通用汽车用 AI 把新车开发周期从 5 年压到 2 年

上周在纽约市一场盛大的活动上，General Motors 公布了其新的技术路线图，核心是 AI 驱动的车辆开发、先进电池技术、高性能车载计算机以及自动驾驶。

其中有些是老消息：我们已经知道这家汽车制造商正在开发免手、闭眼的驾驶自动化功能，并且一直在试制新的电池化学体系。从某种意义上说，这场活动的真正目的是展示所有这些部分如何拼合在一起。凭借其新的“智能定义汽车”范式，GM 寄望于人工智能、集中式计算和虚拟化工程，将车辆开发周期缩短一半，目标是把通常四到五年的流程压缩到略超两年。

然而，这场高科技革新到来之际，行业正面临强劲逆风，容错空间极其微薄。GM 的激进转型正值这家汽车制造商面对一批超高效的中国电动汽车制造商，后者正在全球大举扩张。与此同时，美国电动汽车需求走软，迫使 GM 重新校准其电动化期望，在数十亿美元的新一代电池工厂投资与软件开发的持续成本之间寻求平衡。

诚然，对 GM 而言，把未来押注在未经检验的软件架构和自动驾驶技术上是一场高风险赌博：如果这些复杂的 AI 系统失灵，或者开发出现延误，GM 就可能烧掉大量资金，同时被那些从第一天起就按软件优先公司打造的敏捷对手（如 Tesla）进一步甩开。

活动结束后，我与 GM 首席产品官 Sterling Anderson 坐下来交谈，聊了聊公司这些有风险的新项目，以及他计划如何引领这家百年底特律巨头穿越一个日益快速、软件驱动的世界。

本次采访经过轻度编辑，以控制篇幅并提升清晰度。

这可是一次相当大规模的发布——只是很多互不相干的碎片。你觉得这里面有一个统一的主题吗？如果有，你认为是什么？

汽车正变得更智能。

就这些？

就是这样。我也这么认为。你的车辆正在成为一个值得信赖的智能伙伴，而我们正以多种方式实现这一点。我觉得我可能是为数不多的人之一，对我们在开发流程中所做的事以及让这一流程更快、更好感到如此兴奋。

我不知道有多少人会带着我认为它应得的那种热情得出这个结论，但当我们能把设计决策反复推演数百次——而过去只能容纳一次——所能达到的测试水平和性能最优程度是巨大的。真的非常巨大。会后我遇到两个人问我：“嘿，那安全呢？速度是不是以安全为代价？”我们获得速度的方式是通过虚拟化测试，而这恰恰让我们能够提升安全性。过去，我只能负担得起 X 个原型用于碰撞测试，而且要花六个月。现在，我在虚拟世界里启动数千次测试，能更快得到反馈。所以我既获得了速度，也获得了安全性、更好的覆盖范围和更好的理解。这个过程中还顺带收获了很多好处。

你们用的是什么样的 AI 模型？我知道你谈到数据在某种程度上就是这里的货币，所以显然你们大量数据来自自己的客户，但市面上有一系列产品。在从公司外部寻找什么和从内部提取什么之间，分界线在哪里？

这是个好问题。这取决于我们用它做什么。在很多情况下，基于 transformer 的基础模型支撑了我刚才提到的部分生成式设计工作——我们基于数十年的设计文件、分析等拥有足够的内部数据，可以训练出一个相当不错的系统来很好地表达我们的数据。但我们也能获取——而且在很多情况下任何人都能获取——大量对我们有启发的数据。用通用汽车围墙之外存在的数据对这些模型进行联合训练，往往会让它们变得更好。所以我们对所有模型都这么做。

你谈到过从确定性代码转向能够从世界结构和数据中学习的概率性 AI。你们具体是如何将这些模型嵌入车辆的？有多少是在本地运行，多少是从云端拉取的？

对于任何安全关键功能，推理都在车上完成，因为我们无法承受延迟、可能的断连或其他任何问题。你今天早些时候从团队那里看到的一些例子，比如 OnStar AI 交互，并不是安全关键的。考虑到延迟，你可能注意到了那里存在一些往返通信，因为我们不需要把这些都放在车上运行。现在，我们正在考虑将它们蒸馏成车载模型，只是为了应对延迟，但那是边缘用户体验层面的因素，不是核心的安全考量。

