對話輕舟智航于騫：從自動駕駛走向物理 AI

對主機廠來說沒有什么比賣車更重要的事。

文丨魏冰

兩次見到于騫，他都因為剛剛見完客戶，穿著成套西裝。隨和、秩序感是他很容易留給人的第一印象。

于騫本碩就讀于清華大學(xué)計算機系，后赴美國南加州大學(xué)攻讀博士。畢業(yè)后先后加入 Google 和 Waymo，從事機器學(xué)習(xí)相關(guān)研發(fā)。清華、美國博士、海外大廠，這是一條典型的技術(shù)精英路徑。

2018 年，他離開 Waymo 回到中國創(chuàng)業(yè)，理由是 “當(dāng)時中國大部分自動駕駛公司做得不夠好”。

對技術(shù)的信仰和對現(xiàn)實的務(wù)實，在他身上同時存在。他相信無人駕駛最終會實現(xiàn)，甚至認(rèn)真討論 “是不是能讓機器人開車”；但他反復(fù)提到成本、效率、組織規(guī)模，以及在有限算力下如何把能力做出來。別的自動駕駛公司兩三千人，輕舟只有 600 多人。別人堆更高算力，他想在最極限的算力下做出更好的體驗。

輕舟智航此前不在行業(yè)最顯眼的位置。2024 年他們在地平線 J5 芯片上實現(xiàn)了高速 NOA，并在理想車型上量產(chǎn)；2025 年基于地平線的 J6M 芯片實現(xiàn)城市 NOA。這兩件事當(dāng)時都不被看好——J5 被認(rèn)為只能做基礎(chǔ)功能，J6M 也難以支撐城市場景。但輕舟實現(xiàn)了，還把 J6M 的體驗做到對標(biāo) Orin X 的水平。

3 月 23 日，輕舟智航完成 1 億美元 D 輪融資。于騫說，自動駕駛正處在一個分水嶺。輕舟接下來會把更多精力放在 L4 和更通用的物理 AI 上，同時加快海外布局。

自動駕駛是一條需要長期投入、也充滿不確定性的路。于騫從上學(xué)到創(chuàng)業(yè)，一直在做自動駕駛，他說，“如果一輩子只做一件事，能把自動駕駛這件事真正做成，是一件挺幸福的事”。

把一顆 128 TOPS 的芯片做到極致

晚點：輕舟成立至今已經(jīng) 7 年，這些年你闖過最大的難關(guān)是什么？

于騫：2024 年底就挺難的，我們給主機廠的智駕項目交付后體驗非常好，但產(chǎn)品就是賣不動。主機廠當(dāng)時認(rèn)為對銷量沒有幫助，這種感覺挺痛苦的。當(dāng)你覺得產(chǎn)品做的很好，又有很強的市場需求，但市場遲遲不爆發(fā)，絕望是很強烈的。

晚點：后來怎么熬過去的？

于騫：我比較感謝比亞迪，2025 年 1 月，比亞迪提出 “智駕平權(quán)”，把主機廠引爆了。我們在 2025 年底實現(xiàn)了這件事——我們用比亞迪天神之眼 C 同樣的 128 TOPS 的算力做出了城市 NOA 。

晚點：你們用的是什么算力方案？

于騫：和比亞迪一樣——地平線 J6M。這也是我們今年首推的一個方案，我們在體驗上做到對標(biāo)甚至超過英偉達的 Orin X，2025 年 4 月發(fā)布，2026 年 1 月在理想汽車上量產(chǎn)。

對主機廠來說，1000 塊錢都是一個很大的成本項，比如整車的座椅按摩系統(tǒng)，加起來可能也就幾百塊錢。

晚點：為什么你們能在單 J6M 上做到城市 NOA，為什么別人做不到，甚至地平線自己一開始也沒做到？

于騫：因為我們是第一個識別出來的，第一個把它做到大規(guī)模量產(chǎn)。

晚點：什么是 “識別”？

于騫：當(dāng)別人都認(rèn)為 J6M 只能做到高速的時候，我們已經(jīng)判斷出來這款芯片能做到城市功能。這種識別能力還是基于我們底層對這款芯片的了解，基于我們對技術(shù)的判斷和我們優(yōu)化的能力。

