硅谷AI商业化大会专题讨论:自动驾驶与智能交通的未来

6月1日,Robin.ly的半年度会议“人工智能商业化的趋势与挑战”在硅谷计算机历史博物馆成功举办。本次活动聚焦当前人工智能技术在自动驾驶、机器人和教育等产业的应用和商业化经验。近300名来自硅谷科技公司和高校的工程师、研究人员、学生、创业者及投资人参与了本次活动。

在专题讨论环节,商业自动驾驶车队智能管理公司Nauto的CTO Ruslan Belkin、激光雷达公司Quanergy的CEO及联合创始人Louay Eldada、交通服务应用平台Ridecell自动驾驶部门Auro联合创始人Nalin Gupta、明星自动驾驶创企Drive.ai联合创始人王弢与Robin.ly和TalentSeerd的创始人Alex Ren就自动驾驶的未来发展问题进行了精彩讨论。

Quanergy联合创始人Louay Eldada (左一)、Auro (Ridecell) 联合创始人Nalin Gupta(左二)、Nauto首席技术官Ruslan Belkin(左三)、Drive.ai创始人王弢(右二)以及主持人Alex Ren(右一)专题讨论议题

1. 如何看待未来智能交通的变革

2. 城市基础设施在自动驾驶汽车普及过程中的作用

3. 针对Elon Musk激光雷达无用论”的回应

4. 如何使商业车队驾驶员信任自动驾驶系统

5. 如何平衡自动驾驶的安全性与技术创新

6. 自动驾驶的商业化路径

1  智能交通的未来

Alex Ren

在下面的讨论环节中,请各位先做一下自我介绍,包括您所在公司的主要业务以及对未来交通领域变革的看法。

Quanergy CEO及联合创始人Louay Eldada

Louay Eldada

我是Louay Eldada,Quanergy的联合创始人和CEO。我们的公司位于硅谷的Sunnyvale,以制造固态激光雷达而闻名。我们的产品包括车载固态激光雷达、支持智能基础设施和智能城市所使用的激光雷达、以及与自动驾驶汽车相关的软件。我们在全球设有12个办事处,业务遍布世界各地。

很高兴今天能跟在座的各位分享我的想法。我想说,尽管大家的观点不同,但自动驾驶汽车的时代很快就会到来。无论在构建软件堆栈时是否必须使用某个传感器或某个方法,毫无疑问,我们都将拥有真正意义上的自动驾驶车辆。今天,在特定区域里已经出现了L5自动驾驶的车辆。但是现实中的公共道路情况要复杂得多,我们需要了解在硬件和软件层面如何避免本来可能会发生的事故。我们现在基本已经实现了L2-L4的自动驾驶,我认为实现真正意义上的自动驾驶的时间可能在2025年前后。

Auro Robotics (Ridecell)的联合创始人Nalin GuptaNalin Gupta:

我是Nalin,是Auro Robotics的联合创始人。在被Ridecell公司收购后,我们公司成为了Ridecell的自动驾驶部门,致力于开发自动驾驶技术的软件主干部分。当我们在2015年创办这家公司时,专注于为大学校园和退休人员社区开发自动驾驶汽车。随着我们的技术变得越来越成熟,我们的研发重点已经从校园车辆转移到公路车辆上,比如如何能够在公共道路上为庞大的车队提供空车物流这类相对简单的目标。

谈到未来,我想我们正处在一个非常奇妙的时间点,除了自动驾驶,共享汽车和电动汽车方面的创新也都接踵而至,我对此非常期待。很难说具体哪个时间会实现真正意义上的自动驾驶,但是在某些条件下,这个时刻可能会来得比较早。

Nauto CTO Ruslan BelkinRuslan Belkin 

我是Ruslan Belkin,Nauto的首席技术官。Nauto的意思就是NetworkAuto。我们通过对车辆内外进行全方位监控来提升商业车队安全性。我们目前在欧洲、日本和美国拥有250多个车队。

