#就地避難在家鍛鍊寫作能力

軟體工程師系統設計面試準備指南

當你有了幾年的工作經驗以後，在找工作時一定會遇到系統設計的面試，有鑒於大部分的面試心得都是針對演算法以及資料結構的程式面試 (包括我之前寫的美國軟體工程師求職心得)，對於系統設計的準備資源還真的不多，本篇要來剖析系統設計面試，介紹面試的流程、正確的心態以及準備的方向，讓大家再也不怕系統設計面試！

Medium 好讀版：https://medium.com/jktech/%E8%BB%9F%E9%AB%94%E5%B7%A5%E7%A8%8B%E5%B8%AB%E7%B3%BB%E7%B5%B1%E8%A8%AD%E8%A8%88%E6%BA%96%E5%82%99%E6%8C%87%E5%8D%97-acf6ab1f502f?source=friends_link&sk=ca40acf60b749cb1b32c17a868b0c1a3

#為什麼系統設計很重要？

在程式面試表現優異，可以讓你順利拿到 Offer；但是系統設計會決定你加入公司的職等！這也就是為什麼有些人有十年經驗只能拿到 Mid-Level (L4) 的 Offer，而有些人只有五年經驗卻可以拿到資深工程師以上 (L5+) 的 Offer。

另外，如果你是面試 Staff 或是 Principal 級別以上的話，除了系統設計以外，有些公司還會有 Technical Leadership 的面試，來判斷你是否有能力可以跟不同的部門合作、解決問題的不確定性、帶領資淺的人然後推動並且完成一個跨部門的大型技術專案。

簡單來說，系統設計用來判斷你是 L4 或是 L5+，Technical Leadership 面試用來判斷是 L5 或是 L6+。

#為什麼系統設計很難準備？

大多數應徵者在準備的時候會過度偏重於程式面試，原因也不難理解，程式問題的定義很清楚，有給定的輸入以及預期的輸出，就算你真的想不出來，LeetCode 上的討論區也有參考答案；這種有考古題可以參考的面試，對於台灣教育出來的人來說相對好準備，隨著你解的問題多了，你也會更有信心，不知不覺甚至還會刷上癮了呢！但系統設計卻非如此。

系統設計面試的問題描述通常很模糊 (這是刻意的)，沒有給定的輸入與輸出，比較沒有既定規則可以遵循，然後也沒有一個標準答案，針對不同系統你需要提出不同的解法然後分析優缺點，一樣的問題，面試官也會針對你過去經驗往不同的方向問，有些問題你工作上沒有碰過還真的回答不出來，這也就是為什麼很多人看到系統面試就怕了。

#到底要怎麼準備？

首先我們要先建立一個觀念：沒有任何一個人可以知道所有的技術細節

不管你的面試官有多少年經驗，不管他們再怎麼資深，在變化快速的軟體產業，沒有人可以知道所有事情，一定有你知道而他們沒聽過的事情！

請把系統設計當成分享你過去所學的面試，這個面試的目的在於展示你對於軟體架構能力的廣度跟深度，你必須可以給出大方向的架構，知道有哪些元件 (廣度)，同時針對你熟悉的領域深入探討更多細節 (深度)，並且提出幾個解決方案，分析優缺點，並且針對系統需求選擇合適的解法。

大方承認自己對某些領域的細節不熟，也是完全沒問題的，只要讓面試官了解你知道這個東西，如果要深入了解的話你知道有哪些方向要努力，這樣就夠了，因為在大型的軟體專案裡，一定是高度分工的，不會有人同時精通手機端、前端、後端、Infra 以及嵌入式或是硬體的。

講到這裡，相信你也知道如果真的要準備是準備不完的，這些知識是透過平常工作以及閱讀技術文章長期累積的成果，比較沒辦法臨時抱佛腳。

#具體來說會問什麼問題

舉例來說，一個系統設計的問題會像是這樣：如何設計 Facebook?

這類問題的描述通常會很大而且模糊，面試官不預期而且你也不可能在 45 分鐘內就設計出這些公司花了好幾年這麼多人力設計出來的產品，所以第一步要做的事情是確認需求：是要設計動態牆、Messenger、廣告系統還是推薦系統？流量跟資料量為多少？需要支援全球的使用者嗎？

確認完需求以後，會針對最重要的幾個使用場景設計你的 Data model 以及 API，接著畫出大的系統架構圖，大致上會包含客戶端 (手機版/桌面版)、Load Balancer (Reverse Proxy)、App Servers 以及資料庫，接著可以針對細節下去討論，這邊開始就很自由了。

如果你是專精在資料庫，可以討論要用什麼資料庫以及資料要怎麼存可以讓特定使用場景的讀取以及寫入效能比較好，要怎麼做資料庫的 Replication 跟 Sharding 來服務更多的使用者？

