「專家是過去的專家」：自駕車之父 Sebastian Thrun 的創新課

本文整理自《Freakonomics Radio》2026 年 3 月播出的單集，由 Search Engine 主持人 PJ Vogt 製作的自駕車系列第一集。

{{< youtube HNC7jqVrmq0 >}}

{{< spotify "episode/3Mj14NyewY7vc7GR6cOhKp" >}}

{{< apple-podcast "tw/podcast/are-human-drivers-finally-obsolete/id354668519?i=1000756309578" >}}

---

世界第一人說「不行」

2009 年的某一天，Sebastian Thrun 坐在 Google 辦公室的隔間裡工作。賴利．佩吉（Larry Page）走過來，像說一件再平常不過的事一樣對他說：「Sebastian，我覺得你應該造一輛能在全世界任何地方自動駕駛的車。」

Thrun 的回答是「不」。

把在空曠沙漠裡測試的技術搬到舊金山 Market Street 上？會死人的。他告訴佩吉不行。佩吉隔天又來，同樣的提議。Thrun 同樣拒絕。兩個人的挫折感同步升高。這段拉鋸持續了好幾天。

然後佩吉換了一個策略。他不再試圖說服，而是提出一個請求：「好，我聽你的，它做不到。那幫我一個忙，給我一個技術上的理由，解釋為什麼做不到。我拿去跟 Eric Schmidt（時任執行長施密特）和 Sergey（共同創辦人布林）報告。」

Thrun 回家了。他坐在那裡，認真地、一項一項地想。他想了一整晚。

他找不到技術上的反駁理由。

Thrun 在 Freakonomics Radio 最新一集裡回憶這段經歷，語氣裡仍帶著當年的震動。他說這是他人生中最痛苦也最重要的時刻之一。因為他是 Sebastian Thrun。他不是隨便一個工程師。他是贏得 DARPA 大挑戰賽冠軍的人，是史丹佛大學人工智慧實驗室主任，是全世界最懂自駕車的人。而全世界最懂自駕車的人，在過去好幾天裡一直堅定地說「不可能」。

「我從這件事學到了一個教訓，從此改變了我的人生，」他說。「專家通常是過去的專家，不是未來的專家。如果你問一個專家某件瘋狂的新事物行不行得通，他是最不可能說『行』的人。」

失去朋友的少年

要理解 Thrun 為什麼會成為自駕車的推動者，要回到他的少年時代。他在西德的索林根長大，青少年時期失去了一個朋友，死因是車禍。這件事在他心裡埋下了一顆種子。

全球每年有超過一百萬人死於交通事故。這個數字對多數人來說是統計表上的抽象數字，但對親身經歷過失去的人來說，每一個「一」都是一張具體的臉。Thrun 後來從波昂大學取得電腦科學博士學位，先到卡內基美隆大學、再到史丹佛任教，橫跨機器人學和人工智慧兩個領域。這個雙重背景讓他看問題的角度跟多數機器人學者不同：他不只想造一台厲害的機器，他想造一顆厲害的腦。

這種思維在 2004 年的 DARPA 大挑戰賽上得到了驗證。DARPA 懸賞 100 萬美元，要求參賽隊伍的機器人車輛自主穿越莫哈維沙漠 142 英里。Thrun 那天只是去當觀眾，帶了自己的機器人去 DARPA 展示。但他看到了一件讓他無法忽視的事。

所有人都犯了同一個錯

2004 年那場比賽是一場災難。所有參賽車輛都以各種荒謬的方式失敗了：翻車、卡住、掉頭、輪胎燒化。沒有任何一輛走完全程。但 Thrun 不是在看失敗本身，他在看失敗的原因。

「我看到所有隊伍都把這當成硬體問題，」他回憶。「他們想要更大的輪子、更強的底盤。但我看著這一切心想：等一下。挑戰是造一輛能穿越沙漠的自駕車，對吧？我隨便租一輛車就能穿越沙漠，前提是有人在開。所以真正要解的問題是把人從駕駛座上移走，換成電腦。這不是更大的輪胎能解決的。這根本是一個軟體問題。」

這個觀察聽起來簡單到像廢話。但在 2004 年的機器人學界，多數人想的還是感測器要多靈敏、馬達要多有力。Thrun 的洞見是：真正的戰場不在車身，而在車的「腦子」裡。而他同時擁有機器人學和 AI 的背景，讓他比別人更早看出這一點。

教車子自己學會看路

十八個月後的第二屆 DARPA 大挑戰賽，Thrun 不再只是觀眾。他帶來了 Stanley，一輛看起來完全不起眼的藍色 VW Touareg，旁邊停的是卡內基美隆大學的兩輛巨大改裝悍馬車。如果只看外觀，Stanley 像是帶錯場子的家庭用車。

但 Stanley 有一項沒人有的能力。Thrun 團隊在史丹佛附近找了一條土路，讓人類駕駛開著 Stanley 來回跑。車上的攝影機拍下路面影像，同時感測器記錄顛簸程度。電腦對比這些資料：這塊綠色的區域開過去很平穩（是草地），那塊棕色的區域讓車子劇烈晃動（是泥巴）。然後電腦根據這些經驗，開始自己預判前方看到的路面安不安全。

這就是機器學習。Stanley 不是被人類一條一條規則地「教」怎麼開車，而是從數據中自己學會辨識道路。而且它學得很快，每秒更新判斷三十次。Thrun 說，就像人類一樣。

