塞巴斯蒂安·特龙：飞行汽车、自动驾驶与教育
Sebastian Thrun: Flying Cars, Autonomous Vehicles, and Education
斯坦福教授、谷歌自动驾驶项目发起者谈飞行汽车、无人驾驶的落地与在线教育的变革。
塞巴斯蒂安·特龙（Sebastian Thrun）说，他最不想要的就是一份自己擅长的工作。
这句话乍听别扭。一个连续推动三次技术革命的人，斯坦福终身教授、Google 自动驾驶项目创始人、Udacity 和 Kitty Hawk 的掌舵者，居然说自己刻意避开擅长的领域。他给出的理由很冷静：如果你待在自己已经擅长的工作里，学到新东西的概率会被压到最低。
他去造飞行汽车的时候，对航空几乎一窍不通。他做在线教育的时候，对教育行业同样不熟。在他看来，这种“不懂”是资产，不是负债。
先把宇宙是不是模拟这件事放在一边
访谈从《黑客帝国》开始。Lex Fridman 问他，我们是不是活在一场模拟里。
特龙的回答是那种让人愣一下的类型：“也许我们是，也许不是。但这跟我们应该怎么行动，完全无关。”
宇宙是不是一台信息处理系统？毫无疑问。它是一个巨大的物理的、生物的、化学的计算机。但我活在这里，活在此刻，我关心的是身边的人。（塞巴斯蒂安·特龙）
他补了一句，说他不认为宇宙在“计算”什么，没有意图，世界就是按它自己的方式演化，而这本身很美，他很感激自己能活着。
这个开场埋下了整场对话的基调。特龙不太吃那种悬浮在空中的宏大命题，他的兴趣全部指向一个方向：一件事能不能让具体的人过得更好。后面一个多小时聊自动驾驶、聊教育、聊飞行汽车，反复回到的都是这个坐标。
他写的第一批程序，跑在一个德州仪器计算器上
回到八十年代初，特龙还是个在 TI-57 可编程计算器上写程序的少年。他那时候在电视上看过一次硅谷，从此着了魔。
八十年代到九十年代，他研究智能、研究人类，最着迷的是人工智能。但那个年代的电脑太小了。他的原话是：那时候你能造出来的大脑，体积和复杂度都比不上一只蟑螂。
他当时就想造一个“人造人”，最接近的办法是造机器人。几十年过去，他承认我们离那个目标还差得远，今天的机器人依然非常脆弱。但从“建构”的角度去理解智能，这条路他一直没有偏离。
为什么没有人能写下走路的规则
主持人问：造一个智能系统，最核心的能力是什么？
特龙的答案落在机器学习上，用一个例子说明：
每个人都会走路，我们在生命的头一两年就学会了。但至今没有任何一位科学家，能把人类步态的规则完整写下来。我们不知道怎么描述它。我们可以练习，我们理解它，但我们无法把它讲清楚，无法用语言传给别人。（塞巴斯蒂安·特龙）
这就是传统编程的死穴。计算机笨到极点，你必须为每一种可能情况预先写好规则，而人类的知识绝大部分根本不在语言里。人类大脑的多数部分处理的不是语言，是潜意识层面的、数值化的、感知性的东西，你自己都意识不到。
所以八十年代那波专家系统注定走不远。它们的出发点是把专家的知识压缩到一张纸上，再翻译成机器可读的规则。可“把大脚趾往前、脚跟往后、你就不会绊倒”这种规则，写出来的永远只是冰山露出水面的那一角。
机器学习的转折点在于，计算机可以自己找规则了。它可以从跌倒和爬起里学习，跟小孩学走路的方式一样。
于是出现了人类编程永远给不出的能力：一个系统可以观察专家工作，无论对方是医生还是律师，捕捉到其中的规律，然后做到跟最好的专家一样好。放射科医生、皮肤科医生肩头那些没法用语言表达的手感，机器可以学。
写代码的人为什么这么贵
特龙顺口抛了个说法：软件工程师之所以值钱，是因为把指令集写对实在太难。这句是玩笑也是实话，传统软件的成本几乎全部压在“人要把规则想清楚”这一步上，所以你得为这件事付出高薪。