我觉得未来很难预测,但就自动驾驶汽车来说,我们还有很长的路要走。在具体应用方面,我认为这是一个长期的发展趋势,也是很好的职业选择方向。在投资盈利方面,获得回报的方式可能没有那么直接。我认为选择正确的垂直市场很重要。投资辅助自动驾驶汽车开发的工具可能是相对容易取得回报的货币化过程,而直接在自动驾驶汽车上获得回报会相对困难,尽管有些人确实也会成功。

Drive.ai联合创始人王弢Tao Wang 

我是王弢,毕业于斯坦福大学。在攻读计算机科学博士学位的时候产生了和同事一起创办公司的念头,所以拿到了硕士学位就离开了学校。我们创办的公司叫Drive.ai,目前正在进行L4自动驾驶的相关工作。几个月前我离开了Drive.ai,开始探索新的方向。我也相信自动驾驶汽车最终将成为现实,但还需要一段时间。在未来几年,我们可能会实现在一些小规模市场部署自动驾驶汽车,但目前人工智能技术还不足以支持L4、L5自动驾驶的大规模部署。我们可能需要采取一些逆向的方法来实现自动驾驶,无论是在技术层面还是在市场战略层面。

2  城市基础设施

Alex Ren

非常感谢。下一个问题是,在未来自动驾驶汽车普及的过程中,城市基础设施扮演了什么重要的角色各位对未来自动驾驶汽车与基础设施相结合有什么看法?

Louay Eldada:

很高兴谈到这个话题。我们实际上正在全球部署智能城市基础设施,这是真正实现自动驾驶的先决条件。我们需要一套基于5G的物联网基础设施,让智能交通工具相互交流,还能控制道路上的交通流量,也会反过来促进自动驾驶技术的成熟。因此,在全面实现自动驾驶之前,部署支持智能城市的硬件和软件是十分必要的。我几个小时前刚从中国回来,我在中国看到了立法以及监管在新技术应用方面的积极作用。中国已经有自动驾驶专用车道,也正在建设智能城市基础设施和推出商用5G。因此,无论我们认为自己在硅谷的技术多么先进,还是比中国慢了半拍。

Nalin Gupta:

Louay刚才的话说明了智能基础设施和V2X(Vehicle-to-everything)通信对自动驾驶落地的积极作用。自动驾驶汽车也可以让残疾人和老年人的行动更方便。但是除此之外,还有很多工作要做。比如,如果你需要开发一种可以部署在多个地理位置的自动驾驶汽车,那就没有发挥智能基础设施应有的作用;你必须让车道标记的方式标准化。比如有些公司正在制作二维码和交通标志,用特殊材料作为车道标记,不仅人类能够理解,在雨天,雾天或者其他非常具有挑战性的条件,智能相机也可以识别。我们要想办法让自动驾驶汽车与人工驾驶车辆和谐共处。

Ruslan Belkin 

我非常同意智能基础设施会出现在美国以外的国家。在美国,我们几乎不投资基础设施,因此这里不会出现智能城市。但这恰恰可能是一个机会,正因为我们的基础设施非常糟糕,才会出现像无人车之类的高新技术。停车场也会是自动驾驶时代的一个巨大机会。在智能停车场里,低于L5自动驾驶级别的汽车也可以在没有人工参与的情况下实现密集的多层泊车。我认为这将是基础设施实现私人投资的一个重大机会。

Tao Wang 

我的观点可能不太一样。基础设施的确很重要,但造价也不菲,这值得好好讨论。我们需要考虑基础设施的哪一部分能帮助大幅改进自动驾驶技术。现在,自动驾驶汽车面临的问题不仅仅是在道路上,更多的是在道路上的其他参与者身上。比如说,如果我们可以通过改变基础设施来避开城市中乱穿马路的行人,那么对行人的监测就变得无关紧要了,因为没有让人乱穿马路的条件了。另一个例子是,能否在交通红绿灯上实现真正的V2X?比如如果平台摄像监测能够提供更多一层的冗余信号,我们可以将人为预测与无线信号进行比较,达到更高的安全性。所以,我认为需要考虑如何能在基础设施上实现高层面的改进。

