每秒三万次控制、十几个神经网络：Skydio 把自主无人机讲透了

一架约两磅重的无人机，机身上装着6颗导航相机，每颗200度视场，上3颗下3颗，拼出完整球面视野。里面同时跑着十多个深度神经网络。最底层的电机控制回路每秒执行三万次，芯片在每个循环里只剩约200条指令的余量；最高层的任务决策，每秒只做一次。中间隔着四个数量级。

这是播客Cognitive Revolution第42期的内容，2023年7月4日上线，主持人Nathan Labenz采访了Skydio自主系统副总裁Hayk Martiros。Skydio是美国最大的无人机制造商，一家估值数十亿美元的独角兽，客户覆盖美军所有军种，刚完成2.3亿美元融资扩建工厂。这期节目把一台无人机从像素到电压的整条技术链拆开讲了一遍，信息密度非常高。

一栋房子里起步，八年做成美国最大

Hayk的履历有点绕。他出生在苏联解体后的亚美尼亚，7岁随家人搬到阿拉斯加费尔班克斯，父亲是研究地震的地震学家。本科在普林斯顿读机械工程，差点转去学音乐或建筑，后来成了系里“搞机器人软件的那个人”，再到斯坦福读硕士。

2015年前后，他在AngelList上联系上Skydio的CEO Adam Bry,对方在Skype上先考了他几道数学题。等他跑去面试，发现所谓办公室是阿瑟顿的一栋房子，三个创始人挤在里面干活。这三人曾在MIT导师指导下启动了Google X的Wing无人机项目，干了一年就辞职，理由很直接：造机器人必须是公司的核心业务，在一家靠搜索广告赚钱的公司里当副业，做不成。

Hayk被这个判断打动，加入后一待就是八年多。顺带一提，他还有个爆款副业：Riffusion,用Stable Diffusion生成频谱图再转成音乐的开源项目。Nathan打趣说，多数听众要是知道他，大概率是因为这个，而不是无人机。

Skydio最初只想做自主软件，很快发现行不通。要做出真正可靠的自主机器人，必须控制整个技术栈，从机械设计、航电振动，到相机、驱动芯片，再到上层软件。于是他们成了硬件公司，先做消费级产品：一台会自己避障、无GPS也能导航、能拍好莱坞式跟拍画面的无人机，拍滑雪、拍山地车。消费硬件是出了名的坑人生意，但他们活下来了，攒下几万名用户，也把“好飞、难摔”做成了口号。

如今的Skydio重心在企业和政府市场：电力设施巡检、测绘、消防警务和国防的态势感知。旗舰产品半小时续航、6公里作业半径。选摄像头放弃激光雷达的理由很实际：小型无人机对尺寸、成本、功耗极度敏感，而手机产业用十亿级出货量、上千亿美元投资，把摄像头做得又小又便宜又好，跟着这条供应链走最划算。

市场有多大？Hayk的判断是接近无限：全世界的输电塔、桥梁、大坝、道路、建筑，每家财富500强、每个国家都有海量资产。他上周回亚美尼亚，注意到全国每个角落都布满输电塔，和地球其他地方一模一样。

从每秒三万次到每秒一次：四个数量级的分层

Nathan把问题问得很具体：6路视频流进去，4个电机的转速出来，中间到底发生了什么？

Hayk给了一条经典控制理论的经验法则：系统运行频率每差一个数量级，就该拆成不同的层。外层每秒决策10次，内层每秒100次，外层不必关心内层的细节，动力学可以抽象掉。从三万赫兹到每秒一次，中间大约四层。

最内层是电机电流控制，每秒三万次，芯片每个循环只有约200条指令可用，离大语言模型十万八千里。往上依次是：转子转速、机身角速度与加速度、姿态、位置与速度、轨迹。四旋翼想横移必须先侧倾，所以每一层都环环相扣。

核心导航层是一套非线性优化，用二阶方法求解，每秒迭代500次，把旋翼气动、机身姿态、避障约束、用户高层指令放进同一个目标函数里一起权衡。为什么不能拆开算？Hayk举了个场景：一阵大风，同时无人机在下坡飞行，还要侧转躲一根细电线。解耦处理的话，气动需求先撞上电机功率极限，机身倾不下去，直接撞线。