机器学习的意义在于把这一步的成本结构改掉。规则由机器自己从数据里长出来，人只需要提供经验。这是过去三四十年里最重要的一次范式转移。
选问题的两个标准
主持人问他，三次革命，怎么选的问题。
特龙的答案只有两条，说得很干脆：
- 第一，真的让别人的生活变好。他说这话的时候自己都笑了，承认听起来像口号，但他确实信。
- 第二，必须能学到东西。所以他要待在“不擅长”的位置上。
他解释第二条的逻辑：如果一份工作你已经很擅长，那么从中学到有趣东西的概率会急剧下降。他在 Kitty Hawk 做电动垂直起降飞行器（eVTOL）的时候，对航空完全是门外汉，而这恰恰是他觉得最有意思的部分。
离开斯坦福教职之后，他挑问题的标准变得更直接：什么对社会影响最大。
他把交通排在通信前面。理由很具体：城市形态不一样，工人不一样，女性权利不一样，这些都是交通塑造的。可今天的交通方案低效得离谱，每年死于交通事故的人大约一百二十万，在很多国家是年轻人的头号死因，资源利用效率极低。他让人去任何一个普通社区数一数停着的车，说那是一种荒谬。
而解决方案在技术上已经存在了。用他的话说：你得闭上眼睛才能假装看不见。
那辆车每三十英里就想自杀一次
2005 年 DARPA 沙漠挑战赛，斯坦福的 Stanley 拿了冠军。2007 年城市挑战赛，Junior 拿了第二。这两台车点燃了整个自动驾驶行业。
主持人问他最难忘的经历。特龙的第一个反应是“痛苦”两个字，然后讲了一个 bug。
有一段时间，Stanley 每跑三十英里就自杀一次，我们完全不知道为什么。最后查出来，是两个计算机时钟在同步的时候，偶尔有一个时钟往回跳，出现负的时间差，把整套内部逻辑全部搞乱了。这种 bug 找起来要花很久很久。（塞巴斯蒂安·特龙）
时钟同步这个问题，到今天依然是机器人系统里最烦人的一类故障。无人机、自动驾驶、任何有多个传感器的实时系统，都躲不开。
除了 bug，斯坦福的路线选择也很关键。特龙的判断是：车本身不用造，一台租来的车就能跑完全程，人类驾驶员才是需要被替换的那部分。
他把人类驾驶员拆成三块：传感器是眼睛和耳朵，大脑在中间，执行器是手和脚。传感器和执行器都好办，缺的是大脑。而大脑是什么？大脑是一台学习机器。所以整个团队的重心压在机器学习上，速度控制直接模仿人类驾驶，同时让车从自己的失误里恢复并学习。
比赛前一个月冻结代码
团队只有四个人，为什么是四个？因为五个人坐在一辆福特里不舒服。
特龙作为队长，工作是买披萨、洗车、修坏掉的水箱、调系统。他说他们没有任何来自官方的包袱，就想看看能走多远。
真正让他们赢的，是一件很少人做到的事：比赛前一个月，他们把整个软件冻结了。
回头看其他队伍，每一支都在说“再给我一周我就能赢”。我们决定不掉进这个坑。提前完工，然后我们有一整个月去摇这个系统。最后一个月里，我们真的找出了两三个小 bug，必须修。（塞巴斯蒂安·特龙）
他观察到，创新项目里最常见的死法是：所有人都知道还剩一个没找到的 bug，也都后悔没时间修，可那个 bug 本身其实很容易修，只是没人腾出手。
所以他专门建了一支测试团队。一本一百六十页的测试手册，一条一条过。测试团队天天在旁边念：今天我们去测铁路道口，明天彩排比赛的起点。
然后出现了一个典型场景。团队觉得铁路道口嘛，小菜一碟。去测了一下，发现效果很差。为什么？系统把铁轨认成了金属护栏。
这就是他总结出的方法论：持续攻击系统里最弱的那一环。只要你一直把注意力放在最弱的地方，最终你会得到一个真正强大的系统。
多数管理者只是在抢功劳
聊到领导力，特龙先给了一句有点损的评价：
