們不少地圖技術基礎，所以省去了早期的研發投入。但我們希望能全棧掌握這些技術，以防在我們業務快速拓展，尤其是定制化業務需求急劇增加時，即使是兄弟公司也難以滿足突發業務需求的快速響應。這個環節必須補上，否則越到后面，整個架構會越受限。
22年到23年，是我們快速補充技術基礎的階段，團隊擴張速度很快，技術研發迭代也非常迅猛。比如地圖定位團隊，我加入的時候只有六七個人，到最高峰時接近 40 人。
2024 年開始，我們的技術逐漸成熟，人員出現了冗余。原來可能需要好幾個人開發一個算法，后來隨著技術成熟，人力需求自然減少。
雷峰網：你現在是公司的首席科學家、智駕中心總經理、公司的副總經理，屬于技術和管理都要管，你還適應這種轉變嗎？
衡量：技術人員的發展路徑通常有兩種：
一種是繼續深入鉆研技術，成為某一領域的專家，甚至進入學術界成為教授或高級研究員；另一種則是轉向技術管理。我的個人發展路徑是后者。
創業時，在 Roadstar.ai 管理 100 多人的研發團隊，到大疆管理最多 30 人的研發團隊，再到友道管理峰值300 人的研發團隊，其實每一階段的感受都很不一樣。
最開始在學校和剛進谷歌時，我專注在把自己負責的一個模塊做好，例如寫好一篇論文，或者寫下一段無法再優化的代碼——精煉、優雅，帶著數學般的美感是我那時所追求的。
從特斯拉開始，我開始帶領一個小組負責一個較大的系統，那時我專注在把這個系統設計好、實現好，這不僅包括我自己要做好系統的架構設計，也包括教會團隊成員寫好代碼，能搭出一個最優的系統。
在友道我帶領更大的團隊，我最關注的是能夠領導、組織和激勵好一個研發團隊，這個團隊能把一個龐大而復雜的系統做好，做到業界領先水平，這個團隊本身才是我最得意的作品。
雷峰網：與其他企業上千人的智駕研發團隊相比，友道現在的 170 人團隊已經非常精干了；從你過去經歷來看，管理過 30人、100 人、330 人，這又是一個數量級的翻番。我很想知道，現在如何發揮這 170 個人的最大能力？在這方面，你最近有什么心得體會嗎？
衡量：管理團隊的方式會隨著團隊規模的變化而變化。
對于 30 人以下的團隊，作為管理者可以清楚地了解每個人的工作內容，甚至可以手把手指導每個人的工作。但當團隊人數超過 30 人后，就需要一套組織架構和管理機制來支撐。
我在Roadstar時切身體會到當公司從 30 人增加到 100 人時，人數增加了 3 倍，但工作效率并沒有增加 3 倍，可能只增加了 50%，甚至可能連 50% 都不到。
這讓我開始反思管理方式的重要性。盡管我之前作為工程師時，對組織學相關的東西有些反感，比如公司文化、團建、組織架構、匯報機制、會議機制和項目跟進機制等，但當我真正成為較大組織的負責人時，才發現這些機制是必要的。
從那時起，我一直在思考如何管理一個組織。
我早期的工作經歷主要是在硅谷，比如谷歌的街景和特斯拉的 Autopilot 團隊，那里的組織形式比較寬松，完全依靠員工的自驅力。
但在 Roadstar 時我發現，僅靠自驅力是不夠的，并不是所有人都像硅谷的精英那樣有很強的能力和自驅力。
后來我去了大疆，其中一個原因是想看看這種嚴格管理的公司（比如上下班打卡、每天早會晚會）到底有什么優點和缺點。在大疆的經歷對我來說是一個綜合學習和提升的過程，我領悟到管理方式與團隊中的人才結構和狀態密切相關。
就像孔子說的“因材施教”，管理也是類似的。
在友道，總體來說管理風格已經比較成熟，實踐下來也沒有什么大問題。
雷峰網：怎么說？
衡量：不管是團隊人數最多的時候有 330 人，還是現在有 170 人，我們基本上都是按照模塊對技術人員進行劃分。
比如感知、規劃等團隊，這屬于研發資源線。每個部門最重要的任務是完成對應的研發任務，培養員工的技術能力。