3  智能传感器

Alex Ren 

Elon Musk曾经说过谁依靠激光雷达谁就会完蛋”。跟这句话形成反差的是Aurora刚刚宣布收购BlackmoreLiDAR技术。你们对智能传感器怎么看

Louay Eldada 

这样的评论没有任何物理学原理和实践支撑,根本站不住脚,完全是错误的。他三年前做出这样的判断,是因为LiDAR的性能虽然远优于其他传感器,但是当时的价格非常昂贵,一台LiDAR的价格与汽车本身差不多,所以没有人会去买。如今,基于CMOS技术的固态激光雷达的售价只有几百美元,价格已经不是问题了。所以Elon需要多从工程师们那里了解最新的技术进展。

Ruslan Belkin 

我认为这取决于你看待问题的角度。如果你从Elon的角度来看,他所说的有一定道理。量产车自动化程度不是很高,需要有司机辅助监督,所以对车的外观要求比较高。但是LiDAR不是很美观,而且如果安装多个,成本也会上去;可是如果不用LiDAR,夜间行车就会出问题,就需要其他传感器的辅助,比如短波红外传感器。所以要在安全和成本上做出权衡。这取决于你愿意承担多少风险。我认为Elon只是愿意承担比其他人更大的风险而已。

Nalin Gupta

我鼓励人们采取不同的方法,最终会归结为你是否可以在统计上证明你的自动驾驶汽车比司机驾驶安全很多。针对LiDAR的争论主要聚焦在成本,以及某些情况下移动的对象。诚然,该行业正在这两个方面取得巨大进步。不过与相机相比,LiDAR非常不擅长监测或解释路边行人的行为。相机可以监测到路人是在玩手机,还是想过马路。在这种情况下,车内需要同时安装相机和LiDAR。但是在很多特殊情况下,比如太阳照射到相机镜头或下大雨,相机就会失效。这也是特斯拉使用雷达的原因。但同样,雷达也具有非常差的交叉监测能力和十分有限的垂直视野,这就直接导致了特斯拉那次人尽皆知的事故。所以除了相机之外,我们还需要更多的传感器。

Tao Wang

我认为如果只是用相机,肯定就离不开人类司机的辅助。基于深度学习计算机视觉经常犯一些非常低级的错误。如果你身上贴了什么东西,监测行人的算法可能就分辨不出真实的情况。虽然我认为无人驾驶汽车检测周围环境的技术很伟大,准确率能够达到99%,但这对于L4自动驾驶汽车来说还不够。我认为特斯拉和其他原始设备制造商能够只使用相机系统的原因是因为现在的车依然很依赖人类司机的辅助。即使这些系统处于自动驾驶状态,驾驶员仍然要对可能发生的任何事情负责。目前,LiDAR的3D监测技术依然是优选的解决方案,也许将来还会有更可靠的技术出现。

Louay Eldada 

我还想补充一下,LiDAR是唯一的3D传感器,相机是2D,雷达是1D。很多人认为可以利用基于激光的系统,用一个最小发散激光束来保证分辨率和准确性,在黑暗中进行监测。想象这样一个场景,一辆汽车晚上在一座桥下发生故障,雷达无法区分桥和汽车,而汽车在黑暗中也看不到任何东西。那么你会接受这样的情况吗?自动驾驶车辆必须比拥有驾驶员的车辆更负责任,不能只关注死亡率下降。因为当软件工程师在考虑如何设计这个算法,决定遇到紧情况时会牺牲谁的利益,这是一个重大的道德问题。然而,当驾驶员在这种情况下尽力而为,但仍然撞到了人的时候,这样的结果更常见,人们也更能接受。因此,未来的汽车必须比目前的状况安全得多。

商业车队安全管理

Alex Ren 

目前,对于许多L2L3的应用,人们普遍认为基于驾驶员行为或驾驶数据的决策对于提高商业车队安全性至关重要。那么问题在于,我们怎么才能让司机信任这样的系统?

