# 一个周末攒出的摄像头，如何吃下每年900亿英里的驾驶数据 > Training Data No. 75 中文精读 - 原标题：Why the Next AI Revolution Will Happen Off-Screen: Samsara CEO Sanjit Biswas - 发布日期：2025-12-16 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/075-why-the-next-ai-revolution-will-happen-off-screen-samsara-ce-VQXivh.html - 精读字数：约 4645 字（阅读约 10 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 一家市值200多亿美元的上市公司，传感器装在几百万辆商用车里，每年吃进900亿英里驾驶数据，覆盖美国99%的道路。这家公司叫Samsara，主持人还夸它拥有公开市场最好的股票代码：IOT。创始人兼CEO Sanjit Biswas最近上了红杉资本的播客Training Data。 他聊起公司最大产品线的起点：联合创始人John Bicket从亚马逊下单买了个网络摄像头，插上USB口，一个周末写了段代码，第二周拿给客户试用。客户试完说，爱了。 从几十美元的摄像头到900亿英里数据，中间隔着十年，也隔着物理AI最难啃的几块骨头：2到10瓦的边缘算力、几百万台设备的安装、还有没人看得过来的数据洪流。这篇精读把他聊到的门道拆开讲。 ## 两次创业，赌的都是技术曲线的复利 Sanjit是工程师出身，斯坦福读本科，MIT读研。20多年前的Roofnet项目，他用WiFi芯片组大网络，想法很朴素：互联网接入应该在空气里，无处不在。2000年代初，WiFi还是新东西，上网又贵又稀罕。这个项目后来变成他的第一家公司Meraki，红杉投的，2012年被思科以12亿美元收购。 2015年创办Samsara时，情况反了过来。Meraki时期他是网络领域的专家，Samsara瞄准的物流、建筑、能源、现场服务，他和John一无所知。没开过商用卡车，没进过仓库。这些行业劳动密集、资产密集，撑起了地球的基础设施，却十年前没人谈论。卡车物流如今占业务的20%到25%，现场服务和建筑是大头，公共部门、校车、航空也在进，刚签下北美最大的黄色校车运营商。 那他们赌什么？三条技术曲线的复利。第一，连接，网络从又贵又稀有变成无处不在；第二，算力，GPU浪潮起来了，任天堂Switch里的嵌入式芯片就能跑出惊艳画质；第三，传感器，iPhone发布七八年后，摄像头已经强得离谱。三样凑齐，实时处理物理世界的数据就成了可能。 带宽成本他们也搭了便车。2015年正好赶上3G转4G，YouTube和手机看球赛把运营商的数据消耗拉上去，每GB的边际成本一路下探，Samsara跟着沾光。现在轮到Starlink，卫星的建造成本是天文数字，但多接一台设备的边际成本很低，这能帮他们补上最后1%的覆盖。不少油气客户作业的地方连路都没有，蜂窝信号更别提。 主持人Pat Grady问，没有水晶球的创始人该怎么押方向。Sanjit的回答是：**ChatGPT时刻发生的时候，模型也不完美。技术人员知道未来两三年它还会大幅变好，消费者往往看不到这一层。**哪怕现在还不行，五年到十年后大概率行。Samsara自己就是这么熬出来的。 ## 2到10瓦，怎么跑AI 数据中心跑AI，论千瓦。Samsara的行车摄像头，2到10瓦。内存几百兆到几个G，跑个Linux，跟一台手机差不多，比微控制器强，比服务器差得远。几十亿参数的模型，想都别想。几百万路视频流常年在云端跑推理，带宽账单和数据中心规模都是天文数字。 他们的做法是云边分工。云上训练大模型，再用教师模型把能力蒸馏进小模型，小模型只针对自家场景。**行车记录仪不需要回答法国的首都是什么，它只需要看懂路面上的风险。**训练数据也只喂跟任务相关的。