比賽當天，Stanley 起跑時被卡內基美隆的兩輛悍馬車夾在中間。但當車隊進入最困難的山路路段時，Thrun 的團隊遠遠看到一朵塵土飛揚的雲。雲越來越近，帶著藍色。Stanley 衝過了終點線，贏得冠軍和 200 萬美元獎金。

Thrun 穿得像賽車手一樣接受訪問，滿臉激動。他說：「今天不是我贏了，是這整個社群贏了。我身後有三輛機器人完成了不可能的事。」Stanley 後來被收進史密森尼博物館。

佩吉的執念

Google 共同創辦人佩吉那天也在現場，藏在棒球帽和墨鏡後面。他找到 Thrun，用一連串專業問題轟炸他。佩吉其實在念研究所時就想做自駕車的論文，後來被指導教授勸去研究搜尋引擎。自駕車一直是他心中未完成的夢。

佩吉先用了一個相對溫和的方式切入：雇 Thrun 來造 Google 街景。他們改良了 Stanley 車頂攝影機的系統，開始拍攝美國街道。但佩吉的目標從來不只是街景。兩年後，他開始每天來找 Thrun 談自駕車。

這就是本文開頭那段對話的背景。Thrun 拒絕了好幾天。佩吉最後問了那個改變一切的問題：「給我一個技術上的理由。」而 Thrun 找不到。

回頭看這段經歷，Thrun 覺得佩吉做了一件很不尋常的事。他沒有用權威壓人（雖然他是 Google 的創辦人，有絕對的權力）。他也沒有用願景洗腦（雖然他對自駕車的信念極其堅定）。他只是把問題還給了 Thrun，讓 Thrun 自己跟自己的專業知識對話。當 Thrun 發現自己的知識庫裡找不到「不行」的依據時，心理防線就垮了。

「佩吉教會我一件事，」Thrun 說。「如果你想要造披薩店，找一個專家來幫你就對了。但如果你想要做一件真正新的事，專家是你最不該問的人。」

當專家阻礙創新

Thrun 講的這個教訓，值得放在更大的框架裡看。

專家之所以是專家，是因為他們對既有系統累積了大量的知識和直覺。這些知識告訴他們什麼行得通、什麼行不通。問題是，這些判斷全部建立在過去的經驗之上。當技術條件改變（比如 AI 的能力在短短幾年內翻了好幾倍），專家腦中那套「什麼不可能」的地圖就過時了。但他們往往是最晚意識到這件事的人，因為過去的成功給了他們最強的信心。

Thrun 自己就是最好的例子。2009 年時，他是地球上最懂自駕車的人，他的判斷是「不行」。而佩吉不是自駕車專家，他是一個有執念的外行人。但正因為他沒有 Thrun 那套建立在過去經驗上的限制性信念，他反而能看到 Thrun 看不到的可能性。

這件事在 AI 時代特別值得警惕。過去兩年，有多少次我們聽到某個領域的專家說「AI 做不到 X」，結果半年後就被打臉？專業知識仍然非常重要，但它有一個危險的副作用：它會讓你用過去的可能性框架去評估未來的可能性。

沒有停車場的城市

Thrun 最終被佩吉說服後，帶領 11 名工程師啟動了 Google 自駕車計畫。這個計畫後來獨立成為 Waymo，如今估值 1,260 億美元，在全美 10 座城市每週完成超過 50 萬趟載客。

但讓我印象最深的不是 Waymo 今天的商業數據。而是 Thrun 在節目中描述的一個願景：一座沒有停車場的城市。

他的邏輯很簡單。目前私家車平均只有 4% 的時間在使用，96% 的時間停在某個地方占空間。如果自駕計程車夠便宜、夠普及，多數人不再需要自己買車，那麼同樣的運量只需要現在十分之一的車輛。這意味著大量的停車場和路邊車位可以被釋放出來，變成公園、住宅、商業空間。

這是一個極其遙遠的願景，特別是對美國這種把汽車所有權深深嵌入國民認同的國家來說。但 Thrun 認為它「絕對會發生」。考慮到他上次說「不行」的事情後來真的發生了，或許這次我們不該太快否定。

我的觀察：你的專業正在過期

Thrun 的故事讓我想到一個不太舒服的問題：我自己有什麼「專家盲點」？

身為科技媒體編輯，我每天都在用過去的經驗來判斷新事物的可能性。什麼題目讀者會看、什麼技術只是炒作、什麼趨勢值得追蹤。這些判斷多半是對的，但偶爾會對得太多次，讓我忘了自己的判斷框架本身可能已經過期。

Thrun 的教訓不是「專家沒用」。他後來帶領的團隊之所以能贏得 DARPA 挑戰賽、之所以能造出 Waymo，正是因為團隊裡有頂尖的專家。真正的教訓是：專家最危險的時候，不是他在犯錯的時候，而是他在說「不可能」的時候。因為那個「不可能」聽起來太有說服力了，連他自己都信。

佩吉沒有要求 Thrun 放棄他的專業知識。他只是要求 Thrun 把「直覺上覺得不行」和「技術上證明不行」分開來看。而當 Thrun 認真做了這個區分，他發現自己所有的抗拒都來自前者，而非後者。

對任何在快速變動的領域工作的人來說，這個區分值得記住：你的反對，是基於你知道的事實，還是基於你習慣的世界？