如果講到快取，哪些地方可以加快取呢 (瀏覽器前端, CDN, App Server, 資料庫)？具體來說寫入快取有哪些方式以及優缺點 (write-through, write-around, write-back)？什麼時候要失效？要讓哪些資料失效？

如果聊到微服務器架構跟 Service Mesh，不同的服務怎麼跟其他的服務溝通? control plane 要怎麼更新 data plane 的設定？如果 control plane 掛了怎麼辦？要怎麼做 service discovery? 哪一種 Load Balancing 策略比較好 (round robin, random, least connection, ring hash, or maglev)？有些服務掛了影響到整個系統怎麼辦？什麼時候需要 circuit breaker ？

如果你是手機開發者，怎麼實現離線瀏覽？手機要有資料庫嗎？要怎麼以及多常跟伺服器同步？API 要怎麼設計？如何實現 Infinite Loading？剛 Po 文以後要怎麼樣在自己手機上馬上看到？

這些問題真的列舉不完，總之看到這裡你會了解為什麼我說這個面試是沒有範圍而且也準備不完的，重點應該放在跟面試官的討論，展現你在技術方面的廣度跟深度，讓面試結束的時候能夠有一個你們兩個人都同意的設計！

#準備材料

系統設計的資源比較分散，以下是我篩選過後覺得有用的資料，按照素材的類型作分類，也歡迎大家留言補充！

#入門影片

針對完全沒有概念的新手，我建議可以先從哈佛的 CS75 Lecture 9 Scalability 開始，裡面講到的很多基礎觀念都相當重要，值得一再複習，這些概念先有了以後再閱讀其他的材料會比較有感覺：

如果你看完這篇文章後還想再多了解系統面試的形式，也可以看一個前 Facebook 工程師分享的影片：

Distributed Systems in One Lesson 也很推，裡面提到不少業界在使用的設計模式：

有一個需要付費的資源是 SystemsExpert，每個影片會講解一個系統設計重要的概念，我個人覺得內容有點淺所以沒有買，但是整理地還算不錯，如果你看完他們免費的影片有興趣還是可以參考一下。

#閱讀文章

影片是一個讓你很好理解大方向概念的方式，但是如果你要深入理解背後的原理還有怎麼運作的細節，還是得透過大量以及深度的閱讀來吸收呀！

system design primer 整理了很多系統設計的資源，資料量很夠， 個人的建議是先快速過一遍，不要細讀，先知道總共有哪些元件，大概是做什麼用的就好，接著針對有興趣的部分在深入研究，建立自己的知識庫。

Grokking the System Design Interview 也是很多人推薦的材料，主要是針對系統設計的問題提供範例解答，他們的答案可以當作一個參考，但面試的時候不要完全照著回答，還是得看跟面試官討論的結果來進行，但這個是需要付費的，有興趣可以用我的推薦碼註冊購買。

如果你不想花錢或是不確定 Grokking 的文章你喜不喜歡，有一個類似的網站 Crack the System Design Interview 整理得也還不錯。

#書籍

唸書是一個有系統性學習的方法，如果你只想選一本書來看，就選這本大家都推的系統設計聖經 — Designing Data-Intensive Applications，簡稱 DDIA，這本書適合的對象是想要長期準備系統設計或是分散式系統的人，裡面舉的例子都是實際上業界遇到的問題，不會有以前讀教科書那種工作又用不到的感覺；但也因為是書，花了一些篇幅在講解背景知識，包含以前的系統是怎麼設計的以及如何演進到現在，對短期要準備面試的人效率會有點低，所以不適合有時間壓力的人。

這本書我目前讀了一半，最大的收獲是它解釋了很多為什麼現代的系統要做這樣的設計，我們針對不同的系統要求可以有哪些解法，這些解法各有什麼優缺點，總之分散式系統就是我們解決了一個問題，但又會產生更多要考量的點，一切都是 trade-off。

但這本書也不是沒有缺點的，首先我覺得是本書的英文沒有很好讀，我常常一段看了好幾遍才知道他想表達的重點是什麼，而且，有些很重要的觀念常常藏在一段文字裡用一句話帶過，但是不太重要的觀念卻使用 Bullet Point 表達；另外這本書話常常講一半，一些觀念提到了一點卻說我們後面再聊，也因為這樣，我在考慮要不要幫大家整理每一個章節的重點，翻成中文分享給大家，有興趣的朋友麻煩拍手留言告訴我！

除此之外，Google 的 SRE Books 內容也很實在，但是每一個章節的內容是獨立的，建議大家選擇想研究的章節跳著看就好。

最後，Distributed systems for fun and profit 的內容也很好，以分散式系統的理論為主，比較沒那麼針對系統設計面試。

#還想閱讀更多嗎？

我知道光是上面的資源就已經讀不完了，但是行有餘力的話，平時也可以多看看各大公司的技術部落格或是訂閱技術週刊如 TechBridge (台灣) 、HackerNews 以及 InfoQ 等等。