大多数管理者做的事，其实只是把别人的功劳据为己有。这很方便。（塞巴斯蒂安·特龙）
他解释自己为什么会有这种感慨。他骨子里是工程师，小时候喜欢电脑，是因为你告诉它做什么，它就真的做。凌晨一点爬起来开机，昨天写的东西还在那儿等着执行，这感觉太爽了。
可这套逻辑放到人身上就行不通。你告诉别人做什么，别人不做，还因此讨厌你；或者今天做了，明天就停了。
问题就变成：怎么把自己塞进人的脑子里，而不是电脑的脑子里。
他说如果人像电脑一样笨，他反而不想跟这样的人共事。人聪明、有情绪、有自尊、有抱负。多数工程师转型做管理时失败，就是因为以为可以用对待电脑的方式对待团队。
他给出的解法来自教书那几年。当教授最美妙的地方，是整天在“让别人发光”。你的工作就是让学生看起来很棒，你是个教练。
如果你把“让学生发光”这件事做到极致，他们会爱你，他们的父母会爱你，还会把一堆你根本不配得到的功劳算在你头上。我在斯坦福那些发明，全是我学生做的，不是我的。（塞巴斯蒂安·特龙）
他补了一句观察：他这辈子见过的人里，几乎没有一个是怀着坏心眼的。每个人都想有贡献，每个人都想帮别人。问题是，怎么给人合适的框架，让这份善意变成有效的行动。
最好的状态是，他可以消失一个月，回来一切照常运转。这很难做到，但做到的时候是种魔法。
我们用自己的意图评判自己，用别人的行为评判别人
主持人接了一句，说“大多数人是好人”这句话很少听到，很动人。
特龙引了他朋友的一句话：我们用自己的意图评判自己，用别人的行为评判别人。
他提到硅谷的工程师，很多人共情能力极低，被这件事搞得一头雾水。他认为最该练的技能，是把自己放到对方的位置上，然后听。
他经常这样对话：先说你干得很好，我很喜欢；然后说，顺便提一句，你刚才那个做法会产生这样的效果，你意识到了吗？对方通常会说，天哪，我完全不知道，我的本意是那样的。
我就说，我相信你的本意，你是个好人。但为了你以后顺利，如果你继续那样表达，别人只会讨厌你。很多人回我：谢谢你告诉我，我的本意不是让自己看起来像个傻子，我的本意是帮别人，我只是不知道怎么做。（塞巴斯蒂安·特龙）
然后他提到了戴尔·卡内基的《人性的弱点》。他说那本书基本就是全部答案了，读完照做就行。里面写的无非是：保持积极、记住别人的名字、微笑、练习共情。
他还讲了一个判断：那个你讨厌、你觉得是白痴的人，如果你像对待自己一样对待他，你会发现他只是一个在挣扎的人，本意不坏，可能需要帮忙。
主持人提到斯蒂芬·施瓦茨曼（黑石集团创始人）说过的话：你能做的最有价值的事之一，是听别人说出他的问题，然后帮他解决这个问题。而令人惊讶的是，愿意真正听的人少之又少。
自动驾驶的 90%、99% 和最后那个 0.01%
话题回到技术上。
特龙把自动驾驶的难度曲线讲得非常清楚：
造一台能处理九成路况的自动驾驶车，太容易了。一个周末就能做到。做到 99%，大概一个月。但剩下的那 1%，意味着你每周还会发生一次致命事故，这完全不能接受。你继续攻这 1%，其中 99% 仍然相对好办，然后你被压到了万分之一，而这依然在安全上完全不能接受。（塞巴斯蒂安·特龙）
他因此对人类驾驶员充满敬意。高速公路上的眼神交流、突然窜出来的鹿、爆胎，这些情况没有人被专门训练过，可人在紧急状态下处理得相当成功。考虑到美国每年开出的里程数，驾驶能有今天这个安全水平，本身就非常了不起。
他觉得技术这一关已经过了。Waymo、Cruise 这些公司的车已经在限定场景里基本无瑕疵地载人。去拉斯维加斯叫一辆 Lyft，如果 App 里设置了正确的选项，来接你的可能是无人车，虽然车里还坐着安全员。他说这些小毛病已经变得非常罕见。