第一個識別出來的人是有難度的，你識別出來，才能做出來，大家才能做出來。

晚點：在單 J6M 跑出了城區(qū)智駕，余凱（地平線創(chuàng)始人）是什么反應(yīng)？

于騫：我猜他可能受到了不小的震動（笑）。他們后來也跟進了。

不過最早地平線的方案是用雙 J6M 來做城市。但我一開始就判斷，多 SOC（芯片）的方案很難成功，我們選擇用一顆 J6M 來跑，最后成功了。

我們從過去的歷史能看到：3J3、雙 J5、J3+TDA4，五花八門的多芯片方案沒有一個大規(guī)模成功的。復(fù)雜度高、成本高，而且算力不是線性疊加，兩顆芯片不等于兩倍性能，可能只有 1.5 倍。同時芯片迭代很快，到下一顆芯片的時候，就會有新的制程和方案出來，多顆芯片的效果不一定比一顆好。

我現(xiàn)在還是這個判斷，多 SOC 的系統(tǒng)很難成功。

晚點：你說輕舟在單 J6M 上做出了 Orin X 的體驗，這結(jié)論其他人認(rèn)嗎？

于騫：如果他們愿意認(rèn)真評估的話。比如我們的合作方某頭部主機廠就很清楚。有各種測試數(shù)據(jù)支持，主機廠也會特別詳細的比較，行車、泊車、主動安全都會比較的，最后會發(fā)現(xiàn)我們的技術(shù)分就是非常好。

我們在一兩百 TOPS 的算力水平上做到了極致，這個產(chǎn)品后面一定會大放異彩。

晚點：你們是怎么做到的？

于騫：說實話，我覺得做 Orin X 的那些人不夠努力（笑）。

我們開始也沒想到體驗?zāi)茏龅眠@么好，到 2025 年年底客戶實測時，才發(fā)現(xiàn)整體體驗明顯超過對標(biāo)方案。到 2026 年 1 月，我們在幾個客戶那測評了后發(fā)現(xiàn)體驗超了 Orin X、Orin Y 。

我們首先在 J6M 實現(xiàn)了無圖和端到端。最早我們在 J5 上連無圖都做不到，因為它對 Transformer 支持不好，我們在 J6 上做了 Transformer 架構(gòu)，才追齊了無圖和端到端。

但要想實現(xiàn) L4，這個算力還是不夠，所以我們今年也會量產(chǎn)更高算力（500TOPS ）的方案。我們 2025 年下半年開始加入強化學(xué)習(xí)，因為它需要世界模型做的比較好，需要有更多軌跡的監(jiān)督以及更大規(guī)模的優(yōu)質(zhì)數(shù)據(jù)監(jiān)督，這點我們到 2025 年下半年才開始有一些體驗，我們要爭取 2026 年把它搞出來。

晚點：你很自信。但現(xiàn)實是，主機廠要么自研，要么有深度綁定的智駕供應(yīng)商，比如長城和元戎、一汽和卓馭、吉利和千里。這種格局下，你們判斷自己還有多大的空間？

于騫：我們 2023 年拿下理想的訂單，之前大部分人也不相信我們能拿下。其實就靠產(chǎn)品和體驗，沒有別的。我們沒和理想的人吃過一頓飯、喝過一頓酒，他們不間斷地來看產(chǎn)品體驗，大概有一百多人次。每一次來看，都能看到明顯的進步。

客戶關(guān)系只是敲門磚，再好也只是暫時。主機廠賣車承受很大 C 端競爭壓力，如果產(chǎn)品體驗不好，親爹親媽也沒用。

算法不會被長期壟斷，真正拉開差距的是工程

晚點：現(xiàn)在很多自動駕駛公司在 2000 人甚至更多，你怎么看？

于騫：我希望團隊更高效、更精簡、更聚焦。

晚點：我們采訪過沈劭劼，卓馭也擅長在中低算力下跑出高性能。你覺得你和他們的能力模型有何不同？

于騫：對，卓馭也很擅長 “識別”。

但我們跟其他家的一個差別是大家的標(biāo)準(zhǔn)不同。我們看了 TDA4 的方案，哪怕最早的 VM（Vision Model），后面的 VH（Vision + High），目前沒有任何一個體驗?zāi)芨覀?J6M 的體驗接近的。 如果只是為了實現(xiàn)功能，降低安全性和穩(wěn)定性，算力可以更低；但如果要做到完整、可用且安全的體驗，128 TOPS 是一個相對合理的基準(zhǔn)線。