深度网络负责机器最难的那部分。Skydio在2017年发表论文，成为第一家出货深度学习避障系统的公司，装在Skydio 2上。难点在于简单场景很快就解决了，难的是像素里信号不足的情况：白色无纹理的天花板和雾天的天空，在单个相机里几乎一样，必须结合周围所有相机的上下文，才能判断“那是天空，可以飞”还是“那是天花板，会撞”。逆光下的细树枝同理。这类问题，深度学习碾压手写规则。

SymForce:让只懂理论的学生写出生产级代码

Skydio把自研的SymForce开源了。这个库干三件事：符号计算、代码生成、非线性优化。

用法类似写PyTorch模型：工程师用Python写下数学表达式，比如旋翼气动模型、机械臂运动学，在符号层面做简化、求导、因式分解，完全不用考虑运行速度。写完之后，系统自动生成极快的运行时代码。Skydio的核心运动规划器就是这么来的：10万条指令、零分支、单个函数，复杂循环几十微秒跑完，全部在机载芯片上完成。

生成的代码本身是黑盒，没人读得懂10万行，但源头表达式可读、可测、可迭代。Hayk用赛车举例：要建模一辆遥控赛车，得写轮胎与地面的关系、油门到轮速的时间常数、方向盘转10度轮胎转几度，然后求导，再用C++手写高性能实现。过去这要求一个人同时精通理论、数值和底层编程，现在理论部分写表达式就行，剩下的自动生成。任何一个只懂理论的毕业生，都能产出无bug的生产级代码。

那哪些交给学习，哪些保留物理？Hayk的边界很清楚：确定的东西别学，重力就是F=ma,没必要让网络去猜；几乎确定的东西，比如轮胎磨损后的半径、无人机气动、随温度漂移的镜头参数，当作学习系统的初始猜测，让模型在误差范围内修正；至于从像素到决策这种根本无法参数化建模的过程，只能学。

还有一个容易被忽略的点：中间产物本身就有价值。3D地图不只用来避障，还要用来扫描、展示给用户、支持点击测距、生成巡检报告。端到端一把梭的方案，经常把这些东西弄丢了。

机库才是终局：从飞行玩具到洗衣机

Skydio内部有个概念叫“自主弧线”(Arc of Autonomy),描述人机分工的三段演进。第一阶段，人飞，但机器让它更容易更安全。第二阶段，整机自主，人只下指令。3D扫描是典型例子：用户圈定一个三维空间，选好参数，比如3米距离对应每像素1.2毫米，无人机报出“需要40分钟、两块电池、2000张照片”，然后自己飞完。过去这活需要既懂飞行又懂摄影测量的专家，现在普通员工看着就行。

第三阶段是机库(Dock):一个有电有网的箱子，无人机住在里面，可以装在变电站、油井或偏远大坝。站点地图预先建好，用户排个计划，每小时或每天自动起飞、拍照、上传云端，数据通过API直接对接建筑、采矿、保险等行业系统。Hayk的原话是：

要让它像装一台打印机复印机、买一辆皮卡或一台洗衣机那样可靠，它就是得把活干成。

这是进入电力这类慢行业的前提：专职飞手、黄马甲、安全帽、飞行前检查单，全部消失，无人机变成标准工具。定价逻辑随之改变，消费级1到2千美元，企业级几千到几万美元，越端到端越按解决问题的价值收费，无人机摔了换新的就行。

省下的钱有多夸张？Hayk给了两个例子：传统桥梁巡检用桥检车，封一条车道，把人吊在桥底，封桥车道每分钟的成本是天文数字；输电塔巡检靠直升机，油钱、训练、安全成本都高得离谱。Nathan算了笔账：1万美元装一套机库，一年5000个白昼小时，摊下来每次任务一美元级别。Hayk的回答是，成熟期没理由到不了，但从技术、产品到社会接受度，路还很长。他甚至描绘了机库即服务的图景：同一个机库，平时查铁塔，火灾时比消防车先到场，顺手给保险公司查个房。

垂直整合还是开放平台？Hayk说这是公司每周都在吵的问题，答案是两条腿走路。语言模型当胶水连接系统，他们会用也会开放API;3D重建是核心能力，环视相机和数据先验都是独有优势，自己做。但机库市场今天在全球没有任何规模化部署，连未来规模的零头都不到，靠生态等不来，必须自己做出杀手级应用，把行业亲手造出来。Nathan补了一个判断：这波AI浪潮里，现有赢家优势最大，挑战者得把十年硬件积累重做一遍，赢家可以直接往上叠新模型。高层语义层与底层控制分开，让模型理解图像和自然语言指令、输出高层命令，才是具身智能真正的机会。