下一步是三件事：把成本降下来、把车规级传感器硬化、把商业模式跑通。他强调最后一件最难。不是“我们有这个能力，人们就会买”，而是要让人买得起，还要让人接受。
还有一个门槛没跨过去：至今没有任何一支队伍，敢让车在完全没人的情况下上路跑。这是下一个魔法时刻。
特斯拉和 Waymo 是两种不同的赌注
主持人问得挺尖锐：Elon Musk 那一派更激进，Waymo 那一派更谨慎，哪种领导方式是对的？
特龙的回答先划清立场：他不在任何一方的团队里，没法核实。
然后他把问题抬到更高的层面：任何这个领域的创新者，都要面对一个根本矛盾，公共安全与创新冲动之间的平衡。他说这个国家做这件事已经成功了一百多年。航空每英里的安全性大约比地面交通高一百倍，原因不是运气，是人们找到了一整套方法论，在保证公共安全的同时还能在噪声、油耗这类关键指标上持续推进。
他举了两个例子说明我们处理危险技术的能力：核能、核武器。都做到了可控。
我们生活的世界比以往任何时候都安全。总会有意外，总有人会犯错，总会有意料之外的失效。除了干脆不做，我们永远无法保证百分之百的绝对安全。但我为美国这段历史感到骄傲。（塞巴斯蒂安·特龙）
两种路线的差异，他自己是这么看的：Waymo 那一派是直接跳到 L4、L5，靠仿真和安全员；特斯拉那一派是从 L2 起步，靠人类驾驶数据做机器学习，一点点往上爬。
他本人是特斯拉车主，每天用 Autopilot，说这技术确实让他更安全，尤其是在高速上有点累的时候。他对这一点百分之百确定。
蚂蚁觅食和两条技术路线的对错
特龙用蚂蚁类比西方社会的技术路线之争。
蚂蚁出去觅食的时候，一部分往一个方向，一部分往另一个方向。如果所有人先开会讨论哲学和智识问题，统一意见后再出发，一旦方向错了，就浪费一天，回头还得再讨论一周。而分头走的方案更好：总会有一支成功，回来宣布胜利，然后所有蚂蚁跟着那条路走。
这就是西方社会好的地方。不是陆地本位，不是中央本位，我们没有苏联式的中央计划告诉我们去哪儿觅食。我们就是去觅食。你拿着钱，出去试，谁知道谁会赢。（塞巴斯蒂安·特龙）
他自己也承认，两种路线哪个对，现在没人知道。
激光雷达是不是拐杖
Musk 说过一句很挑衅的话：激光雷达是拐杖。主持人把这话丢给了特龙。
他给了两个回应。
第一，存在性证明是清楚的。人类开车没有激光雷达，主要靠眼睛。也许还用到一点身体加速度的感觉，偶尔用到耳朵，跟鼻子肯定没关系。所以从逻辑上讲，摄像头是充分的。他甚至说，如果给一个人装一个零延迟的摄像头，人类也能靠摄像头开车。
第二，他喜欢西方世界有这么多人在同时押不同的假设，这本身就是优势。
没有正面站队，但他承认过去这十年最深刻的变化是深度学习。当年他在 Google 启动自动驾驶项目时，Google Brain 同期也在做，深度学习已经在了，只是没人把它当热点。
从“用几何传感器建立三维视图、做几何推理”转向“我以前见过这个东西一万次，它应该是什么”，这是根本性的重心转移。
车道线检测：24 小时从零到商用水平
Udacity 的自动驾驶课程有超过两万人学过，他的说法是：世界上每一支自动驾驶团队里，都有他们的学生。
第一份作业是车道线检测，就是从图像里找出车道。
这件事人做起来毫不费力，瞟一眼就知道。但传统做法要写一堆离谱的规则：这一段是不是车道线？颜色对不对？太阳在不在？太阳出来的时候这块是白的，这条线是直的，等等。而且你还得知道两条车道线之间是六英尺还是十二英尺。
现在学生做的完全不一样了。他们开一小时车，手工把车道线标出来，把这些当成样本喂给机器，让机器自己去找“车道线是什么”的规则。24 小时之内，一个从来没写过相关程序的初学者，能写出和最好的商用车道检测一样好的实现。这在我看来完全不可思议。（塞巴斯蒂安·特龙）
