小马智行楼天城：自动驾驶已经没有技术阻碍｜36氪专访

大家好，欢迎来到IT知识分享网。

文｜李安琪

编辑｜李勤

陷在价格战泥潭的汽车公司们终于看到了差异化突围之路，就是AI大模型对智能驾驶的塑造。

“新的时代到来了。”9月10号，理想汽车CEO李想在朋友圈如此呐喊，今年开始，借助大模型能力，他们在智能驾驶中部署了端到端+视觉语言模型VLM+世界模型的新技术体系。华为、蔚来、小鹏等同航道选手，也无不将“端到端”“世界模型”等技术奉为圭臬，开始重新整肃智能驾驶团队和技术。

用AI改造智能驾驶，汽车公司似乎看到了“通往自动驾驶之路”。他们雄心勃勃，喊出“每年10亿美元”的投入计划。更早采用“端到端”技术的特斯拉更为激进，已经宣布在10月份发布Robotaxi（自动驾驶出租车）。

似乎“端到端”成了智能驾驶行业的“银子弹”。车企有制造、现金流和里程数据，如果再手握自动驾驶技术栈，无疑是另一番产业图景。

对此，小马智行CTO楼天城表现出了冷静。作为成立第一天就锚定L4自动驾驶技术的公司，楼天城明确表示，今天的高阶智能驾驶，即便采用了端到端技术，上限也只能做到L2.99，难以抵达L4。在行业中，L2通常指智能辅助驾驶，需要人类司机承担驾驶责任，而L4则为自动驾驶，车辆是驾驶责任主体。

楼天城认为，根本原因在于大语言模型自身的属性，“端到端或者大语言模型的本质，只是拟合现有数据，并没有给出某些智能逻辑。所以模型的能力会被数据的表现所限制。”

8月下旬，我们在小马智行北京办公室见到了楼天城。小马智行作为国内头部的L4级自动驾驶公司，同时也是车企的L2智驾方案供应商，站在两条路径的激烈交汇处。

近2个小时交流中，楼天城谈论了端到端的不同形态、世界模型的重要性、Robotaxi商业化、人类与AI共存等话题。

小马智行是国内的自动驾驶明星公司。2016年，楼天城与好友和百度同僚彭军离开百度，共同成立了小马智行。创业之前，楼天城是编程竞赛圈中的风云人物，“楼教主”的称号也由此得名。

楼天城告诉36氪，他对智能驾驶的认知出现较大分水岭的时间点是2019年。在此之前，他也认同数据量多寡对自动驾驶系统训练的重要性，但有一天他忽然意识到，过度的数据可能会造成负担。

他表示，L2作为辅助驾驶，驾驶表现只要表现得跟人一样就行，所以用大量的数据训练，能够灌出L2级别的智能驾驶，但天花板也相对很明显；

而L4自动驾驶系统的表现，要好于正常人类认知的10倍，因此，大量平庸的数据其实没有益处。

“行业现在对数据的盲目依赖，是没有意识到靠数据其实没法越过这条线（人类司机的线）。当真正接近这条线时，会意识到其实越不过去。最顶尖的人其实都知道，比如Waymo就从来没有说过要纯依靠数据。”

他打了一个比方：如果自身乒乓球水平不够，很难培养出一个能拿奥运冠军的选手。这也类似于跟一个棋艺不高的人下棋过招，自身水平也难以精进，“类似臭篓棋子的数据越多，数据就会变成负担，垃圾数据越多，干扰越大。”

更好的办法是找到出色的教练——也就是先训练出一个足够好的世界模型。

“这是最重要的事情，没有之一。”楼天城说。

世界模型可以理解为对真实世界的仿真与建模，可以真实准确地还原比如十字路口等场景的变化。

比如鬼探头时被遮挡的行人轨迹；车辆碰撞瞬间的行人与他车反应；甚至反应出人在跑步时减速度可以达到重力加速度等各种细节。

同时，世界模型还可以充当一个评分体系，对自动驾驶系统的表现做出评价。“虽然不知道哪个自驾系统是最好的，但可以知道A比B好。”

在新势力中，蔚来与理想等也强调世界模型的重要性。但楼天城认为，因为L2与L4产品属性不一样，后者对世界模型的要求更高。

在创业之前，楼天城常常参加编程竞赛。他说编程竞赛圈有个习惯，大牛们会经常分享自己的解决思路，叫题解。“大家都是先把题做出来了后再写题解，而不是自己还没做出来就开始教别人怎么做。”