边缘持续跑推理，因为开车时风险是连续的；同时把token传上云，云端再做重活。 云端那层重活是什么？事故发生之后，把视频和遥测数据喂给完整的视频语言模型做推理，它能判断出这次是防御性驾驶、被别人别了车，还是路况问题。Sanjit说，五年前这件事做不了。 有人问，卫星互联网普及、带宽白菜价之后，边缘计算还有必要吗？他的答案是，活会变多，压缩永远有用。GPS数据当然可以全传云端，可你要一台卡车8个摄像头的高清视频加全套遥测，那就是另一回事了。带宽便宜了，需求会把带宽吃满。 控制类的更没得商量。**特斯拉FSD的车载电脑几千美元、几百瓦，Waymo只多不少，控制权必须留在边缘。**车里有人，路上有人，谁也不敢赌网络不宕机。 ## 同一份数据，每两年榨出新价值 900亿英里数据怎么用？先看客户的问题。Samsara的客户天天在路上跑，数据显示，对这批人来说，开车往返工地比建筑施工、油气作业更危险，大部分死亡和重伤风险发生在公路上。 两三年前，系统发现的最大风险是开车玩手机，于是做了检测器。这个问题解决了，下一个是什么？天气。用AlexNet时代的老式卷积网络做天气检测，分不清路面状况；换上现在更强的模型，就能真正看懂路况。两年前系统只能理解当下这一刻发生了什么，现在能看完整趟行程。 **模型能力每上一个台阶，同一份数据就能榨出新的价值，这是数据和模型能力的双重复利。** 最新的解锁有点暖：识别好行为。一线司机80%到90%的时间干得很好，只是没人看见。现在系统能认出优秀驾驶，给司机发个点赞、一句认可。Sanjit说这是意想不到的正面副作用，真的会让司机开心一整天。 教练的价值有账可算。Samsara通常能把客户的风险降低75%，大约一半来自车内实时提醒，另一半来自教练式复盘。检测只是第一步，如果你是习惯性玩手机，系统会接着帮你把习惯戒掉。同一套方法还能迁移到油耗上，把驾驶行为游戏化，训练司机聪明地操作重型设备。 客户最大的担心是数据过载：每辆车、每个一线工人、每个资产都有传感器流，这些数据拿来干嘛？AI的角色就是把洪流蒸馏成可执行的东西。至于世界模型，他谨慎乐观，前提是得有天量数据。Samsara不自己训世界模型，也不训基础模型，等成熟了拿来用。 ## 比模型更难的，是装到几百万辆车上 主持人Sonya问，把传感器铺满物理世界是每个技术宅的梦想，为什么只有你们真做到了？Sanjit的回答很实在：**物理世界的产品，装上去才算数。** 几百万辆车的安装，一线工人的培训，客户从第一天就得看到价值，三件事凑齐才有这个覆盖。现在公司有几千人在做安装和变革管理。全世界手里有这个量级真实路面数据的公司，他数了数：特斯拉一个，然后大概就是Samsara，然后是Waymo。Waymo是几千辆的量级，还差着几个零。 销售这件事，他也是被逼出来的。Meraki时期，他这辈子没卖过东西，学校募捐卖糖果他都想躲，还问人家要不要帮忙建个网站。2008年金融危机，风险资本直接关闸，公司被迫做到盈亏平衡。他们把销售当成一个工程问题来解：要可预测，要可持续。让他转过弯的推理是：产品卖不出去，就没有影响力；如果你做事的驱动力是影响力，销售就是必经之路。 这套思路带到了Samsara。公司上市了，资产负债表可查，他们从收入里再投入了大约30亿美元，砸在研发、客户成功这些地方。**没有销售，这30亿就无从谈起；没有这30亿，就没有几百万辆车的覆盖。** 产品的起点也有点意外。2015年第一个产品是GPS追踪，因为客户当时还在用MapQuest打印地图，颗粒感十足的Minecraft级画质，长途物流每5到15分钟才收到一个位置信号，而Uber和DoorDash那边早就实时追踪了，有客户的追踪系统干脆就架在MapQuest上。行车记录仪是客户主动要的：你们有没有推荐、能跟你们系统配合的摄像头？他们反问：我们做一个，你们会用吗？于是有了那个周末摄像头。他们跟客户一起回看视频，发现事故发生时司机手机就在手上，检测需求就这么长出来了。策略是同心圆，核心场景做深，再做相邻场景，一路扩到现在约10个产品。 新场景还在冒出来。