晚點：如果追求安全和體驗，為什么不直接用 Orin 開發(fā)，你們在 2022 年選擇了地平線 J5 芯片，當(dāng)業(yè)內(nèi)普遍認(rèn)為 J5 是一個在算力和帶寬上有限制的產(chǎn)品。

于騫： 本質(zhì)還是看中了國產(chǎn)化的確定性。我們判斷，國產(chǎn)芯片在國內(nèi)一定會有機會。在那個階段，行業(yè)里絕大多數(shù) L4 公司幾乎清一色用的是英偉達方案，我們自己也用過雙 Orin X，也登上過 GTC。

如果選 Orin，就要和所有主機廠在同一資源池里競爭。我一直覺得創(chuàng)業(yè)要選 “窄門”，去競爭不那么激烈、但確定性更強的地方。國產(chǎn)化選擇很少，但方向確定，表面看是一條更 “窄” 的路，反而更容易形成競爭力。我們也擅長用相對有限的資源做出好的體驗，這個選擇當(dāng)時是對的。

2022 年我們看了很多家國產(chǎn)芯片，各家都做過比較深入的研究和對比。綜合判斷之后，我們最終選擇了地平線。我們最早選擇 J5 的時候，我們當(dāng)然清楚它的問題，但當(dāng)時更重要的一點在于：我們選擇的不是一顆芯片，而是一套國產(chǎn)化生態(tài)。

晚點：那當(dāng)時為什么不選擇更低算力的 J2、J3，或者 TI 的 TDA4？

于騫：我們做過很多工作。J2、J3 基本做不了 OTA，那是上一代的東西。但我們做自動駕駛，從長期目標(biāo)來看，是要奔著完全無人駕駛?cè)サ摹Ｈ绻B OTA 都做不了、數(shù)據(jù)也回傳不了，那就是 “一錘子買賣”，這樣的量再大，我們也不會做。

晚點：在開發(fā) J5 方案的過程中，學(xué)習(xí)到了什么？

于騫：J5 的限制非常多。它的帶寬不夠，對 Transformer 支持也不好，CPU 能力弱。我們幾乎是針對每一個限制點都單獨做了優(yōu)化。比如，既然 J5 不擅長 Transformer，我們就專門為它設(shè)計了一套 backbone，也就是主干網(wǎng)絡(luò)，盡量采用它更適合的卷積結(jié)構(gòu)；帶寬不夠，就改網(wǎng)絡(luò)結(jié)構(gòu)，降低傳輸壓力；CPU 弱，就做大量系統(tǒng)優(yōu)化和異步處理?；久恳粋€瓶頸我們都單獨想辦法解決，最后終于把高速 NOA 跑出來了，但就到這為止了。

晚點：輕舟有沒有形成一套自己的方法論？

于騫：第一是盡量把事情一次做對。

這點我們是從 Waymo 學(xué)到的。做 J5 時，很多公司會先沿用原有方案，再往 BEV 過渡；但我們當(dāng)時判斷，J5 可以直接把 BEV 做到量產(chǎn)，所以一開始就走了這條路，最后也做成了。那個階段做 J5 的公司不少，但真正做成的不多。很多團隊什么都想選、什么都想優(yōu)化，最后反而什么都沒做好。

第二，是把自動駕駛當(dāng)成工程問題，而不只是算法問題。背后其實是一整套工程體系，包括開發(fā)、驗證和迭代流程。

晚點：很多智駕從業(yè)者會提到從規(guī)則時代切換到數(shù)據(jù)時代的艱難，你們經(jīng)歷過嗎？

于騫：我們相對沒那么痛苦，因為我們很早就相信機器學(xué)習(xí)是最核心的。剛開始做智駕時，我們已經(jīng)把感知做成模型了。我當(dāng)時判斷，所有非數(shù)據(jù)驅(qū)動、非機器學(xué)習(xí)的部分都會越來越少，直到消失。

所以我們很早就開始做仿真，甚至一度被外界看成一家仿真公司。因為在我看來，自動駕駛不管算法怎么演進，最后都繞不過驗證。

但仿真這件事非常難。車上跑的是一整套復(fù)雜的實時系統(tǒng)，里面有 GPU、CPU，還有各種控制單元；云端不可能把這套硬件原樣復(fù)刻，所以仿真本質(zhì)上是另一套系統(tǒng)，更像車端的 “鏡像”。它不需要實時運行，但結(jié)果必須和車端一致。否則你在云端驗證通過的東西，上車就可能不成立。這里面最難的是一致性和可復(fù)制性。