楼天城也给出了自己的“自动驾驶题解”。去年8月，小马智行已将感知、预测、规控三大传统模块打通，统一成One Model端到端自动驾驶模型，目前已同步搭载到L4级Robotaxi和L2级量产智驾中。

楼天城认为，当下自动驾驶已经没有了技术阻碍，技术进程已经过半，技术的商业化是另一项重要工作。对于Robotaxi的大规模落地，他表示在明年的时间节点，公司可以做到单车盈利转正，这将让公司进入良性的正反馈之中。

楼天城对AI依然抱有相当高的天花板期待。“Robotaxi是AI第一个最大的应用，后面AI应用绝不局限在此，还有更高更颠覆性的发展空间。”

“人其实也是AI。别觉得自己跟他们有本质不同，一个新的AI Agent做的一些事情，跟人相比，有些地方平分秋色，甚至平级，甚至更好。”站在人类的角度，他认为，应该好好思考如何与AI一起以更好的方式去驾驭它，而不是逃避。

以下是36氪汽车与小马智行CTO楼天城的对话，略经编辑：

谈端到端：世界模型是最重要的事情，没有之一

36氪汽车：L4公司似乎普遍比车企智驾团队对端到端有更早关注？

楼天城：因为L4的挑战更大，更需要端到端的加持，需要用所有能想到的办法来加持。端到端好处是，解决了信息丢失的问题。以前不同的模块非要描述一些东西，其实在一定程度上限制了给下游传递的信息。

对L2来说，端到端更多的价值在于成本下降等，但对L4来说可能是从0-1的价值，意义更大，所以L4公司对端到端接触会更早。

36氪汽车：您是什么时候开始关注到端到端方案？

楼天城：端到端有非常广义和非常狭义的定义。早些年传感器的前后融合，就有端到端的概念了，严格讲，前融合是端到端的开始。因为前融合就是解决传感器信息丢失的问题，跟端到端强调的东西是一样的。

2016年也有公司提出了狭义端到端概念，其实不一定要基于Transformer才能做端到端，但Transformer架构确实让端到端变得非常好。

36氪汽车：“端到端大模型”这个词您是怎么理解的？

楼天城：端到端有常见的基本过程，很多公司都是从感知BEV开始，慢慢把感知和预测做在一起，然后Planning（规划模块）用AI来做，然后再combine（联结）到一起，慢慢发展到One Model端到端的状态。

小马没有跳过某个阶段，我们端到端走的很快的原因在于，不在于端到端模型本身，而是我们用于训练端到端的东西，一个基于仿真的世界模型，这是个很好的基础。

但端到端不是大模型。如果以模型参数多少来衡量，确实让一个更大的模型缩小，比直接去做一个小的模型效果要好，先做大再做小没有任何问题。模型有大有小，但没有一个东西叫做大模型。

36氪汽车：L4端到端跟L2端到端有什么不一样的地方？

楼天城：L4的端到端有很多不同之处，可能其他玩家不做、也没有考虑到。端到端跟数据有关系，但我提过，过度的数据是burden（负担），端到端或者大语言模型的本质，只是拟合现有数据，并没有给出某些智能的逻辑。所以模型的能力会被数据的表现所限制。

说更明确一点，你跟一个臭篓棋子学下棋，那你就是他的水平，不会更高了。如果类似臭篓棋子的数据越多，数据就会变成负担，垃圾数据越多，干扰越大。

更深一层来讲，这些数据已经教不了模型了。就像教小孩儿乒乓球，你水平都不如他那不是瞎教吗？所以要找教练。现在的做法是，训练一个很好的模型来训练端到端。而能训端到端模型的模型，本身就是一个很难的东西。

36氪汽车：所以对自动驾驶来说，世界模型是更重要的东西？

楼天城：对，可能都没有之一。我觉得我们在世界模型上做的还不错，反正比我教的好。

这也是L4公司不一样的地方，如果做L4，一定会走到这天。我是从2018年开始想这件事情，那时候我有预感未来我可能教不了自动驾驶，的确，到2020年我已经教不了了。

36氪汽车：教不了自动驾驶，具体是什么样的表现？

楼天城：就是我水平不如他了。先说明一点，端到端的黑盒和不可解释性是对的，只是它做的事情可能挺对的，只是我当时没有想到而已。跟早年看阿尔法狗下棋是一样的，我看不懂罢了，所以我得慢慢培养一个世界模型来帮助我判断驾驶模型的水平。

