孙博士讲话记录：

我大概会加上我之前的创业经历。毕业后，我先加入了一家硅光子上市公司，然后独立出来，和朋友一起创办了一家硅光子芯片公司。

早期我们专注于光通信的应用，在光通信中制作硅光无源和有源芯片，供应给光通信模块公司，再供应给数据中心或电信系统公司。

我们的芯片最终被应用到谷歌和亚马逊的云数据中心。当时已经形成量产，最后我们被一家上市公司收购了。

大约三年前，我和原团队的一些成员一起成立了Lowe Technology，这是激光雷达的方向。使用的技术还是我们多年积累的硅光子技术。

00-1010其实我并没有刻意选择这个Automation的翻译，因为Autonomy或者Autonomy这个词本身并不意味着自动化，它就是自动化。

Autonomy或Autonomous实际上是指你不需要提前编程就可以根据这个设备的某些用途做出判断和选择。这是一个很大的领域，包括自动驾驶汽车和各种机械的东西。

然后，我会谈到哪些技术可以用于这个应用，我们的技术选择和其他平台的技术选择。

说到自动化的应用，或许没有人比英伟达CEO黄仁勋的总结更精炼了。

他说“即使是会动的东西也会是自主的”，也就是说，未来能动的东西都是无人看管的.当然，对于NVIDIA来说，这是计算的一部分，但事实上，这个技术方向是我们很多人都认同的未来。

当然，自动驾驶汽车不仅仅是自动驾驶汽车，自动驾驶汽车可能是目前很多人最关心的一个方向.这个地方又重新聚焦在一款车的应用上，因为目前汽车的应用似乎是一个落地最快、体量较大的市场。

这里先提一下，有些标准组织或者行业把自动驾驶分为从L0到L5的不同级别，但是协商的地方很多，所以不同的人会给出不同的定义，这也是因为自动驾驶不是很完善或者标准。

我会以一种更容易记住的方式来整理这个层次。

L0只是没有任何自动化。

L1要松开你的脚。基本上我们只能用手开车，脚踩刹车或者油门大小都是自动控制的。

很久以前，我们的汽车配备了自动巡航功能。我们设定高速自动巡航。这时，L1的作用就在其中了。当然，还有一些属于L1的小改进。

L2松开了手。也就是说，在L2功能的前提下，原则上我们可以把手从方向盘上拿开，不仅要控制速度、前进和刹车，还要控制转弯，比如遇到危险或者变道。

事实上，为了让我们集中注意力，目前的L2体系要求我们的手放在方向盘上，这是对我们集中注意力的判断，但这与技术无关，而是与我们应用的人性和法律要求有关。

可以看出，从L3开始颜色发生了变化，在L2以下是紫色，在L3以上变成蓝色。之所以会有这样的变化，是因为L3和L2有很大的区别，那就是责任的归属。

L2级及以下是车辆本身不负责的系统，也就是说任何问题都是驾驶员的问题，这也是为什么我们说现在的自动驾驶是L2的辅助。

驾驶，不管是Tesla还是其他的公司都是这样来定义。

如果出现事故，这些汽车公司不会受到惩罚，因为使用手册里面写的很清楚，L2系统出了问题是司机负责，但到L3及以上级别就有了车厂的责任。

这个地方是目前法律还没有界定非常非常清楚，这是为什么我们说L3还需要一定过程和时间的原因之一。

L3就是把双眼释放出来。

原则上司机可以看手机、看书，不用手握方向盘也不需要去动油门，直接就可以做司机自己的事情。

但是，要在限定的场景下，也就是说在一定的场景下，一定的环境下，我们叫ODD。

但是如果汽车判断前面的场景不适合做L3的自动驾驶，汽车会用一些提示的方式让司机来接管。这个过程实际上就会遇到法律责任的问题，因为自动驾驶过程中是车有责任，交给司机之后就是司机有责任，那中间过渡的这个过程就变成一个模糊地带。

