左为 2007年 GeoHot 展示其成功破解苹果第一代 iPhone，右为 Engadet 日前采访 common.ai 新车发布时，一身西装革履的 GeoHot。图片来源：thenexttech.startupitalia.eu；engadget.com

当我前天在 Engadget 看到 GeoHot 近照时，一种违和感油然而生。这种感觉来自两方面：一方面，你一个从 16 岁就开始干破解营生的人，一个被所有人都认为是 Hacker 的人，酷、黑、炫这些词常伴身边的人，不是从来一件帽衫穿过夜么，怎么还装模作样穿个西装呢？另一方面，说好的碾压特斯拉呢？驾驶位敲键盘是什么鬼？右边大屏幕跑个 Ubuntu 啊？真的能用吗？我相信这也是广大群众想要吐槽的地方。

但是，在深入了解 GeoHot 和他创办的自动驾驶公司 comma.ai 的近况之后，我改变了先前的差评。首先是西装的问题，最近一次关于 GeoHot 的新闻，是他在４月初拿到了 310 万美元融资，如果说之前的破解都是爱好的话，那么这次 GeoHot 可能真的认真了——

此刻他再也不是地下室折腾破解的一个人，而是要向广大用户持续交付产品的创业者。

然后是完成度的问题，Engadget 发布了一个短视频，在拉斯维加斯正常车流中，GeoHot 演示了目前的技术进展，完成度颇高。跟之前临时拼凑起来的开发版不同，本次演示的版本去掉了激光雷达，也去掉了游戏摇杆，只用了一个前置摄像头，以及一个草草贴在前保险杠上的毫米波雷达。

进入自动驾驶模式的时候，有类似 Tesla 的叮咚切换声，转动方向或刹车则会退出自动驾驶模式。值得一提的是，整个驾驶过程，我看到了 GeoHot 与车辆之间非常好的交互，他能够不断提醒和指导车辆的行为，这是此前任何一个自动驾驶系统没有展现的。

在谈到自动驾驶的功能选择时，他倾向选择 Tesla AutoPilot 这种渐进式路线，先做超级 ACC，并坚信这是全自动驾驶的基石。他还谈到，汽车工业发展到今天，很多车都带有电子助力转向（EPS）功能，包括一些低端车型，comma.ai 有能力跟 EPS 的控制器通信，从而完成自动转向的功能，让广大的驾驶员都能够用上，达到所谓的“Ghostriding for the masses” （注：Ghostriding 指驾驶员不用控制车辆，而继续乘车前行的样子），这也是他们年底产品的定位：

是的，面向全体开车的美国人，GeoHot 要拯救他们的驾驶体验。

桀骜不驯的CEO

看完了 Demo，再聊聊 GeoHot 本人。在网络上，GeoHot 基本上就是不服气的代名词，他桀骜不逊、极具冒险精神，并且经常语出惊人。当天演示时，Engadget 的记者临时提议在 Facebook 上做一个直播。

面对突如其来的请求，其实一个初创团队的 CEO 往往会考虑很多，比如万一过程中系统崩掉了怎么办？万一泄露了技术细节怎么办？万一处理不了当时的交通状况怎么办？是的，确实有一万个万一，但 GeoHot 立刻就答应了，一方面跟这哥们的情商比较短路有关系，另一方面，也是更重要的一方面，应该是他对 comma.ai 的热爱和自信。

视频很长，让我们充分体验了目前系统运行的状况，也充分验证了 GeoHot 确实是一个话唠，整个17 分钟的视频基本都是在啰嗦自己的理念，吐槽别人的产品，以及各种像嗑药之后的激动不已。所以啊，拿到了投资和穿了西服都改变不了一个人的天性。

长视频中他不断用手势和喊话向 Mobileye 示威，并且他也并不在乎暴露在研系统的问题，比如毫米波雷达对静止车辆和地面的区分不好，而他目前使用的摄像头也质量一般，因此会遇到跟车不停的情况，对此他毫不遮掩，就是这么自信。

更加“可耻”的是，GeoHot 还在 Reddit 无人车论坛上开了一个帖子，号称“像我开问”。这里罗列一些，让大家开心一下：

• 问：比较一下 comma.ai、Google 和 Tesla

• 答：Google 全自动驾驶，太远了。Tesla，贵。我们，便宜。

• 问：Mobileye 说深度学习不靠谱

• 答：当年马车也说火车不靠谱

另外，虽然是在创业做自动驾驶项目，GeoHot 仍然保留非常敏感的互联网思维。Comma.ai 正在研发一个叫做 Chffr 的 App，会在接下来的６月发布，它试图通过互联网思维中的众包众筹或者群体智能的力量，来收集更多的驾驶数据，优化自动驾驶系统，而用户则获取一种称为 Comma 的积分，在年底系统发售的时候，优先获得超值体验，不得不说这是个集营销、用户习惯培养和数据收集为一体的好办法。以及，他在车里面装的是一个硕大的触摸屏，上面甚至安装了 Chrome 和 Spotify……

策略＋学习才是王道

从方法上来讲，目前的自动驾驶汽车可以划分为两大阵营：一种是感知-决策-控制，然后不断闭环，每个模块用不同的方法力争最好，很多情况下需要专家提供基于经验的规则；另一种则是 GeoHot 采用的办法，叫做 End-to-End，端到端方法，指以摄像头的原始图像作为输入，直接输出车辆的速度和方向，中间用某种数学模型来拟合逼近最优驾驶策略，目前常用的就是深度学习模型，其优点是不会漏掉任何原始数据中的有用信息，缺点是不能对信息进行有效取舍，会影响输出效果。对此，GeoHot 给出的解决办法是，先完成学习版，后面逐步添加规则来预防系统的死角。

另外，GeoHot 还提到了防御性驾驶的概念，即车辆除了对当前路况有所判断以外，还需要对未来进行预估，这也是自动驾驶领域中的难题之一，而 GeoHot 还是打算使用深度学习模型解决。

不管 GeoHot 最后成功与否，这哥们仍然是一个激情澎拜的人，他不迷信权威，乐于动手和思考，热爱自己的梦想，这样的人值得敬佩。

文章转自新智元公众号，原文链接