世界模型帮助我们一步步走过来，世界模型是最重要的事情，没有之一。车辆的好坏表现也是由这个世界模型决定的。

36氪汽车：怎么看现在车企提出的L2级别世界模型？

楼天城：如果是L4，那系统表现要好于正常人类的10倍；但L2不需要，L2本来就是人类驾驶辅助，只要跟人想的一样就行了。但L4的系统可能你都不知道哪个更好，但又不能限制它，所以需要一个更好的教练。

这跟技术管理是一样的，作为公司技术管理层，千万别觉得自己是公司技术最好的，如果天天这么想公司早完蛋了。最重要的是找到比自己厉害的人，培养他们，给他们发挥的空间。

36氪汽车：所以L2没有办法进化到L4？

楼天城：过度的数据没有帮助，但其他的东西比如车端芯片、云端芯片还是有帮助进化的。数据是里面关键的部分，拿数据去灌输一个世界模型是很容易的，但灌出一个好的世界模型很难。就像找一个教练容易，但找一个能教出世界冠军的教练很难。

我也是意识到这件事情之后，才做了很多其他的事。比如选择更好的数据，比如做一种比较的方法，虽然不知道哪个自驾系统是最好的，但我知道A比B好。

就像2018年腾讯的绝艺（AI围棋）对战AlphaGo一样，我哪里评判得了他们的水平，都比我好太多了，哪知道哪个更好对不对？

36氪汽车：怎么看待当下行业讨论的分段式端到端跟One Model，两者之间有本质区别吗？

楼天城：区别还是有的，还是信息传递和丢失的问题，分段式的话，模型与模型之间肯定会存在信息丢失，所以整个模型表达能力确实不如one model。但好处是，训练的难度会低一些，每段之间会有明确的输出披露。one model的模型表达会更强，但训练难度也更大。

36氪汽车：端到端的黑盒、不可解释性的挑战要怎么应对？

楼天城：看用户接不接受黑盒，如果要输出是可以输出一些意图的，比如要左转右转，或者掉头这种，用户如果需要就可以做。端到端确实解释性差，但没有差到让你不安心。它不是一个blocker（阻挡者）。

谈进化：L4需要的东西，L2根本不用

36氪汽车：传统基于规则的多模块方案已经完全走到头了吗？

楼天城：进展上确实不如端到端，BEV加规则的方式，差的其实不是运动员，而是教练。写规则的人就是教练，是教练水平不够，不是运动员不行。

假如rule based方案能力在最下层，L2在中间水平，L4水平往上走。基于端到端，智驾水平可以提升到L2天花板，但更往上，我们不叫端到端，而是叫foundation model （基础模型）。对L4来说，资源是个加速器，可以提升更快，但资源不改变天花板。你的做法，团队的能力，才是天花板。

36氪汽车：小马有L4的产品，也有L2的产品，你们怎么平衡？

楼天城：我们有不同的团队，大家已经走过了当年的分歧点。2020年的时候，我们意识到要有不同的技术和产品，于是把技术往回退到2018年水平，拆成不同的技术和产品方向。L2走端到端模型，L4的东西叫基础模型。

36氪汽车：两个模型之间有明显的区别吗？

楼天城：完全不同。L4需要的东西L2根本不需要，L2的做法是拼命灌数据，L4要做的是先训练世界模型。

L2考虑的是成本、用户体验之类的需求，L4还是考虑安全性，更注重精确操作和答案。L2是辅助，要很好的交互，操作不了就人来接管，但L4不行的时候要做得特别好。两者刚好互补。

36氪汽车：从rule based到端到端，到基础模型的训练，你们的工具链发生了什么变化？

楼天城：其实是反过来的，工具链的成熟度，决定了最后模型做的好坏的关键。比如仿真的好坏，影响着系统的好坏。世界模型的本质，可以理解为是对世界的建模，可以认为它是一个评价体系。它是更重要的，它关系到L4基础模型的天花板，也关系到L2端到端的学习速度和一定天花板。

36氪汽车：L4的世界模型，跟之前用的仿真工具有什么不一样？

楼天城：世界模型必须要更好反应世界上其他物体的真实状态。比如在十字路口，红绿灯的变化，行人怎么过马路等行为。

比如著名的鬼探头问题，在十字路口绿灯，左边有个巴士停着，前面是空的，但它不走，可能是因为他前面有人。我们虽然看不到，但是车会减速，这个可以被表述成端到端逻辑。但另一个维度，世界模型会真正模拟一个人在车前走，只不过被挡住了。