這也是為什么我一直覺得，自動駕駛真正的瓶頸，不只是模型本身，而是你有沒有能力搭出一套有效的驗證體系?，F(xiàn)在很多頭部主機廠，仿真其實做得一塌糊涂。

我經(jīng)常舉一個例子：AI 能在圍棋上打敗李世石，為什么自動駕駛到今天還這么難？因為圍棋可以在虛擬環(huán)境里無限對局，但自動駕駛要在真實道路上跑。誰能把仿真做好，誰就能把大量真實道路測試搬到虛擬環(huán)境里做，大幅加快技術(shù)迭代。大家都在講 VLA、VLM，但我覺得更本質(zhì)的是世界模型。世界模型本質(zhì)上是把仿真再往前推很多步：在虛擬世界里構(gòu)造一個盡可能接近真實物理世界的環(huán)境。

一旦這件事成立，自動駕駛會出現(xiàn)一次非常陡峭的能力躍升。很多原來必須在路上完成的測試，都可以轉(zhuǎn)到虛擬環(huán)境里。這件事的重要性，比今天很多人討論的模型形態(tài)都要大。

如果這一層真的突破，自動駕駛會進入一個完全不同的階段。

自動駕駛會先于更復(fù)雜的具身場景，成為世界模型落地的入口

晚點：你現(xiàn)在最大的 bet （判斷）是什么？

于騫：我堅信 “世界模型 + 強化學(xué)習(xí)” 是未來。

晚點：特斯拉是強化學(xué)習(xí)嗎？

于騫：我敢把這句話放在這，現(xiàn)在沒有一家公司能真正做到純強化學(xué)習(xí)，特斯拉也做不到。我認(rèn)為特斯拉現(xiàn)在還是很多模仿學(xué)習(xí)，不是純強化學(xué)習(xí)。

晚點：你怎么定義世界模型？和業(yè)界提到的有什么不同？

于騫：我說的世界模型，不是在車端跑一個更大的模型，而是在云端搭建一個足夠接近真實世界的虛擬環(huán)境，讓模型能在里面運行、驗證和迭代。

它和業(yè)界說的世界模型，尤其是李飛飛所說的那種更完整的物理世界模型，不太一樣。后者要處理更完整的空間、因果和物理交互，上限更高，可以解決更普遍的問題，但代價也非常高。

自動駕駛面對的，其實是一個被簡化過的物理世界。它不需要處理那么多復(fù)雜交互，比如碰撞、摩擦、溫度。所以我覺得，世界模型會先在自動駕駛里落地。如果四個輪的機器人都搞不定，你去搞那些非結(jié)構(gòu)化的場景更難。

我覺得自動駕駛通向未來物理世界很重要的一個入口，這個入口必須要解決掉。

晚點：很多具身公司 CEO 會認(rèn)為，他們直接做機器人也可以解決這個 “入口”。

于騫：我覺得還差很遠。人類學(xué)習(xí)很多能力，依賴的是在物理世界里不斷試錯，尤其是強化學(xué)習(xí)意義上的試錯。小朋友學(xué)走路，都是摔很多次才學(xué)會的，它是一個在失敗中學(xué)習(xí)的過程。但機器人沒有這么多低成本失敗的機會。機器人如果在物理世界里反復(fù)摔，摔十次，本體可能就壞了。

晚點：也有人質(zhì)疑自動駕駛里的 “世界模型”，認(rèn)為端側(cè)根本不需要那么大的模型。

于騫： 我覺得現(xiàn)在很多人說的 “端側(cè)世界模型”，更多是個噱頭。本質(zhì)上，它只是一個更強的預(yù)測模型，僅此而已，我不認(rèn)為那是最重要的。

真正重要的世界模型在云端，作用是訓(xùn)練和驗證，你可以把它理解成新的訓(xùn)練基礎(chǔ)設(shè)施，不是直接搬到車上跑，也不是簡單蒸餾到車端。更準(zhǔn)確地說，云端世界模型是訓(xùn)練車端模型的一種方法，它提供了一個更高效的訓(xùn)練環(huán)境，讓你能更快訓(xùn)練出更好的端側(cè)模型。車端最后只會保留其中一部分能力，比如一個簡化版的短時預(yù)測能力，去預(yù)測未來幾秒鐘的情況，比如 3 秒、5 秒。