Nalin Gupta 

我可以举个例子。我的一位同事有一次疲劳驾驶,这个系统监测到他的状态之后开始发出哔哔声,很可能因此挽救了他的生命。所以有类似经历的人通常就会非常信任这个系统。

Ruslan Belkin

当我们在商业车队中推介我们的产品时,经常会遇到这个问题。一开始,驾驶员并不信任这个系统,或者说并不想以任何方式受到监控。改变通常都需要时间。了解驾驶员和其他行人的行为将变得越来越重要,特别是在研究自动驾驶汽车和非自动驾驶汽车共存的时候。

比如我们早些时候发布了一款Nauto Prevent产品,能够监控驾驶员和儿童座椅里的小孩,包括驾驶员在往哪里看,是否疲劳驾驶,是否在看手机,是否在寻找车外的人,是否是正在高速公路上并道等等。我们的产品不仅能通过视觉提醒各种不同的状况,还能测量反应时间,保证驾驶员有足够的时间对当时的情况做出反应并时刻保持警觉。有数据表明事故数量的确减少了,所以我们的产品才有市场。

5  安全与创新之间的平衡

Alex Ren

另一个值得关注的问题是,如何在不牺牲创新机会的情况下保证未来交通的安全?其中的平衡应该如何把握?

Ruslan Belkin

首先,这个问题短时间内应该不需要担心。其次,刚才有人提到了目前是司机承担责任,不过我觉得这种责任实际上要轻得多。随着责任转移到了车队所属的公司或汽车制造商,就可能出现波音737那样的情况。因此,将来会需要更严格的认证,我们必须要朝着正确的方向努力。我认为,机会不仅在于改进软件,还在于构建软件,例如用于认证的软件。其中有很多潜在的机会,当这种转变开始发生时,这些机会就会显现出来。

Louay Eldada 

应该说,即使是最具创新性的公司,也不敢宣称他们拥有最佳的硬件和软件解决方案,不再需要驾驶员。目前我所见过的策略是让一个人坐在控制室里,同时监测多个电脑屏幕,如果出现管控脱离的情况则立刻出手干预。我们离零脱离率还很远,也就是说汽车还是会经常需要人为干预,这个过程可能会持续数十年。所以在那之前还是需要人来代替电脑做出更好的决定,也会诞生很多与自动驾驶汽车相关的工作,这也就是自动驾驶汽车的出现并不意味着会有很多人失业的很多原因之一。

Nalin Gupta 

我同意两位的观点。坦率地说,我认为这并不是我们第一次看到创新与安全之间的拉锯战。有律师曾经给出了一个闭环系统的例子,即使有一个驾驶员,车里还需要有另外一个人,无论是售票员,远程操作员还是乘客。如果有这样的配置,之前发生的一些事故就可以避免。通用汽车推出的超级巡航自动驾驶系统就是一个很好的例子。与特斯拉不同的是,他们有更强的责任感,会利用一台红外摄像机跟踪驾驶员的状态,以保证驾驶员是在专心开车。这种做法就可以实现安全和创新的平衡。

Alex Ren 

在跟许多OEM公司合作提供这种接送服务时,们是如何管理风险的?

Nalin Gupta 

我们会跟很多保险公司合作来解决问题。事实上,慕尼黑最大的保险公司也是第一家启动自动驾驶汽车保险计划的公司。我们一直在跟他们密切合作,试图了解应该如何衡量在汽车中引入自动驾驶功能所带来的风险。

Tao Wang 

我认为整个行业都需要回答这样一个问题:当前的测试程序是否安全?自动驾驶汽车公司如何测试它们产品的安全性?我们通常只是在道路上进行测试,当系统的能力达到极限的时候人类司机就会接管。我们把这样的过程称为一次脱离。每年,所有公司都会向DMV报告自家车辆的脱离次数。但我认为这不是一种非常好的测试方法,因为当技术还不够成熟的时候,不应该投入实际场景中,这样会危及周围行人和车辆的安全。这就类似于汽车制造商在没有进行任何测试的情况下就推出他们的汽车,直到出了事故,才回过头来优化系统。这种做法十分不妥。因此,我认为行业应该推动更标准化的测试,在更封闭或私密的环境中测试若干不同的场景,直到可以安全上路为止。我想每个人都应该认真的考虑一下这个问题。

Alex Ren

王弢,你之前提到自驾领域余下10%的工作可能要花很久的时间那么该如何处理各种极端情况?