他说，用机器学习取得的进展，让他十年前看到的任何东西都显得渺小。
一门课怎么值一千万美元
特龙给主持人算了一笔账，这笔账很能说明那几年人才市场发生了什么。
那阵子有一批“收购式招聘”（acqui-hire）：公司没有产品、没有业务，只有七十来号人，却被高价买下，买的只是人。他拿 Cruise、Uber 这些案例反推，得出一个下限：一个自动驾驶工程师在那类收购里的估值，至少一千万美元。
他接着说，这意味着一个普通人在一年之内，靠学一门技能加上组队创业，身价就能到一千万美元。他想不出人生里还有什么别的路能做到这个。
Udacity 做自动驾驶纳米学位，逻辑也在这里。他讲了两个洞察：
- 传统大学动不了。没有“自动驾驶”这个系，机械、电子、计算机三个系的人凑到一个房间里开会，难度极大。
- 就算顶尖大学都开了课，所有名校加起来也就几千个学生能上，因为名校极度挑剔。
他的问题很直接：印度的人呢？中国的人呢？中东、印尼、非洲的人呢？凭什么被排除在造自动驾驶车的技能之外？他们比我们笨吗？比我们少什么特权吗？
答案是：把技能给每一个人。如果这样，世界上会出现一千家自动驾驶创业公司，哪怕只有 10% 成功，也有一百家，那就是一百个国家有更安全的自动驾驶车。
机器学习能做和不能做的事
特龙在这里的措辞特别谨慎，因为他说这个领域“混淆太多”。
机器学习今天是什么？它是一种技术，能遍历大规模的、有重复模式的数据集，然后把模式找出来。仅此而已。（塞巴斯蒂安·特龙）
他举了斯坦福两年前做的一项研究。团队做了一个超过十二万九千张皮肤病变照片的数据集，每一张都有活检结果作为金标准，里面既有黑色素瘤、癌，也有皮疹和其他皮肤问题。然后让神经网络去找模式。
结果是：用一部 iPhone 检测皮肤癌，准确度和斯坦福最好的、有执业认证的皮肤科医生相当。
然后他立刻补了一句：这东西在“识别皮肤癌”这一件事上很强，但它不会开车。
这就是今天的人工智能和人类智能的差别。人类能做很多很多种事，而且常常只需要极小的样本；机器仍然需要非常大的、高度重复的数据集。
好在世界上绝大多数工作本身就是重复的，所以这项技术依然会重塑人类劳动。但它不是那种万能通用智能，离那个东西还非常远。
他对“人工智能”这个名字有点意见。好莱坞把这个词和“人类被压制、机器优越”绑在了一起，而他认为这在他有生之年不会发生，也不是个好主意。他看到的现实是一种非常聚焦的模式识别技术。
让一个新手在第一天就成为专家
顺着机器学习的逻辑，特龙给了一个整场访谈里最有分量的推论。
任何领域成为专家大约需要一万小时。医生、律师、好司机，都要熬。而现在机器可以观察专家、从专家身上抽取规则，然后把这种能力交给一个刚入行的新人。
想想这意味着什么。如果给你看病的医生才刚开始累积那一万小时，他还不是专家。谁不希望给自己看病的，是世界上最好的专家？现在我们可以用机器，把人类医生在决策上的错误和经验不足直接抹掉，这可能救你的命。（塞巴斯蒂安·特龙）
他还讲了一个真实故事。他有个朋友叫 Ben（化名），著名风投人，去看医生。医生看了看一颗痣，说应该没事。出于某种有趣的原因，医生掏出了手机，打开他们研究项目的那个 App，App 说：不，这是黑色素瘤。
医生谨慎起见做了活检。结果回来，确实是黑色素瘤，随后切除了。
特龙补了背景：黑色素瘤从零期到四期，可能不到一年。零期基本用菜刀切掉就没事；四期意味着五年存活率低于 20%。
他还讲了癌症为什么可怕。很多癌症早期很容易治，问题在于早期没有症状。胰腺癌、胆囊癌的第一个症状可能是头痛，等你因为头痛或背痛去看医生、做了影像检查，往往已经是四期以后，存活率掉到个位数。