L4就是把大脑释放出来。

因为L3原则上还需要司机集中精力，因为随时有可能车的控制权交还给司机，但是L4原则上在一定的场景之下司机可以完全不去管，这个场景可大可小，标准上留了很多弹性。

在这个场景完成之前，你不需要接管任何事情，这样的话责任当然是这个车，所以这样责任就从驾驶员转移到车厂上。

L5就是完全释放出来。

人类可以驾驶的地方车都可以，当然这个L5有的人说是个假命题，我们人也不是所有地方都可以去，天气不好的时候，道路比较差的时候我们人也不会去，这个就是定义的问题这倒无所谓，那基本就是说我们人可以驾驶去的地方车都可以去。

在车辆上支撑自动驾驶的场景需要哪些技术？

第一是传感技术，就是我们把周围环境的数据采集回来；

第二个就是计算技术，当你要做分析就要做计算，这就需要计算的一个过程；

第三个就算法和数据技术，我们拿到大量数据，需要用算法来做分析做判断，我们实际上就是要做感知、做计算、做算法。在这三个里面我们最关心的是其中的传感技术。

传感技术从传统上有两个阵营，有的人会说是视觉阵营和激光雷达阵营。

但我认为这个说法是不太对，因为视觉实际上永远是少不了的，这点我从来不否认，因为最简单的一定要视觉看红绿灯，这个是任何激光雷达或者毫米波雷达都替代不了。

实际上，这个这两个阵营我认为是单传感器阵营和多传感器融合阵营。

目前市场上做自动驾驶的公司来看的话，比较坚持的做单传感器方案的就是特斯拉，其余的公司无论是自动驾驶创业公司，还是传统车企，或者是造车新势力，都是选择多传感器融合的方案。

特斯拉是我非常尊敬的一家公司，Elon Musk也是我非常尊敬的一个创业者，他说的很多事情我是非常赞同，他有一个很著名的理论经常挂在嘴边，就是First Principle第一性原理这个事情。

第一性原理是物理学里面的一个概念，就是从最本源的方程和原理出发，来推导一些结论，对于产品技术来说就是让我们从一些最本源的想法来做一个方案。

这个东西听起来是非常美妙的一个原理，也是非常好的一个事情。放在自动驾驶这个场景下是什么意思呢？我们人是可以用眼睛加大脑来完成L5的驾驶任务，那为什么车不行了，这个听起来非常第一性原理，非常有道理。

但实际上，凡事都要有前提，所以把这个第一性原理的判断剖析一下，它的成立需要至少有三个支撑点：第一个就是Bionics，就是我们所谓的仿生，仿生是最好的；

第二个就是说我们目前基于深度学习的AI是可以去跟我们的人脑对等；

第三个就是我们在道路驾驶上采集这些数据是足够的。

这三个支撑点很容易理解，如果这三个支撑点都成立的话，这个判断确实是成立的，而且我也认为确实有可能在某个时间点可能会做得到。

我们再把这三个支撑点进一步分析一下。

仿真是不是一定是最好的？这个其实也不一定，虽然仿真听起来是很美妙的一个事，但我们历史上并不是所有事情都用仿真来做，最简单就是飞机是从鸟开始仿生来做飞行器，但是最后我们知道飞机的飞行原理跟鸟完全不一样。

然后，这一轮的深度学习到底能不能达到人脑的水平，这个当前业界争论是非常非常激烈的，但是从被称为这一轮深度学习之父的三个科学家（Yann LeCun、Geoffrey Hinton 和 Yoshua Bengio荣获2018年图灵奖）的观点看，他们对这一轮深度学习能达到人脑都是一个比较悲观的态度。

业界确实还有很多人认为深度学习足够了，这个我没法做一个专业判断，但我的问题就是说需要多长时间来达到，这个应该说没有人给出一个明确答案，在我看来的话应该还是需要比较长的时间。