在產品方面，我們有這么多車型和場景，我會拉出一個縱向的產品矩陣一一每個場景都有對應的產品經理，他們會從感知、規劃、控制等模塊各抽調一個模塊代表，由產品經理帶著模塊代表負責每個項目的交付。
每個項目的模塊代表會把項目對自己模塊的要求帶回自己部門，部門負責人會定期（每周一次或兩次）和所有模塊代表開會，搞清楚各個項目對我們的研發要求是什么，下一步需要我們做什么事情，并把這些要求合并同類項。
通過這種“矩陣式”的研發結構，我們能夠根據各個項目的緊急情況、優先級和研發計劃，確保按期交付項目需求。這種結構使得幾百人共同編寫一套代碼，同時支持多種車型和場景成為可能。
隨著技術管理經驗的積累，我越來越意識到經濟學頭腦和成本意識的重要性。
對于研發來說，最重要的成本是人力成本，研發人員的工資普遍較高。因此，我的目標是用盡可能低的人力成本來完成盡可能多的項目和產品交付要求。換句話說，做到成本高效（cost-efficient），是衡量我作為研發團隊管理者角色是否成功的關鍵。
雷峰網：這挺有趣的，組織架構的調整隨著公司的發展階段（如之前提到的三個階段）而變化，同時也考慮到了員工的職業規劃，我感覺到，友道對于你們來說都是職業生涯一個重要里程碑，從仰望星空，到腳踏實地。
衡量：在硅谷創業的時候，大家其實不太關心這些細節，因為大多數創業的目標就是等待某個大公司來收購。
大家的做法是先燒錢，甭管賺不賺錢，先搞個幾十輛車的車隊，招三四百人，想讓投資人一看，“哇，我這個公司有規模，有氣勢，趕緊來投我吧。”
回想之前在 Roadstar 創業時的教訓，當時總體目標不清晰，燒錢很厲害，雖然融資也很順利，但沒有明確的目標：
是把 demo 做好，把下一輪投資人能夠哄進來就行了？還是把技術打磨好，要做到最 cost efficient 的方式，讓技術能賺錢？這種目標不統一導致了創始人、投資人之間的矛盾。
現在我們要考慮，“做這件事要付出多少成本，能掙多少錢，如何讓利潤不斷增長?！蓖瑫r，技術研發也要有財務目標來指引，決定該做什么、不該做什么。
友道的目標很明確：上市是一方面，但更重要的是我們目前的場景和技術已經很好，我們有能力自己養活自己并實現盈利。
當我們明確了這個目標，所有的事情都變得清晰起來。因此到了算賬的時候，是很容易算清楚的。數字雖然冷冰冰，但很客觀，它指引著整個公司的方向。我們的目標是把盈利數字做好，不管是技術研發還是其他目標，都要圍繞這個核心。
現在我看到不少自動駕駛公司或團隊也在朝著這個方向轉變，比如 bot.auto 的侯曉迪也強調運營的重要性，以及如何實現盈利。
雷峰網：說到侯曉迪，你們倒是有一些經歷上的相似之處，你們認識嗎？
衡量：我們認識，在拉斯維加斯見過面，但沒有特別深入的交往，只是神交?？赡苁且驗槲液退邢嗨频慕洑v，現在做著類似的事情，他的一些觀點我都很認可——例如，L4自動駕駛真正應用的難點不在于解決少量的大問題，而是要解決大量的小問題。
雷峰網：有沒有一些伙伴跟著你來到友道，他們會怎么評價你的管理風格變化？
衡量：你可以問燦森，他從大疆開始就和我共事了。
在 Roadstar 時期，我做事也比較急，因為當時團隊規模小，從十幾個人到三十個人，我能管到每個人。我們出來創業比Pony、景馳晚一些，急著讓車上路，帶著大家一起加班。甚至有同事從東部州搬過來，我家有空房，他就住在我家，我一大早就叫他起床一起去上班，忙到晚上十一二點再一起回來。
現在回想起來，那時候對同事確實有點“壓榨”，但那是創業的狀態。
江燦森：我第一份正式工作在大疆，在那里我認識了兩個特別敬佩的領導，一個是張宏輝老師（曾任大疆感知系統部門負責人），一個是衡博。
他們有一個共同的特質，就是對學習抱有極強的熱情。