所以他的设想是：让人们能定期检查自己的身体，哪怕只是在洗澡的时候，不需要医生在场。他自己也承认这听起来有点瘆人，但如果能做到，可能救下几百万条命。
十万个奖学金和埃及的一千一百名高中生
关于“AI 会不会让人失业”，特龙的回答是“担心的人请来 Udacity”。
他给了几个数字：超过 50% 的毕业生在结课后找到了新工作，学费上限大约一千五百美元。他们跟美国政府合作，推出了十万个奖学金的计划，覆盖从入门级数字营销到高级自动驾驶工程的课程。
他说这事跟白宫合作，是因为它跨党派。想让美国重新伟大，就必须对教育和技能保持主动。他还改写了“美国梦”：过去是把孩子送进大学，现在得高效地把自己送进大学，挤晚上时间，什么年龄都行。他们的学员年龄从 11 岁到 80 岁。
他去德国坐火车，邻座的人就是他的学生。
Udacity 现在在某些国家几乎成了默认选项，多数在中东。埃及刚结了一批：一千一百名高中生，编程能力达到了计算机科学本科生的水平，毕业率 95%。全部线上完成，难度不小。
他把愿景说得很直白：教育应该是一项基本人权。不应该被锁在象牙塔里，只对有钱人开放，只对能靠父母行贿进系统的人开放，只对年轻人开放，只对特定人群、特定地区、甚至特定种族开放。
为什么 Udacity 要开始教共情
主持人问他现在最兴奋的课程是什么。
他说是一个还没上线的项目。Udacity 一直聚焦硬技能：编程、数学、工程、设计。但跟企业伙伴和学员聊下来，软技能的需求非常普遍：怎么在工作中行事，怎么培养共情，怎么在团队里协作，管理的基本功是什么，怎么做时间管理，怎么在一个更大的共同体里推进自己的职业生涯。
这些我们做得不好，Udacity 做得不好。而且大多数大学做得更差，因为我们太痴迷于个人考试分数，对团队协作几乎不投入注意力。我们教技术技能，学员会很强。但如果我们教共情，可能产生同样的影响。（塞巴斯蒂安·特龙）
主持人开玩笑说这比自动驾驶还难。特龙不同意，他觉得规则其实很简单，你只要真的想投入就行。他把问题归到 K12 教育上：我们教孩子去拿最高的数学分，一个理性的人会顺着推演出“数学最好、英语最好，就能成为最好的领导者”，但这是错的。
他说，招一个数学很强的人很容易，你得证明自己；招一个有共情能力的人难得多。但我们生活在一个富裕社会里，每天都要跟别人打交道，这是美好之处，不是麻烦。练出这块肌肉，在工作里帮别人把事做成，人会非常成功。
38 分贝的飞行器
1903 年，莱特兄弟在 Kitty Hawk 完成人类第一次动力飞行。特龙的公司用了同一个名字。
他先纠正了一个说法：这些不是车，没有轮子，更像直升机，垂直起飞、水平飞行。但有两处关键不同。
第一，安静得多。他们发布的 Heaviside 项目飞行器，从你头顶飞过的高度和直升机一样，但你基本听不见，大约 38 分贝，大致相当于图书馆里的声音。户外环境噪音更高，就更听不到了。
第二，便宜得多。直升机贵有很多原因，其中一个是单点失效太多。他讲了一个词：Jesus bolt，耶稣螺栓，就是旋翼和旋翼轴之间的那根螺栓。为什么叫这个名字？因为它断了你就死了，直升机上没有第二个方案。
改成电驱动之后，一个大电机可以拆成很多个小电机。Heaviside 有八个旋翼，掉一个还剩七个，照样起飞，跟之前一样。
还有就是不需要商业飞行员。在他看来，空中飞行其实比地面交通更容易。地面世界满是孩子、自行车、其他车、邮箱、路缘、灌木。飞过楼顶和树线之上，那里什么都没有。