最后就是在街道上采集的数据是不是足够的，这个其实也是值得商榷的一个事情。

其实在我们的驾驶环境中，我们有时会遇到可能一辈子只遇到1次的情况。

而这个情况其实我们可能根本不会想到在马路上会发生，但是我们基本上还是会根据我们的常识common sense来做一些判断，因为我们自己大脑的训练不是只靠街上的数据。

我们是靠从小长大在家里，在学校以及各种各样的数据来得到这些结论，所以马路上采集的这个数据到底够不够其实这个是值得商榷的。

这个地方其实我并没有给出一个结论，而且我刚才说过视觉自己就可以做很多的事情，但是并不是一个很容易的事情，而且并不知道什么时候可以做到。

所以对于业界来说，单视觉传感器来做自动驾驶其实是一个带有不确定性的方案，但是是一个目前比较便宜的一个方案。

多传感器融合的方案是一个确定性的方案。

在很多自动驾驶技术团队看来，多传感器融合的方案其实在驾驶场景里面准确率或者是可用性非常强了，至少在感知层面是非常要强了，他们现在更多时候在control和planning上做功夫，所以实际上这是个确定性很强的方案，但是目前成本可能会高一点。所以说车厂或者自动驾驶公司需要在这两个方向上选一个。

激光雷达到底能带来什么样的好处呢？

首先是提供真值的距离。

虽然用视觉的单目、双目还是多目的方式上也是会给出一个距离值，但这个值会受一些环境的影响。

而激光雷达则可以提供稳定的真值，同时当然他比毫米波雷达要提供更高的分辨率。

为什么要这个真值呢？

在算法上我们需要一个很好的recall rate，来配合视觉做一个感知的判断，也就是说你看到一个东西在那，你就知道是真有这个东西的。

第二，在这个过程中可以做更好的perception，这个其实跟刚才说的也是有点吻合的。

第三，更重要的是可以处理一些复杂环境的场景，包括光照的场景，包括一些干扰场景，可以做更好的算法处理，这个是激光雷达可以带给我们的一些好处。

激光雷达的不同技术方向

我们把眼光放长远，如果说激光雷达是一个未来会像摄像头一样普及的产品，那激光雷达产品构成就应该像摄像头一样。

现在我们打开一个摄像头模组里面最关键的零部件是什么？当然就是那颗传感器芯片。不管是索尼还是其他公司的摄像头，那颗芯片是价值和利润最高的部分。所以我们分析方案的话就从芯片开始分析。

我们看整个芯片或者半导体行业过去70年的发展历史，基本上最后你会发现一个很有趣的现象，如果说硅的CMOS可以做的事情，最后都变成CMOS，这个事情一直在发生。

我们从最近二十年开始看，90年代时候CCD还是一个在图像传感器领域上非常高端的一个事情，CCD能做的事情CMOS是做不了的，采用CCD的相机是高端的相机，CMOS是低端的相机。

但2005年之后，其实你可以看到CCD能做的事情CMOS基本都能做了，到2010年之后，已经几乎看不到CCD的相机了。这个就是一个典型的例子。

同样的例子其实也发生在射频前端，从GaAs到CMOS，也发生在毫米波，从SiGe到CMOS，也发生在我们之前做的创业的光通信领域，从GaAs/InP到CMOS硅光，这对我来说是一个非常明确的一个方向。

所以现在激光雷达同理，我们做硅光的这个方向，或者选择硅光的这个技术平台，应该从长远上看的话我认为也是一个必然的趋势。

为什么是硅半导体？其实这里面有一定的偶然性，但也有一定的必然性。

大家知道最早做的半导体器件的是晶体管，并不是硅而是锗材料，锗材料最终并没有作为大家公认的技术选择。

中间大家也发现，如果用磷化铟、或者用砷化镓这些材料做进晶体管，也会有更高的性能指标，但最后这些东西都没有成为主流，事实上现在如果能用硅CMOS替代的东西都替代了。