真正的云端世界模型，是對物理世界規(guī)律更完整的理解。它可以持續(xù)運行，生成很長時間尺度的連續(xù)序列。給它一段視頻輸入，再加上方向盤、剎車、油門這些控制信號，它就可以在虛擬物理世界里持續(xù) “漫游” 下去，不斷生成后續(xù)狀態(tài)，這是連續(xù)的、開放的。但車端沒必要做這件事，車端只需要關(guān)心未來幾秒鐘。

晚點：訓(xùn)練強大的云端世界模型，通常需要海量數(shù)據(jù)。你們怎么高效獲得這些數(shù)據(jù)？

于騫：是，而且這種 “海量” 比普通感知模型要求更高，因為它學(xué)的是一個動態(tài)世界。

對我們來說，肯定是要找出最優(yōu)的效率最高的方式。因為是建立了一個新的生產(chǎn)環(huán)境，如果這個生產(chǎn)環(huán)境比你去物理世界采集數(shù)據(jù)還貴，那就沒有意義了。早期其實有很多方法，比如先把 3D 世界完整建模、生成、再篩掉不合理的部分。這樣也能生成很真實的物理環(huán)境，但成本甚至比路測還高。

所以我們的目標(biāo)，不只是把環(huán)境生成出來，而是更高效地生成，同時盡量減少那些不真實的數(shù)據(jù)和毛刺數(shù)據(jù)。

晚點：我感覺你看技術(shù)，帶著很強的系統(tǒng)工程視角，同時有很強的成本意識。

于騫：是，這方面我們受谷歌影響很深。團隊里很多人來自谷歌和 Waymo，所以在軟件工程上，有一套比較完整的方法。

只要涉及到物理世界，就不是單純比算法。算法更新太快了，沒有誰能永遠領(lǐng)先；真正決定差距的，是你能不能更快把算法變成產(chǎn)品能力，能不能在更小算力的平臺上把體驗做出來。

所以自動駕駛拼到最后，拼的不是某一個模型，而是一整套工程體系：開發(fā)怎么做，驗證怎么做，迭代怎么做，部署怎么做。谷歌過去在軟件工程上沉淀了很多 “最佳實踐”，后來基本都成了行業(yè)共識?，F(xiàn)階段全世界最好的工程實踐一大半是谷歌來推動實現(xiàn)的。

晚點：下一個你們要挑戰(zhàn)的高峰是什么？

于騫：我們今年會量產(chǎn)一套 500 TOPS 以上的方案。這套方案的目標(biāo)，是把城市 NOA 的體驗做到接近 L4——不是 L4，但非常接近。

算力不是線性增長的，100、200、300、400 TOPS，這種提升用戶是感知不到明顯差異的。新方案一定要帶來代際級的體驗躍升。如果只是比現(xiàn)在好 20%、30%，是沒有必要重新做一套方案的。我們內(nèi)部的判斷是：成本可能增加 50%，但體驗至少要提升一倍甚至更多，這件事才有意義。

這個行業(yè)是往上走的，不是往下走的。去年大家在做高速 NOA，今年是城市 NOA，明年就是 500TOPS 的城市 NOA，會非常接近 L4 體驗。做不到，就會被淘汰。

我們希望把這套能力放到 10 萬到 20 萬的車上，讓普通用戶也能用到現(xiàn)在高端車才有的體驗。我相信我們的價值很快會被大家認(rèn)識到，今年就會看到 “地大華魔” 的排名有變化。

“創(chuàng)始人雄心”

晚點：你和王興都是清華 97 級的，你們在學(xué)校的時候認(rèn)識嗎？

于騫：我們應(yīng)該同時住過新生樓，但不認(rèn)識。

我上的清華計算機系。大學(xué)期間我在人人網(wǎng)打過工，后來慢慢發(fā)現(xiàn)，相比掙錢，做研究、琢磨問題對我來說更有吸引力。

晚點：一個很典型的 “學(xué)霸路徑”，本碩清華、出國深造、進海外大廠，再回國創(chuàng)業(yè)。

于騫：我最開始其實特別想走學(xué)術(shù)路線，碩士進了清華的人工智能重點實驗室，后來去美國讀博士，我是想當(dāng)老師的，只不過當(dāng)時終身教職特別難找（笑）。