你现在就可以做个测试，看看窗外，数一数天上有多少东西在飞。如果你能数出两个以上，我会很惊讶，多半是零。在湾区我最多见过六七个，也许十五二十，但绝不会是一万。天空非常辽阔、空旷、自由。（塞巴斯蒂安·特龙）
Heaviside 的指标：航程 100 英里，留 30% 电量储备，最高时速约 180 英里。
按美国人口普查的数据推算，这种方案规模化之后，地面通勤速度会快十倍。每年花在路上的大几百小时，可以压缩到原来的十分之一左右。
他的原话是：谁不讨厌堵车？给我找一个不讨厌堵车的人出来。
把 101 高速垂直叠一百层要花多少钱
主持人问，未来会不会有成千上万、甚至几十万架无人机和飞行汽车填满天空。
特龙说必须相信这会发生。社会接受度是大问题，安全也是，但他认为安全可以参照商业航空已经走过的路。噪声是关键，所以他们才死磕降噪。
他给了一个很妙的类比，说明天空为什么和地面完全不同：
你想在旧金山把 101 高速变成一百条垂直车道。那你算算，把一百条车道物理叠在 101 上要花多少钱。那会花掉全球一整年的 GDP，就为了一条高速。但在天上，这些车道全是虚拟的，只是一段软件。任何一辆车跟另一辆车有冲突，换个高度就完事了。（塞巴斯蒂安·特龙）
他说这不是想象，商业航空现在就是这么运行的。从纽约飞旧金山，和从旧金山飞纽约，两架飞机飞在不同高度，所以不会撞上。这个问题在喷气机领域早就解决了，在城市空域也只是一个软件问题。
至于空管，他觉得现在的模式过于古老。一个管制员同一频率上最多管二十架飞机，所以可以靠语音对话。但如果空域里有两万个目标，你没法跟每个人说话。
解决方案是数字化，像发短信一样。世界上有四五十亿部智能手机，全部联网，全部能被定位，全部极其可靠。用的还是同一套逻辑：把空域坐标数字化传输，而不是靠一个飞行员在对话中途被通知“换频率”。这套系统天然能扩展到一万架、十万架。
他不希望你的冰箱爱上洗碗机
主持人问了一个更软的问题：我们会不会造出一个人可以爱、也会爱回来的系统，像电影《她》那样。
特龙的回答非常干脆。他说自己是实用主义者，AI 就是工具，像一把铲子。使用铲子的伦理，永远在使用铲子的人身上。
我可不想走进厨房，发现冰箱把我的食物全弄坏了，然后跟我解释它爱上了洗碗机，而洗碗机对它不够好，所以它忽视了我。那就是一次糟糕的体验，一个糟糕的产品，我不会把这种冰箱推荐给朋友。技术必须可靠、必须可预测。我要我的车能工作，我不想爱上我的车。（塞巴斯蒂安·特龙）
他接着说了一句整场访谈里最漂亮的话：我要机器补足我，而不是替代我。
他的论证是：他今天已经是个“超人”了，靠的就是身边的机器。
我今天可以在三万六千英尺的高空、以接近音速横跨大西洋，这挺神奇的。我现在说话，声音能一路传到澳大利亚，而且是光速，不是音速。音速要花好几个小时，光速是瞬间。这让我成为超人。我甚至会说，我的抽水马桶也让我成为超人。想想没有抽水马桶的年代，你可以问问家里很年长的长辈，或者去一趟印度的农村体验一下。（塞巴斯蒂安·特龙）
所以在他看来，“爱”和“同情”这些词用在机器上没什么意思。他的兴趣在人身上。
不过主持人追问得妙：那爱和同情在我们的工具里，有没有用处？
特龙在这里松了一点口。他说爱是个美丽的人类概念，如果把爱拆开看，它是一种传递安全、传递信任的手段。而信任在技术里同样是刚需，不只是人与人之间才需要。人类互动中那些标准、感受、情绪，也许有基因的成分，也许是后天演化的，作用都是让对方感受到信任、安全、热情、投入、爱和专注，这些构成了人类社会的织物。
他说自己是个大粉丝：想被爱，想被信任，想被欣赏。但他不会把这一整套东西盲目复制到机器上。
会扇翅膀的人大多没活下来
为什么不该照抄自然？他给了一个特别有说服力的类比。