早期看来，主要是材料的问题。

硅材料有几个好处，首先它是单质材料，与化合物相比，比较容易提纯。

另外一个很大好处是硅有一个非常稳定的二氧化硅。二氧化硅是作为我们晶体管，做一个CMOS管中非常好的隔离材料，我们需要非常好的隔离来减少漏电流。

这个在在其他材料上是比较难的课题，这就决定了在硅上面做的MOS管最好。

另外，硅材料本身在所有可用的材料里面机械强度最大，说白了就更不容易破碎，可以做更大、更薄，这样对材料的损耗就会比较小，而且把晶圆做大产量做高。

现在主流的硅晶圆是12寸的，18寸晶圆之前提过，而且也做出来过，只是现在设备没有跟上。

而锗材料的晶圆常见就是六寸，八寸的也有但是比较少见，但是如果你看砷化镓最大是6寸，磷化铟最大是4寸。

可以看到，其实无论从生态、体量、规模化上看都是硅材料占有很大的优势。但是除了这个材料技术之外，还是一个商业推动，就是我们在硅上投入的越多硅做的越好，这个材料越好工艺越成熟，做出的器件就越好，集成度越高，一步一步把硅推到了这个现在这个状态。

去年，对于硅这个半导体市场将近6000亿美元，而在这个市场份额下形成了一个非常庞大的生态，这个生态从软件到IP，到制作也就是晶圆加工，到材料到封装工艺，每一个环节都是非常专业化，而且是全球化的一个产业链，所以形成了一个非常良性的生态。

那什么是硅光？

从电芯片IC角度来看的话，我们早期做的事情就是把独立的一些晶体管、电容、电阻、电感集成到这个一个硅晶圆里面或者一个硅芯片里面，所以这个事情我们不断的加强，不断把这个器件变小，成就了过去70年基于硅CMOS的发展趋势。

对于光电器件来说的话，其实现在也在发生同样的事情。

我们二十年前的通信系统，是很多很多独立光器件，每个都是独立封装的，这里面有激光器、调制器、探测器、分光和光纤在里面，组成电脑一样大的系统，这是一个100G的通信系统。

但如今在的数据中心的通信模块，差不多也就是半个手机大小，里面就是一个电路板和两个芯片，一个是发射一个接收，甚至有可能是发射接收在一个芯片上，就是上图右侧的这个样子。

这个时候为什么能做这个事情？因为我们用硅光技术把这些独立组件集成到同一个芯片里面，做的事情跟几十年前IC做的事情一模一样。

对于这样一个系统来说，原则上你可以把任何一个不管多复杂的光电系统，只要是硅光器件可以解决的问题都变成一个芯片级的问题。

对于硅光这个领域，发展到现在的话大概是用了30年左右的时间，我大体把这个时间分成三段，等于每十年一段，这个分法其实是我自己的分法，不是业界的分法……然后我把未来的10年也加上，所以我这个地方画了一个40年的图。

图从左边开始看的话，第一个10年从九十年代初到2000年左右，硅光的一个原始积累的状态。

那个时候甚至没有硅光子这个词，它本身是一个相当小众的科研领域。

硅光是一个比较巧合的机缘才出来的，在80年代末90年代初IBM作为技术研发实力很强的公司开发了各种各样的技术，其中有一个就是我们说的SOI晶圆，SOI晶圆在普通的硅晶圆之上加了一层氧化层，之后又加一层单晶的硅层。