Tao Wang 

我现在还没有找到解决方案。这可以说是一个数万亿美元的问题,但也许可以有一种统一的方法捕获所有这些场景。比如有人站在你面前,那么你的LiDAR应该知道那里有东西或者人。不管那是一个人,一棵树还是一个垃圾桶,车都不应该撞上去。所以这种基于物理和数学的安全性是非常重要的。

6  商业化途径

Alex Ren

我还有最后一个问题。由于L4L5自动驾驶很难实现所以人们会选择一种更现实的方式来将这项技术商业化。各位对可能的商业化有什么看法?

Ruslan Belkin:

我想举一个标记公司的例子。通常在行业巅峰时期赚钱的公司都是制造业的公司,而标记公司也抓住了这个机会。自动驾驶领域的标记就是一种商业化的途径。除此之外,专注于认证和模拟的公司并不多,这些可能也是商业化不错的选择。

Tao Wang

在淘金热期间时,只要卖铁锹就能赚到很多钱,但这种商业模式只有在有黄金时才具有可持续性。此外,我认为在整个价值链中,要找到自己和公司的独特定位。如果你做的东西和别人大同小异,没有自己的特点,那就只能拼价格。无论是核心技术,市场还是客户群,如何塑造自己的核心竞争力,也是值得思考的问题。

Louay Eldada

我认为某些功能的商业化已经实现了,比如自动代客泊车,交通堵塞辅助和高速公路上的长途自动驾驶。造成大量死亡和事故的许多情景实际上反而是最容易解决的问题。2050年以后,L5自动驾驶将可以在任何环境中运行。那时候我们就必须思考全球化的问题,因为我们要在全球范围内销售相同的汽车,还要确保我们的汽车在其他国家的道路上也能行驶正常且安全。

Nalin Gupta:

我很同意前两位的观点。我想从盈利的角度来谈谈。我认为自动驾驶汽车行业将会颠覆其他许多行业。我们可以施行基于广告的收入模式,基于内容的收入模式,或在车辆内部设立移动办公区域,让盈利不再是一个让人头疼的问题。

7  观众提问

观众1:   

关于解决自动驾驶技术最后一英里的问题,我认为有一些可行的方法,比如智能基础设施和人工。让一名安全人员通过10个屏幕监控10辆自动驾驶汽车,同时对信息进行标记。这在技术上和经济上都是可行的。

Nalin Gupta 

我同意你的看法。但是还需要克服一些问题,比如远程操作员需要依赖高速的互联网来传输大量数据,4G或LTE可能无法传输优质的信号。所以这方面的问题需要先解决。

Tao Wang 

我认为总体而言,对于L4及以上的自驾车来说,进行远程监控是必要的。但我认为远程监控不适用于许多关键安全场景,因为关键安全场景通常对应极短的反应时间。如果一个人正在观看10个监视器,他可能需要超过五或十秒钟来关注一个场景并在必要的时候采取行动。对于自动驾驶汽车现在无法处理的长期且重要的事情,远程监控可能会很有帮助。比如你前面的车道有路障,你需要换到不同的车道,甚至有时是相反的车道,这通常是违反交通规则的,但是司机通常觉得这不是什么问题。这些事情并不紧急,汽车总是可以停下然后决定如何采取行动。但是对于时间紧迫的事情,比如一个行人突然跳出来,你只有半秒钟的时间来踩刹车。我认为这不适用于远程监控系统,这是关于人类的反应时间的问题,与网络延迟无关。当然,也可以在每个监视器上安排一个人,但这样一来成本就上去了。