再举个例子，我到美国的时候，有个在美国开了很多年车的老师傅告诉我，美国行人过十字路口不看车的。他只说这一件事，所以我开车就得注意旁边的人。我就是端到端模型，老师傅就是世界模型。

36氪汽车：但反应世界真实情况本身，是不是就很难？

楼天城：对，但必须做到。

36氪汽车：假如说世界模型是端到端的评分体系的话，那世界模型本身的好坏怎么评价？

楼天城：这很有意思，严格讲没有明确的体系，他们俩互相之间纠结，然后通过实际路测来评价。现在通过模型来训练和评价模型都是常见的事情。今天，chatbot（聊天机器人）水平已经不比人低，所以也需要训练模型来评价chatbot水平。

36氪汽车：您觉得特斯拉现在遇到的问题是什么？

楼天城：特斯拉现在能也很好达到L2.99的水平，这是今天已经公开的，但还有它还没公开的部分。

从去年末Elon的直播来看，45分钟美国路程接管了1次，但我们无人车的里程是50万公里出一个事故，不同的世界模型教出来的学生水平差了1万倍。智驾系统的差距，光着急是没用的，真正的差距会在世界模型这一侧体现出来。

36氪汽车：世界模型起来之后，对智驾系统的泛化能力有什么帮助？

楼天城：用大语言模型帮助建立世界模型的好处巨大，因为大语言模型的数据源于世界上各种各样的数据，比如欧洲的很多路牌我都不认识，大语言模型其实都看过。

甚至都不需要是多模态大模型，只要是大语言模型就可以。当然多模态大模型会更好，比如SAM模型就行。

36氪汽车：什么时候可以见到小马世界模型训练出来的量产智驾？

楼天城：我们不太方便透露主机厂的进度，但小马的L2也有个世界模型，它训出来的产品叫PSD，它的水平也是30公里左右接管一次，这是L2普遍的水平。

训练一个这样的世界模型，不需要太多数据，把我们L4的数据拿出来灌一灌就行了。我们用的都是高质量数据，大概3000多万公里。我们大概训练了半年，没花多少人在这上面。

谈投入：资源是门槛，人才会拉开差距

36氪汽车：之前连rule based（规则为基础）的方案都没有做过的车企，有可能通过端到端弯道超车吗？

楼天城：可以，但只做到L2天花板这里。资金投入不是小数目，特斯拉买了这么多万张卡，它一买，英伟达的股票都能长，但不是所有车企都有这样的投资意愿。

关键是，还要有配套的人和团队才能发挥出最大价值。如果这方面很差，整个投资性价比很低。所有投入下来几个billion（十亿）不止，有钱才有资格这么玩。没钱的话，换个办法吧。

36氪汽车：世界模型的训练，会对车端、云端芯片硬件有多高门槛要求？

楼天城：云端显卡我们也有，加上预训练环节，投入也非常大。

当车端算力少且传感器少的时候，对世界模型的要求就很高。车端算力多一些肯定有好处，但今天L2 双Orin也还ok，L4也最少要千TOPS。

行业现在对数据的盲目依赖，其实是没有理解一些事情的，至少没有意识到靠数据其实没法越过这条线（人类司机的线）。当真正接近这条线时，会意识到其实转不过去。最顶尖的人其实都知道，比如Waymo就从来没有说过要靠数据。

36氪汽车：大家对高质量数据会有清晰的画像吗？

楼天城：比如50万公里出一次事故的水平，拿200万公里才出事故的数据来训练不过分吧。50万公里的可能好找一点，某种程度上这是更可怕的司机，基本上都是被别人撞才有事故。

我们L4日常的数据采集司机，都是经过几年训练的，我们还专门提醒说好好开，不要瞎开，还不够，因为每个人擅长的东西不一样，我们专门开发了一些系统帮助辨别司机开的好坏，所以高质量数据是有门槛的。