这个事情最早是想让晶体管能减少漏电流，增强性能这么一个事情，事实上这个事情目前已经做出来了，已经变成一个挺火的一个方向。

但在当时的状态下，这个概念出来之后并没有人用。

因为当时的IC还处在一个疯狂去做小型化、微型化，做scaling的一个年代，所有的精力都集中在IC的scaling，做这个新的东西没人关注的。

但是，这个东西有这么一层氧化硅在两层单晶硅中间，我们就可以用上面一个单晶硅作为我们波导的导光材料。

大家知道导光的话一定要做一个高折率的介质在中间，一个低折射力的介质在四周，这样才能把光给束缚住。

硅作为一个高折射率的材料，肯定是这个中间的材料，那四周我们就用氧化硅包起来，这是做一个波导很自然的一个材料选择。

我是2004年加入到MIT的Kimerling教授科研组开始做硅光，这个相当是我在做博士期间的这个时代，材料已经摸索出来了，开始用这些材料来做器件。

器件上包括各种各样的调制器件、探测器件、发光器件，这些器件逐渐从各种各样的设计开始向着大家认同的方向发展。

当时其实有各种各样做这些器件的方式，就和早期做晶体管一样，最终大家都采用这样一种方式。

硅光作为一个基于CMOS的技术平台很快吸引到了工业界的注意。

在2004年左右，Intel和IBM就先后成立了硅光组，这个对一个新领域来说还是比较少见的。

最开始一般都是学术界先到一定程度之后工业界才开始引入，但在硅光这个领域工业界和学术界基本上是齐头并进的状态，而且很多的好的设计其实是从工业界那边设计出来的，这个是蛮有意思的一个事情。

然后在这个过程的中后期，大概在06~08年的时候开始陆续有一些硅光的初创公司出现了。

当时我还没有毕业，但是我还在一家公司进行实习，这个时间点实际上是我们第一批的硅光创业的人做的事情，当然瞄准的方向大部分还是光通信的方向。

到后来，这些公司或是上市，或是被大公司收购，应该说大部分公司的出路还是不错的。

之后，我们就进入到下一个10年。2010年到2020年，这个十年有一些非常巨大变化。

首先是Foundry的工艺，尤其是偏中早期研发的Foundry，比如说IMEC我们都知道在半导体IMEC的地位，IMEC很快就跟业界一起形成了标准化的硅光流片平台。

平台意思是，其中的材料体系、各层厚度以及常用器件的工艺方法基本上有了规范，这规范其实也不是一步到位的，也是慢慢去细化，标准化，直到现在其实各个foundry还有一点小区别，但是基本上已经形成一套比较一致的标准了。

我刚才说初创公司和大公司也开始做产品，陆续有产品开始落地。

标志性事件是Luxtera在2016年开始给数据中心的硅光产品进行量产，这个当时是早于磷化铟的产品做100G的数据通信产品开始进入市场，然后Intel很快也也切入进来。

他们俩作为出货量最大两家，后来Luxtera这家初创公司以6.6亿美金卖给了Cisco思科，目前在光通信市场做硅光的方案最大的商家是Intel和Cisco 。

等于说硅光从实验室走到了产品化落地，而且现在已经在光通信市场尤其是数据通信市场占据了很大的市场份额。这个时候很多初创公司也陆陆续续实现了退出，这里面也包括我们。

然后就是下一个时代，这当然上个时代末尾我们创立了洛微科技。

之所以我们创业这个新的公司，也是发现经过这些年的发展，我们亲眼看到硅光从一个实验室的技术到了一个标准的技术平台以及产业落地的状态，形成了自己的一个小生态，当然这个小生态是依托于硅CMOS半导体大生态。

这个小生态已经可以支撑很多Fabless这种商业模式，也就是我们可以像IC一样只关注设计。

而这个设计就像IC里面模拟和射频芯片的设计，是从电磁波仿真开始做起，所以对设计团队的经验要求很高，但同时你又不需要像早期一样过多的关注生产、晶圆加工，可以把精力放在最擅长的地方。

同时，可以减少资本的投入，所以开始慢慢形成了与IC一样的创业状态。

我们也相信同样这个事情跟IC类似，也会诞生更多的应用，硅光平台下不光只是做光通信，可以做更多的事情。

事实上你可以认为所有光电系统，原则上都可以变成一个芯片化的方案，只是说是看这个方案是不是值得去投入芯片，如果这个方案每年是卖几百万、几千万只，当然值得。

所以未来十年我们我认为硅光会推广到各个领域，包括激光雷达，各种各样传感以及光计算。

（待续未完）