到 19 世纪末为止，几乎所有的交通都靠腿，一条腿、两条腿、一千条腿，你会自然得出结论：靠腿移动才是对的。唯一的例外是会扇翅膀的鸟。
事实上，航空史上有不少人真的在胳膊上绑了翅膀从悬崖上跳下去。他们大多没能活下来。（塞巴斯蒂安·特龙）
而技术给出的答案完全不同。车轮在生物界极其罕见，生物体里几乎没有持续旋转的部件，可工程上造车轮太容易。车轮催生了汽车，同样的旋转原理也催生了航空：天上飞的东西，没有一样不带旋转部件的，喷气发动机也好，直升机旋翼也好。
所以他认为，如果一个人真信了“农业革命的解决方案是一个人形机器人”，那到今天还在等。 主持人最后问了一个关于人的问题：在这么多混乱、这么重的活里，那种笑、那种幽默、那种轻盈是从哪儿来的？ 他给的理由带着一种历史感。人类大概有三十万年历史，除了最近这一小段，预期寿命大概在三十岁上下。按那个标准，他早就该死了。 他说，如果能每天感受到这一点，那你会觉得我们能做成的事多到不可思议。我们生活的世界每天都在巨变，你珍视的几乎一切东西，智能手机、抽水马桶、新衣服、手表、飞机、青霉素、麻醉手术，青霉素都是最近一百五十年才有的。 他把这一百五十年追溯到古腾堡和印刷机。信息传播效率一旦提高，接下来就是农业革命、氮肥、农业产出暴涨，人不用再困在农田里，于是开始读写，于是出现了今天这些职业：飞行员、按摩师、软件工程师。 他推荐了一本书，史蒂芬·平克的《当下的启蒙》（Enlightenment Now）。他说也许这是他唯一想推荐的一本书。 书里有个问题：如果 20 世纪只允许留下一篇论文，那应该是哪一篇？平克的答案是弗里茨·哈伯（Fritz Haber）关于合成氨的研究。特龙说他自己之前完全没听过这个名字。 哈伯的合成氨，加上更早的灌溉技术，让农业用地的产出提高了大约 26 倍，也就是 2500%。 他说这就是他看世界的方式。活着本身就值得惊叹，而他很高兴自己生在这之后，而不是之前。 访谈到这里收尾。特龙最后留下的一句话，恰好是整场对话的方法论总结： 特龙讲的东西跨度很大，从斯坦福的车库到埃及的高中课堂，但剥掉具体领域，剩下的是几套可以直接搬走的做法。 最后补一句他反复提到的框架，我觉得比任何技术细节都耐用：我们用自己的意图评判自己，用别人的行为评判别人。把这句反过来用在自己身上，你会发现自己也有不少行为没跟上意图；用在别人身上，你会发现那些让你恼火的人，多半只是不知道怎么做而已。他为什么会笑
我就是爱我的生活。我爱我身边的人。我就是特别高兴自己活着。我今年 52 岁，很多人说五十几岁是个坎，我反而觉得越来越好。（塞巴斯蒂安·特龙）
这让我享受每一天，因为我不配得到这些。为什么我生在这个年代，而我的那么多祖先死于可怕的方式？饥荒，席卷欧洲上千年的战争，大部分在二战之后才消失。那时候美国人和盟国做了一件了不起的事，交给了一个并不配得到这份礼物的国家。德国今天这么好。（塞巴斯蒂安·特龙）
那个救了二十亿人、却没人记得名字的人
平克认为，这项发明今天养活了超过二十亿人。二十亿本来会死的人，因为这个人的工作而活着。想想这个影响对社会意味着什么。（塞巴斯蒂安·特龙）
庆祝失败和庆祝成功一样重要。如果你能很好地庆祝失败，如果你能说出“我试过了，我错了，但我学到了东西”，你会发现自己不再恐惧。而恐惧消失的时候，你就能推动世界。（塞巴斯蒂安·特龙）
这场对话里可以立刻用上的东西
本集资源与出处
- 视频在 YouTube 收看
- 音频官方 MP3 直链来自 lexfridman.com 官方播客 RSS
- 官网Lex Fridman 官网本集页面
- 文稿HappyScribe 版文稿