当年ChatGPT出来的时候，OpenAI也在印度找了标注团队。你能感觉它说话是很nice的，这就是标注好的数据的结果，否则就是胡来。

36氪汽车：这种属于长时间不出错的数据，像碰撞瞬间这种case的数据怎么获得？

楼天城：这个的难点是在于，碰撞那一瞬间，其他车的行为是什么？因为碰撞的瞬间，其他车的行为也不是正常行为，大家也会下意识避开，所以平时积累的数据加进来可能会添乱。

非常急的情况下，人在跑步时减速度可以达到重力加速度。所以一定要对这些东西有正确的认识，世界模型才会教出好东西。这样的仿真建模其实挺难的，我们做的还不错。

36氪汽车：端到端之后所有的模块要一起训练？会不会出现负优化的情况？

楼天城：这是端到端全局梯度传递问题，但其实梯度消失不是负优化，梯度消失是可能的，需要想办法让梯度变正，这是大语言模型或者模型中最难的部分，早年深度学习的出现，其实就是为了防止梯度消失。

这个有点复杂，就是你的训练数据，没有办法帮助系统认识到，某个地方应该朝着局部最优以外的地方走，它停在那里。得想办法让它走出去。

比如模型结构变化、数据增多，模型表达能力提升，反正要想办法给它一些prompt（提示），才可能跳出原来的局部最优。训练过程中99%的时候都是负优化，只有偶尔找到正确的路往前走。

36氪汽车：现在会有一些新的技术方案出来，可以避免负优化吗？

楼天城：很难，而且负优化现在是越来越严重。随着模型变深，参数更大，问题会越来越严重。或者说梯度优化太小，模型就只在一个范围不动了。

但反过来，这个东西更难了，解决问题的能力就是一个团队能力的体现，聪明的脑袋可以又派上用场。我的观点是，端到端其实拉开了不同能力团队的差距。

36氪汽车：您怎么看特斯拉说下一代模型参数量扩大了5倍？

楼天城：特斯拉是个很优秀的公司。我猜他的5倍指的是世界模型的参数扩大五倍，而不是FSD（特斯拉的全自动驾驶）的参数放大5倍，其他东西提5倍是没有用的，因为天花板不在这边。

谈落地：遗憾Waymo不进中国，小马远比它好

36氪汽车：您会把Waymo和特斯拉的体验做对比吗？

楼天城：一个是极致的L4，一个是极致的L2。

36氪汽车：从技术或者商业运营来看，今天你们跟Waymo还有明显区别吗？

楼天城：我很遗憾它不能进中国，所以我很遗憾我不能向世界证明，其实小马远比它好，包括在安全性、体验、市场效、成本这些方面。

36氪汽车：你们的L2与特斯拉的产品相比呢？

楼天城：我们在做车企的项目，但不能说名字。这事其实不用崇洋媚外，特斯拉进了中国，也不见得能比得过中国这几家。

在创业之前，我在编程竞赛圈，竞赛圈有一个习惯，我们经常会分享自己的解决思路，叫题解，竞赛圈的人都是把题做出来了再写题解，而不是还没做出来的时候教别人怎么做。我说我做到，来给大家说怎么做到的，没做到的人请做到再说。

36氪汽车：Robotaxi大规模商业化，需要等到世界模型出现之后再到来吗？

楼天城：这个可能跟端到端都没有关系，或者端到端有帮助但不是最直接的决定。L4的量产跟成本、运营、政策这些都有关系，如果有世界模型可能会让成本进一步下降，会更好。

一些L2的说法，我不太认同的根本原因是，今天L4已经到了没有技术blocker的状态了。当大家技术都没做到的时候，可能说有个做法将来更好；但当技术已经做到的时候，我们考虑的是真正商业化，你们还没做到的话，我不会再等几年了。

36氪汽车：Robotaxi的量产现在卡在哪里了？

楼天城：所有的车辆量产都需要时间，仅此而已。

36氪汽车：预计一年内做到什么样的规模？你会对什么样的节点比较满意？

楼天城：1年30倍，这是车企标准的车辆数量增长的速度。路上跑几万辆车，我觉得还比较满意。

36氪汽车：现在Robotaxi的技术已经达到你的理想状态了吗？

楼天城：技术本身是过半的，觉得其他方面还要再努力。量产我们正在做，今年我们和丰田成立了合资公司，他教我们怎么量产、成本控制，和运营。技术上也还有改进的空间，但它已经过半了。