货运经纪的语音机器人是最近一年的新现象，客户接受速度很快，很多客户根本不知道这事可行，做个原型演示，对方直接说太棒了。Sanjit上周在德州跑客户，大食品分销商、大油气公司、家得宝，客户拿数据做上班打卡，员工不用再走到办公室；把预计到达时间分享给终端客户，告诉人家我们快到了、我们晚点了。这些用法客户自己当初都没写进路线图。 ## 自动化会让世界跑得更快 主持人Sonya说，两年前她不敢坐Waymo，现在觉得比人开还稳。Sanjit非常看好，他读本科时，斯坦福在做最早的DARPA无人车挑战赛，这条路走了20多年。 他的核心判断：**自动化会提高世界的运转强度，因为成本降下来，被压住的需求会冒出来。** > 「自动化启动的时候，量会涨，因为成本降了。外面的需求比大家以为的多得多。以前零件配送要50美元，你就不订了；5美元或者免费呢？那不是很爽吗。」 他举了两个场景。半夜到早上8点那一班，人要睡觉，物流照样能跑；现场维修技师缺个零件，自动驾驶可以直接送过去。结论是，自动驾驶和人是「和」的关系，吃掉的是被成本压住的那部分需求。 仓库其实已经被自动化扫过一遍了，大约10年前开始，从搬运系统到机械臂，工人反而欢迎，因为搬托盘受伤的风险降了。下一个是工地，再往后才是人形机器人。对人形机器人他谨慎乐观，承认有点瘆人，没头没手地走过来确实掉进恐怖谷了，1X的NEO算友好的。他的类比是十年前的自动驾驶：明天不会来，但挡不住。 人和AI的分工边界在哪？他的观察是，高重复、高任务密度的活，AI采纳率最高；物理工作本身还是人在干，因为例外处理太多。建筑就是典型，场景多样性太高，没法像汽车制造那样自动化。有人问中美竞争有没有影响客户对话，他说没有，客户对话里出现的是另一种情绪：我们能不能换个干法。这批客户70年代就用计算机做路线规划，从不排斥技术，只问有没有用。眼下数据中心建设潮让能源公司和建筑公司都在反思，自己的业务该有什么不同。 问到2030年，Sanjit先泼了盆冷水：**AI在物理运营领域的采用曲线，现在还在最底部。**到2030年，现有技术会像App一样扩散开，变成主流。他最期待的新东西是AR和可穿戴设备。一线工人双手必须空出来，AI进耳朵，视觉反馈跑视觉语言模型，实时看懂眼前的环境。2030年技术上会就绪，现在已经在临界点了。 顺带一提他自己的用法：开车上下班跟语音AI聊天，想到哪聊到哪；用ChatGPT Pulse推荐湾区的亲子活动，他有三个孩子。他说，AI在某种程度上比你更了解你，这件事很深刻，它会把你带到自己不知道的新体验面前。 ## 明天就能用的三件事 第一，选方向时找技术曲线的复利处，别等模型完美。Sanjit两次创业，第二次完全不懂行业，赌的是连接、算力、传感器的复合增速。今天的AI能力，两年后一定更强，技术人比市场更早看到这一点，这个时间差就是机会。 第二，做物理世界的产品，把安装、培训、第一天就有的价值当成产品的一部分来设计。扩展用同心圆：先在一个核心场景站稳，再问相邻场景还能做什么，Samsara从GPS追踪扩到约10个产品，几乎每个新产品都卖给了老客户。数据规模的护城河，是几千人的安装和变革管理队伍堆出来的，这部分苦活没有捷径。 第三，数据的出路在提炼。客户怕的从来都是数据过载，传感器流越多越没人看。AI的价值在于把海量数据蒸馏成可执行的洞察，Samsara的成绩单可以当参照：风险降75%，一半靠实时提醒，一半靠教练复盘，同一套方法还能迁移到油耗。 给年轻技术创始人的话也值得记一笔。他说现在是最好的建造时机，Codex、Cursor这类工具让想法变成实物的速度快得多。Meraki时代要买戴尔服务器，扛到机房上架，现在回头看慢得离谱。十年后我们回看今天，也会有「当年居然这么干」的时刻。指数曲线上最好的位置，是做一个建造者。 最后补一个细节。有人问他AI给客户的价值里，AI本身占几成。他说没法拆，数据摆在那里没人看，就没有价值；AI把数据变成可行动的东西，两者已经分不开了。这大概是物理AI最实在的一句注脚：模型再强，也得先有人把摄像头装上车。