Waymo Co-CEO Dmitri Dolgov: The Demo Is Only 1% Of The Work
🎯 核心观点
物理 AI（如自动驾驶）与数字 AI 有着本质区别：在物理世界中，错误的代价是生命而非“重新生成”。成功的关键不在于做出惊艳的 Demo，而在于攻克“性能与可靠性的 9 阶梯”——每增加一个 9 的可靠性，都需要付出 10 倍的努力，而这才是从实验室走向市场的真正护城河。
📌 关键要点
1. 物理 AI 与数字 AI 的四大鸿沟
- 核心内容：物理 AI 面临着数字世界不曾有的挑战：容错成本高（没有撤销键）、延迟要求极低（高速行驶中毫秒必争）、数据匮乏（物理世界没有互联网那样的现成索引）以及验证极难（无法在实际部署中通过用户反馈迭代）。
- 实战建议：在进入物理 AI 领域前，必须建立以“安全”为底座的训练体系，而非将其作为事后的插件。
2. Demo 只是 1%，可靠性才是剩下的 99%
- 核心内容：Waymo 在 2010 年就完成了 Demo，但花了 15 年才真正产品化。性能的提升遵循“指数阶梯”：从 90% 到 99% 很简单，但每一个额外的“9”都需要完全不同的技术架构和冗余设计，而非单纯的搬砖。
- 实战建议：创业者应尽早明确产品究竟需要多少个“9”的可靠性，避免在 Demo 阶段过度消耗资源，而应为长尾问题的“九九八十一难”预留资源。
3. 多模态传感器的冗余是“超人”表现的前提
- 核心内容：虽然人类仅靠视觉驾驶，但要实现“超越人类”的安全，必须依靠摄像头、激光雷达（Lidar）和雷达（Radar）的多模态融合。传感器冗余不仅是为了备份，更是为了在沙尘暴、黑暗或传感器受损等极端情况下依然能保持决策精准。
- 实战建议：不要被当下的硬件成本束缚。硬件会随规模化降价，但如果为了省钱而选择了上限太低的技术路径，最终会撞上性能天花板。
💡 金句摘录
"最好的 AI 时刻看起来就像什么都没发生过一样：任务安全、平稳地完成了。"
"在物理世界，错误的代价是用人命来衡量的，而不是 Token。"
"每一轮 AI 泡沫的共同错误，就是在 Demo 上挥金如土，却在追求可靠性的‘9’上吝啬投入。"
🔑 行动清单
- 重新定义目标：审视你的产品，确定它在安全性或可靠性上究竟需要多少个“9”（例如：99.9% 还是 99.9999%？）。
- 拒绝单一路径优化：如果你在追求极限性能，检查你的技术架构是否具备冗余能力，是否能应对单一传感器或算法失效的情况。
- 长期硬件规划：在设计技术路线时，以未来 3-5 年的硬件成本和性能预测为准，而非受限于当下的供应链报价。
分类：AI构建者
由 PotatoLearning Hub 自动生成