36氪汽车：过半是指什么水平？

楼天城：好于人类驾驶10倍以上。

36氪汽车：那终极目标是什么水平？

楼天城：我觉得需要接近驾驶的极限，但极限不是无穷大，极限可能是几十万公里才被撞一次，因为我不撞人，别人也可能会撞我。

36氪汽车：现在自动驾驶似乎变成了耐力赛，量产智驾公司有数据闭环作为养料，像Waymo和小马这种技术公司怎么保证耐力不断？

楼天城：Waymo有Google的支持，严格讲这不是它担心的问题，但问小马很合适。所以量产对我们来说有很重要的意义，一年上多少量不是说有多少实际盈利，而是保证整个公司进入了正反馈节奏。

车辆规模越大，就能够支撑研发、支撑车辆规模增加，公司也快达到这个状态了，时间上就是今明两年。

36氪汽车：有更具体的指标吗？比如现金流为正之类的？

楼天城：比如单车盈利至少为正，百度萝卜快跑也提到这个概念，单车为正已经是很大的milestone，只要车量上去，就能把研发的钱填过来。今天很多新势力其实也还没有达到单车盈利转正。

当然，从长期发展来看，公司研发才是真正关键优势体现，我并没有觉得非要这么急，让整个公司盈利回正，这是一种平衡关系，不是一个商业化成熟的关系。我们明年会达到单车层面盈利回正，这是我们期待的。

谈AI：人也是AI，没有本质不同

36氪汽车：近年来AI领域迸发的技术特别多，像pony这种技术公司，怎么判定要不要把技术拿到车上用？

楼天城：关注最新技术是公司很重要的事，所以基本上技术被媒体或大众朋友关注到的时候，我们其实早就已经研究过，甚至已经在用了。

我对AI天花板看得很高，我觉得Robotaxi是AI第一个最大的应用，后面AI应用绝不局限在此，还有更高更颠覆的发展空间，肯定要积极拥抱。

站在人类的角度，人们更容易接受AI作为辅助帮助人类，但AI的真正意义价值远不止，人要思考怎么跟技术配合，人如何在新的AI环境中主导事情，不要逃避。

36氪汽车：下一个大的AI赛道会属于哪一块？

楼天城：最近资本圈火的市场很明显，首先chatbot就很火，还有“地上无人，天上也无人”也很火。通过很多技术，短期让人看到AI的能力，这个是很好的起点。

拿chatbot来说，平时它他帮我写点东西。很多行业大家的AI起点找得很好，但AI的天花板可能不能被起点的形式所限制。AI可能会颠覆人的很多创新，甚至人的很多职业，这是真正有价值的地方。

36氪汽车：听说内部有个AI team，近期哪些技术会让你感到比较兴奋？

楼天城：像仿真、类似Sora视频生成的技术我们还是很感兴趣。因为车的传感器数据本身还是很多的， 生成模型其实也很多年没有这么长足的进步了。

像Sora这种虚拟现实是很可怕的，它在一定程度上颠覆了人类能区不能区分是虚拟现实的点，你甚至都看不出来它是不是虚拟现实的东西。

36氪汽车：这种技术竞争似乎面向更广泛AI行业？小马会想往机器人发展吗？

楼天城：我们会先把自动驾驶做好，显然AI技术在很多相关领域都有应用，但自动驾驶模式更成熟，是大家更能接受、有真实需求的方式，它可能应该是所有AI应用中最容易落地的。

所有的人最后都会遇到同样的问题，如果我这块没有走通，很难让其他资源方支持我，反过来说这块走通了我有更多立场，要求更多支持。

36氪汽车：对于AI展现出来的高水平，你发现教不会它更好的东西时，是什么样的感受？

楼天城：我个人目标驱动这一点还是抓得很准，我们要把它做好，方法不同就不同，我不会对一个方法上有太大的坚持。回到2019年，当时我还强调我们一年采集了多少实验数据，在那之前我一直说数据多好，现在我就不说了。就是突然有一天发现，其实不是这样的，但这种东西只能意会，自己明白了才明白。

36氪汽车：所以2019年，你发现AI的发展超过了你的预期？

楼天城：最近几年尤其超过预期。

人也是AI。别觉得自己跟他们有本质不同，一个新的AI agent做的一些事情跟人相比，有些地方平分秋色，甚至平级，甚至比你高，在公司也是这样，要来找比自己更牛的人来加入公司，给他们展示空间，这才是公司CTO该做的事情。

36氪汽车：公众会对AI的到来有一种恐慌认知。

楼天城：恐慌没有用，它一定会来，应该好好思考如何跟AI在一起以更好方式去驾驭它。恐慌可能世界上最没用的东西，没有问题是靠恐慌解决的。