你在演讲中稍微谈到了 GM 有多大，这给你带来了数据方面的优势，但也带来了很大的惯性。早在 2019 年，GM 总裁 Mark Reuss 就谈到了向车辆的“数字大脑”迈进，而在 2021 年你谈到了 Ultifi。现在事情加速了吗？你们现在是否已经走上正轨？

是的，而这件事的一大推动因素就是那套通用的电气系统，包括集中式计算。从历史上看，我知道很少有东西能像复杂性那样扼杀软件速度。一旦软件团队拥有一大批不共享共同基线的部署目标，那一刻你就会让这个团队大幅减速。

在我们整个产品组合中推广这一点，正是为了实现软件速度，这样我们就不必继续支持各种配置的车辆。随着这套硬件铺开，软件工程师将突然能够像在一家只有两款车型在产的公司里那样运作，而他们在历史上一直做不到这一点。

GM 的独特之处在于拥有这个庞大的品牌组合，每个品牌都有鲜明的身份。你如何决定哪些在所有车辆上标准化，哪些要确保 Buick 仍然是 Buick、GMC Sierra 仍然独一无二？

这是多种因素的结合。首先，每个品牌的精髓往往体现在美学和交互模式上。美学是你可以通过设计有效覆盖的东西，无论是在数字界面还是物理钣金上。我们已经相当好地实现了表皮之下组件的通用化，因为为什么不呢？对于给定的车辆细分市场，有一种特定的驾乘品质往往能被所有人最好地接受。

我们的 T1-2 平台用于我们下一代卡车的平台在各品牌之间是通用的。你会看到我们的差异化体现在功能集、美学以及我们按细分市场有效覆盖的交互模式上。销售有专门的品牌渠道，但工程是一个统一的组织。这确保了我们不会仅仅因为某个稍差的团队被分配到了某个品牌，就为不同品牌交付异构的、次优的汽车。我希望我们的工程团队把所有精力都集中在绝对最好的悬架、动力总成或驱动单元上，然后在整个产品组合中推广。

说到自动驾驶，我们今天路上已经有自动驾驶汽车了——Waymo、Zoox 和 Tesla Cybercabs。通用汽车还需要解决哪些挑战，才能达到人们可以舒适、安全地把视线从道路上移开的地步？

你说的“视线移开”是指自动驾驶吗？

自动驾驶，是的。手离开、注意力离开、视线离开。但与此同时，你还不建议人们在车里睡觉吧？

我们这样设计它们：即使它们睡着了，也不会不安全，因为我们没有余裕去确保它们保持注意力。你不会听到我用“视线离开”这类说法，因为我听到人们用这些词来指代那种荒谬的自动化水平。当你的眼睛盯着手机时，你觉得你的大脑在做什么？你的注意力在哪？我们不要做这些荒谬的区分。如果你相信你的驾驶辅助系统能力超强，你已经有自满的风险了——有把它当作自动驾驶系统来对待的风险。我们的理念是：如果我们要设计一个自动驾驶系统，我们就会真正去设计一个自动驾驶系统。我们采取的渐进式路径将适用于个人拥有，而不是适用于 robotaxi 的那条路径。我们不会采用按区域限定、限速的设定，而是走向按道路类型限定的设定，并从那里向外扩展。两者最终都汇聚到同一个地方——随时随地自动驾驶——但到达那里的路径不同。

如今的 robotaxi 存在一些麻烦场景的问题——比如堵塞路口或阻挡紧急车辆。你认为通用汽车所定义的个人自动驾驶能否解决其中一部分问题，因为驾驶员仍然是一个可以依靠的兜底选项？

兜底的形式很重要。我们不会在安全关键的动态场景中兜底。那样做根本不合理。我们能在非安全关键的场景中做的——即车辆已停下、发生了某种异常情况时——是在我们到达安全地点后把它交还给驾驶员。让人类留在回路中对此非常有用。

你如何组织这种交接以避免驾驶员自满？

我们不会动态地交还。这不是“你开，现在我来开，哎呀，我不认识这个”的交换。这不是 L3。就像你把 robotaxi 放在限定区域内一样，我们会把个人拥有的自动驾驶车辆放在特定道路上。

当处于那条路上时，我们会把人类送到目的地，并给出一个优雅的倒计时——比如，"嘿，这趟行程还剩 10 分钟。"如果他们提前接管，那很好。如果他们不接管，系统会把车辆停在驶离匝道的安全状态，并说："我 10 分钟前就告诉过你要接管。我们停下了，我不会再往前走了。"