还有一个工程细节：计算模块的功耗只占整机约10%,真正的代价藏在重量里。无人机效率取决于桨叶尺寸和电池占比，多5克都会影响性能，芯片要配散热，散热又添重量，层层放大。对比之下，汽车多几磅没人会在意。至于端侧还是云端，无人机所有核心功能都在机载运行，因为作业现场可能完全没网。未来新机型算力上来，蒸馏后的语言模型跑上无人机没有悬念，模型小型化的速度远超摩尔定律。

乌克兰战场、不武器化承诺与军备竞赛

节目最后聊到军事。全球无人机出货最大的是中国公司DJI,Skydio是美国最大，地缘政治让这个排名有了别样分量。Skydio的客户包括美军所有军种，也通过合作伙伴进入乌克兰，还派员工去乌克兰和波兰边境做培训。Nathan引用了一份报道：乌克兰每月损失约一万架无人机，主要死于电子战，最常见手段是GPS干扰和欺骗。

这正好撞上Skydio的强项：无GPS导航。在乌克兰，默认GPS不可用，要么被干扰要么被伪造，Skydio靠视觉定位照样飞。小型无人机比人命和大型国防装备便宜几个数量级，这种交换比正在改写战场。

但Hayk划了一条线。Skydio有一套公开原则，其中一条是不武器化无人机，产品专注相机和侦察。他们的无人机约两磅重，本来也驮不动什么。他的表态很明确：

出于很多原因，我基本反对武器化的自主系统。我们不会把无人机武器化，相机和侦察就是我们产品的核心。

他也承认，军备竞赛的逻辑很难躲：别人在做，你不得不做。这个立场在机器人和AI研究者中相当普遍，但现实不给人喘息。他刚回过亚美尼亚，在阿塞拜疆边境看到两侧的国旗，离开那个区域的第二天，当地发生了一次无人机袭击，阿塞拜疆用的是土耳其无人机。

Nathan还问了自动驾驶，因为Hayk的好友在Tesla Autopilot,另一位朋友创办了英国的端到端自动驾驶公司Wayve。Hayk的判断：FSD试乘体验确实惊艳，但那还是测试版，人随时要接管。真正的门槛是，你敢在后座睡觉吗？千分之一的撞车率你接受吗？恶劣天气、陌生路段、放错的建设标志，长尾里全是坑。这个门槛远不止比人强，得强出数量级才算数，因为每个司机都觉得自己高于平均，宁可自己撞，也不愿AI替他撞。

就业话题的讨论相对乐观。被替代的多是危险、极热极冷、偏远、繁重的工种，爬塔的人可以转去管理机队、设计任务、运营整个项目。仓库工人现在全球紧缺，无人机这行反而缺人。Nathan和Hayk都认同UBI的方向，但Hayk补了一句：历史上产业更替一次一次发生，社会都消化了；危险的是所有行业同时被颠覆、速度又快，财富不平等的风险巨大。

明天就能用的三件事

• 用“自主弧线”给机器人产品分级。看它停在哪一环：辅助人操作、整机自主、无人值守。宣传“全自动”的公司，问一句能不能定时任务、断网能不能跑，立刻现形。
• 借鉴“确定的不学，模糊的才学”这条边界。做AI工程时，已知的物理规律和业务规则写进结构或约束，别指望模型自己悟；不确定的参数给初始猜测加误差范围；只有真正无法建模的环节才交给端到端学习。
• 评估巡检类项目时，先算被替代方案的真实成本。封一条车道的每分钟开销、直升机巡线的油钱和保险、爬塔工人的风险溢价，把这些数字摆上桌，ROI不用讲故事。

最后记一笔Nathan的观察：他盘点节目开播以来的嘉宾，发现近一半出生在美国之外，约旦、俄罗斯、法国、埃及、印度、德国、以色列、中国、亚美尼亚，Hayk是其中之一。他希望美国保住这种开放，也打算去找更多美国之外的AI从业者上节目。一台无人机背后的分层架构可以拆解，一个行业的人才构成，同样是竞争力的一部分。