晚點：什么時候意識到自己應(yīng)該創(chuàng)業(yè)？

于騫：我 2012 年的時候就想回國創(chuàng)業(yè)，那時候商湯還沒有成立，我看了好多都是做安防的，覺得挺沒勁的，所以又回美國打工了。

真正決定出來是在 2018 年。當(dāng)時我在 Waymo ，感覺他們節(jié)奏太慢了，后來我也理解，它做的是一件 “徒手攀巖” 的事情，慢是合理的；但我覺得這件事在中國能更快實現(xiàn)。

我本來還挺希望代表 Waymo 外派回中國，但后來 Waymo 的中國計劃沒有真正成立，我多少也有點失落。所以索性出來創(chuàng)業(yè)做一家公司吧。

還有一個原因是，我在清華讀碩士最開始就在移動機器人組，做的就是清華移動機器人五型車，本質(zhì)上也是自動駕駛，所以這條線我其實兜兜轉(zhuǎn)轉(zhuǎn)走了很多年。我內(nèi)心中覺得如果一輩子做一件事，能夠把這件事做成，挺幸福的。

晚點：所以你當(dāng)時創(chuàng)業(yè)是想比 Waymo 更快實現(xiàn) L4？

于騫： 我覺得至少在中國，這件事可以更快實現(xiàn)。

而且我當(dāng)時跟國內(nèi)很多自動駕駛公司都聊過，就覺得很多人的理解其實還不到位。這個東西你一問就知道。比如仿真怎么做、測試怎么做、驗證體系怎么建，很多公司其實沒有真正想清楚，有些甚至幾乎沒有形成系統(tǒng)性的認(rèn)識。

晚點：為什么 Waymo 可以一直堅持 L4，而中國所有本來做 L4 的公司都會轉(zhuǎn)向 “沿途下蛋” 的漸進式路線？

于騫：我覺得來自創(chuàng)始人雄心。Waymo 當(dāng)時有很多 Founders’ Challenge，就是 Sergey 和 Larry（Google 聯(lián)合創(chuàng)始人） 給團隊提出的挑戰(zhàn)。當(dāng)時 Sergey 經(jīng)常跟我們一起開會，我感覺他們對這個事是非常堅信的。

像 Cruise，規(guī)模已經(jīng)很大，但一次事故就可能讓公司走到終局。它本身也有很多問題，包括研發(fā)問題、團隊理念不一致等；更重要的是，背后缺少像谷歌創(chuàng)始人那種雄心壯志：不管有任何的理由挑戰(zhàn)，必須把這事做成。

國內(nèi)很多公司的一把手是不相信的。大概 2020 年左右，我和一位國內(nèi)科技公司 CEO 面對面聊過，他當(dāng)時覺得這件事投入無底洞，根本就做不出來。當(dāng)然我覺得他在不同時間也會有不同的變化。

很多人講第一性原理，好像 “兩點之間最短”，就一定要直接去做 L4，不然就是偏離使命、背離信仰。但我不這么看。如果一條路徑在現(xiàn)實中走不通，那反而會變成一個長期沒有回報的投入。對我們來說，更重要的是找到一條可以逐步落地、不斷驗證的路徑。

晚點：既然開始做了這么苦的 2B 生意，還會有心力去攀那個最高的山峰嗎？

于騫：我覺得我們是技術(shù)狂熱，現(xiàn)實務(wù)實。

這種苦對我們來說，其實也是一種磨煉。沒有經(jīng)歷過這么苦的生意，你后面很多事情是做不成的。我一直相信技術(shù)能改變世界，但如果你的技術(shù)跟不上這個時代，吃再多苦也沒有意義——搬磚也很苦。

我們不是為了去打那個最亮的技術(shù)點，不是為了證明自己在技術(shù)上最耀眼。說到底，這件事很簡單：我要幫主機廠把車賣好。

晚點：你是什么時候變得這么務(wù)實的？

于騫： 對車廠來說，還有什么比賣車更重要的事情嗎？

有一次活動上，大家拿李斌開玩笑，說你最近很忙啊，忙著賣車去了吧。李斌就回了一句：對啊，還有什么是比賣車更難的事？

題圖來源：輕舟智航