你必须假设会有恶意行为者试图滥用系统——坐在后座，就像我们在 Tesla 用户身上看到的那样。

当滥用发生在并非为应对所有情况而设计的驾驶辅助系统场景中时，我会紧张得多。如果车辆接受控制，我们的系统在设计上能够应对在这种情况下可能抛给它的更多状况。所以我的焦虑程度会大幅下降。

像 OnStar AI 这样的功能会请求访问日历、电子邮件和个人数据。鉴于 FTC 过去曾就 GM 未经许可将客户数据出售给第三方经纪商下达命令，你如何确保客户能放心地把这些数据交给你？

隐私必须被设计进去。通过端到端加密，我们看不到你的数据；你授予一个助手权限，而它在有上下文时表现更好。数据只以聚合、匿名化的形式对我们可用。在个体层面，数据是加密的，并由你掌控。

当你买车时，面对几十条条款和条件，结果就是"点、点、点"地不读就过，这对信任是一种伤害。我们已将这些授权大幅简化为几个清晰的选择，并解释车辆为何需要数据——比如读取你的日历以实现智能路线规划。你可以随时撤销权限、删除数据或将其导出。你提到了信任，而信任是基础。过去由已不在本公司任职的人做出的决定留下了遗留影响，但那不是我们今天的公司。我们通过设计架构来赢回这份信任，使得即使内部有人做出糟糕的决定，系统在技术上也不允许他们访问原始用户数据。

而我们做到这一点的方式是通过设计。你看，即使我们再让某个愚蠢的人来为我们工作，做类似这样的事情，他们也做不到。他们根本无法访问它。

AI 正在缩短车辆开发时间，但我们也看到围绕工厂自动化和人形机器人的炒作，来自 Tesla 和 Rivian 等公司。通用汽车正朝这个方向前进吗？

如今，如果你想被视为机器人领域的玩家，似乎就必须拥有一台会后空翻的人形机器人。这很奇怪。对人形机器人的倡导往往来自那些历来倡导第一性原理工程的人，但人形机器人并非源自第一性原理。它们把形式置于功能之上。其逻辑假设人形形态对于工厂车间是最优的，但这种形态是在非洲大草原上为了躲避狮子而进化出来的！生产环境并非为人形而建，正如为马修建的道路并不意味着汽车应该有四条腿。工厂中最宝贵的不动产是地面。让笨拙的人形机器人吵吵嚷嚷地钻进钻出车辆，并不是你该起步的地方。你应从看起来像外星生物的形态起步——比如一只悬挂在龙门架上、伸入移动车辆产线的章鱼。我们正在无视人形机器人的“宗教”，专注于底层 AI 智能，使其能够为特定任务操作各种专门的机器人形态。

通用汽车是自己建造这些机器人系统吗？

人们对汽车变得更智能感到兴奋，但他们也希望汽车更便宜。这些公告如何带来更实惠的选择？

LMR（富锂锰）电池化学是其中的重要部分。它以接近 LFP 的成本提供接近高镍电池包的水平。按续航计算，客户将能够以低于竞争对手盈利车型的价格购买第四代通用汽车电动汽车，而无需依赖补贴。

此外，将我们的电气架构通用化可大幅缩短线束长度并降低整车质量，使汽车本身更经济实惠。虚拟化开发可削减原型成本，让整车商业方案能以更低的零售价格成立。这同样适用于燃油车和混动车，而不只是电动车。

这种智能化会导致更高的订阅费和付费墙吗？

能力随时间推移不可避免地提升，而财务成本并不会增加——你膝上的设备比多年前的计算机功能强大得多，价格却更低。关于订阅：我来这里是为了打造出色的产品。如果客户愿意为租赁之类的服务付费，那就让他们付；如果不愿意，就不要强迫他们。

[通用汽车发言人 Chaiti Sen：对于 OnStar AI 这类即时功能，它将包含在我们的基础套餐中。我们不会对核心基础体验设置付费墙，也不会只给客户一个光秃秃的“铁壳子”。”]

在传感器套件方面，你们使用的是摄像头、雷达和激光雷达。你认为这会永久保留，还是最终可能缩减为像特斯拉那样的纯视觉方案？

如果缩减为纯视觉方案，物理学表明你在某些情况下会陷入麻烦。雷达非常便宜，放弃它并不合理——放弃它是一种无视物理学的奇怪宗教式立场。激光雷达的工作波长与可见光相近，有助于协同训练摄像头系统，使其更快变得更好。摄像头无法像雷达那样穿透浓雾或测量瞬时速度。拥有多传感器套件可提供物理学所要求的明显安全优势。