Ruslan Belkin 

在获取标签数据方面,现在越来越多的车辆已经配备了正确的传感器,帮助我们获取足够的标签数据,所以这个问题已经不需要担心了。最后一英里的问题跟基础设施相关。如果停车场或收费站能够完全限制行人进入,就可以创造无行人的环境,因为配备有激光装备的自动驾驶车辆监测到行人的时候会停下来,所以人不会受伤,但是可能会导致整个交通瘫痪。所以要改变风险回报的计算方式。我认为至少在经济允许的情况下,这会是未来的发展方向。

观众2: 

我不是很熟悉这个领域。但在我看来,其困难在于如何区分你想要避免的不同对象。所以我想知道我们是否可以使用一些车载设备来提供能够识别的信号,这样就能知道你在接近特定的车辆、行人或宠物。我们可以让每个设备都具有标准的发射信号,在路上行驶时打开它们。这种编码方式可以在全球范围内进行标准化,并且每种类似汽车的自动驾驶技术都能够识别相同的信号。另外,如果行人也可以带着类似的标准化装置,那就更安全了。

Louay Eldada 

是的,对象的分类对决策至关重要。要知道你看到的是一个人,一个漂浮的塑料袋还是一只松鼠,你会因此做出不同的决定。具有3D高分辨率的LiDAR是用于物体分类的最强大的传感器。如果你有两个形状相同的物体,其中一个是从高速公路上的卡车上掉下来的岩石,其中一个是塑料袋。通过查看高速图像帧,如果形状有变化,你就知道那可能是个塑料袋或者可以碾过去的东西;如果形状没有改变,这可能是个比较坚硬的物体,还是绕开比较好。这是决策过程的重要组成部分。

Nalin Gupta 

这很有趣,几乎是一种反向V2X。目前,当业内人士谈论V2X通信时,他们指的是通知乘客车辆即将到来,请小心。你所说的是反向通信,行人通知汽车他正在穿过马路。如果我们能够将其标准化,这的确是一个好主意。

Tao Wang

听上去很不错。现在,我们每个人都带着手机,它会不断发出一些标准化信息或无线电信号,但是目前还很难利用这种信号技术进行定位。不过即便有了这种技术,也要记住随时携带手机,否则就有可能被车撞到。

Louay Eldada

我想补充的是,这个过程中仍然需要用到常识,比如晚上不要穿深色衣服,尽量让人类司机和自动驾驶汽车看到你。

Alex Ren 

非常感谢各位的分享。

Robinly
Robinly

Robinly团队坐标硅谷,从创业、领导力和人工智能三个角度去剖析成功创业者、高科技领导者、人工智能科学家和知名投资人的职业养成过程和他们对于这些领域的观点,我们力求追本溯源,为广大工程师、研究者提供一手的职业学习内容。

http://www.robin.ly
专栏二维码
产业智能交通自动驾驶
2
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

激光雷达技术

自动驾驶车辆传感器的一种,采用激光扫描和测距来建立车辆周围环境的详细三维模型。Lidar 图像具有高度准确性,这使得它可以与摄像头、超声波探测器和雷达等常规传感器相提并论。然而激光传感器面临体积过大的问题,同时,它的机械结构非常复杂。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

自动驾驶汽车技术

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

Drive.ai机构

Drive.ai是一家总部位于加利福尼亚州山景城的美国科技公司,该公司使用人工智能为汽车制造自动驾驶系统。迄今为止,该公司已筹集了大约7700万美元的资金。

5G技术

第五代移动通信系统(5th generation mobile networks),简称5G,是4G系统后的延伸。美国时间2018年6月13日,圣地牙哥3GPP会议订下第一个国际5G标准。由于物理波段的限制,5G 的网络也将会与其他通信技术并用,包含长距离的其他传统电信波段。

Elon Musk人物

伊隆·马斯克(Elon Musk)是一名美籍和加籍企业家,出生于南非。作为SpaceX、特斯拉和PayPal的创始人而闻名。

所属机构
暂无评论
暂无评论~