張老師格外注重技術的前沿性，我每次去找他，總能看到他在研讀論文。就是說他不僅重視工程實踐經驗，還會持續追蹤行業內的新解決方案和技術進展，時刻保持對新知識的學習。衡博也如此，我每次與他交流，都能感受到類似張老師的特質，即便他們在能力和技術上都是行業頂尖的，依然保持著謙遜的學習心態，我很佩服。
還有一點，衡博帶領的團隊有一種很好的氛圍一一大家都沒有“歷史負擔”。
比如他剛加入大疆時候，看到我們早期在高精地圖方面的工作，無論是從定位還是從建圖層面，都還比較基礎，缺乏真正深入的思考。而他之前在百度和 Roadstar 的時候就主導過地圖模塊的開發，對如何定義地圖、如何讓高精地圖更適合 L4 級自動駕駛車輛有著深刻理解。于是我們果斷選擇推倒重來。
也就是說，只要某個方向、某個技術更優，我們就會積極引進，哪怕要從 0 開始推翻既有成果，也絕不會因為某個技術是自己辛苦鉆研很久就舍不得拋棄。我們始終保持開放的心態，就事論事，以最合理的方式做事，只要是對的，我們就堅決去學習、去應用。所以當時候我們整體的技術氛圍非常好，研發節奏也很快，基本上每半年就會有一個階段性的突破。
現在在友道，我也感受到了同樣的氛圍，就像剛才提到的人員調整、心態轉變，我們都可以快速適應調整，并且很快能看到正向反饋。
雷峰網：友道現在有 996 嗎？
衡量：我們沒有 996 ，大概是 985 。
公司從誕生之初就在商務、政府關系等方面做好了鋪墊，很多客戶資源已經在股東層面做好了安排，我負責把技術做好。因此，我不需要把員工壓榨到極限，而是可以用正常的節奏推進公司發展。
這說明在創業初期，就需要想好這些問題，做好選擇。
雷峰網：友道的創立時間是 2021 年 8 月，衡博和燦森是先后加入友道的，可以說你們個人和友道是幾乎同步向前的，感悟可能比別人更深刻。現在正好在你們的入職四周年，你們最深的感受體會是什么？
衡量：如果說八年前是騎著一頭豬順著風口飛起來，雖然星光閃耀被媒體關注，但內心實則惶恐不知道方向在哪里，那么最近這四年更像是坐高鐵穿越一條長隧道——沿著既定的方向穩步向前，內心充實而寧靜，不知不覺中已經跑得很快了，而且光明就在眼前。
現在友道已經比較成型，處于一個良好的發展節奏和勢頭。我希望接下來能保持現有的節奏和勢頭，繼續拓展新的場景，擴大車隊規模，真正實現L4自動駕駛在商用場景大規模落地。
江燦森：我比衡博加入友道要晚一些，還不到四周年。我個人感觸很深的一點是，在大疆的時候，尤其是在2019 年上半年之前，我們都覺得技術就是一切，甚至有些高傲，總覺得我們的技術這么出色，主機廠怎么會拒絕我們呢？
但后來真正和主機廠對接時，才被拉回現實，必須把姿態放低，才有合作的可能。這徹底改變了我們以前的甲方思維，完全轉向了乙方思維。
我們也由此意識到場景和主機廠背景的重要性。在自動駕駛領域，門檻遠比我們想象的高，絕不是有了軟件技術就萬事大吉。
這也是我為什么認同友道模式的原因。
友道的股東方本身就擁有大量業務場景，這對技術成長是極大的支撐。因為技術總有不成熟的階段，這個過程需要很高的技術磨合成本。你得有試錯和成長的機會，才能慢慢打磨好。
就像我們現在在港口做自動駕駛，已經有了非常好的 baseline ，以后只要有某個港口想做智能化改造，我們就能快速切入，把業務做起來。
衡博在友道主導了研發中心，我們既能從技術角度深耕，又能兼顧落地。我們早已脫離了最初只做演示、探索新技術的階段，而是踏踏實實地把技術應用到商業場景中，創造價值。這個轉變過程也是對我們心態的歷練，讓我們真正找到一個方向，真正產生價值，否則技術永遠只是空中樓閣。
本文作者吳彤，關注智駕背后的人和事，歡迎道友認識一下，微信號: lI__O0o
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