此外，參考別人的經驗也是很好的方式，最近剛好幾個朋友剛找完工作，他們分享的矽谷找資深工程師工作心得分享以及2020 上半年軟工找工經驗分享也都很值得看！

最後，在工作上使用到的技術，除了會用以外，最好也要花時間去研讀技術文件，了解他們設計的考量以及支援的場景，大部分這類型針對開發者的文件寫得會比較深入，所以也是相當好的學習素材；我自己過去一年因為工作上需要整合 Envoy 到我們公司的 Traffic Infrastructure，從他們的文件中學到很多 Service Mesh 跟微服務器的重要概念，學習的深度都是其他資源無法提供的。

#總結

這篇文章我們整理了很豐富的系統設計資源，希望大家不要被這滿滿的資訊量嚇跑。

請記得，我們永遠有各種方法在短期內針對面試做準備，提升面試的表現，但這都只是一時的，沒辦法讓你一夕之間就成為專家；如果想要追求長期的持續成長，那麼沒有捷徑 — 就是養成每天學習以及閱讀的習慣，一開始真的很難看到效果，但是當你持續一週、一個月甚至是一年以後，你會明顯感受到自己的成長，這些投入的時間都是騙不了人的。

如果這篇文章對你有幫助，請拍手留言加訂閱，並且分享給更多有需要的人知道！

Momenta完全無人駕駛首次曝光！城區道路混行無接管，遭遇逆行也不怕，特斯拉Waymo路線二合一

本文來源：量子位微信公眾號 QbitAI 作者：李根
…………………………………………………………
Momenta（現在）是一家怎樣的公司？
宏觀印象：學霸創業、中國無人車獨角獸、賓士母公司戴姆勒加持、自動駕駛第一梯隊玩家……
產品業務：高速場景方案產品、L4級自主泊車產品交貨、最高等級高精度地圖資質……
一千個維度有一千種答案，但也頗顯盲人摸象。
只是從今往後，Momenta的技術路徑開始完整清晰。
在通往自動駕駛實現大道上，之前有漸進式的特斯拉，也有一步到位的Waymo，天下方案，莫過於此。
而現在，Momenta集二者之所長，避二者之所短：
Tesla+Waymo，就是Momenta。

▌完全無人駕駛發佈
12月26日，Momenta對外正式發佈L4級無人駕駛技術MSD (Momenta Self Driving)，開始支持城市內完全無人駕駛場景。
如果說2019年來Momenta發佈的前裝量產產品Mpilot，更像是特斯拉方案。
那麼現在，MSD上馬，則顯出Waymo路線雄心。
萬萬沒想到，自動駕駛業內一度紛爭的兩種路線，如今讓Momenta實現二合一。
但MSD究竟是一套怎樣的方案？
區別於量產前裝方案，Momenta完全無人駕駛方案中最明顯不同在於多了雷射雷達。
在其測試車中，共搭載12個攝像頭，5個毫米波雷達和1個雷射雷達。整套系統感測器方案以攝像頭為主，雷射雷達為輔，多感測器冗餘。
而且Momenta強調，除去雷射雷達，方案中的硬體選型與前裝量產保持一致——這也是Momenta“兩條腿”向前的關鍵考量，後面還會詳細講到。
不過，說一千道一萬，無人駕駛——還得以身試乘看一看。
MSD方案的試乘，選在了Momenta（蘇州），地點毗鄰蘇州高鐵北站，屬城建頻繁區域，路線全程約12公里，沿途經過30餘個紅綠燈路口：
 既包括無保護左轉等典型場景，也有非機動車混行、立交橋下長路口等複雜路段。
 路線中還有多處工地，也有學校、居民區、寫字樓、商業中心等生活場景。
符合Momenta該方案目標所指：城市區間內，完全無人駕駛。
而且路段基礎設施也沒有過V2X改造，依然拼的是單車智慧實力。
車流交匯交互，也是最有意思的場景。MSD方案雖初發佈，但智慧程度已有老司機風範，在試乘的幾次交互場景中，有讓行、也有選擇先過，並不基於單一規則。
同車試乘的Momenta研發總監夏炎解釋，這能體現MSD在預測規劃方面的實力和學習能力。
不過整體試乘而言，因為城市區間不同高速場景（無人車混行）和停車場（低速），Momenta的AI司機給人的印象是：安全第一，寧慫不偏激。
比如在蘇州相城道路，會出現不規則的異型車——挑戰自動駕駛系統的感知識別。
其實從當天道路實際情況來看，系統完全可以“偏激”一些，讓路不減速通過。
但安全第一思考下，Momenta工程師打造的該系統，在交通中不確定性較大的情況下，先減速，甚至刹車，確保交互雙方的安全。
而且相比人類老司機，MSD雖初生牛犢，但也展現出不凡實力。
遭遇人類司機深為苦惱的大貨車時，既要對大貨車的載貨品類多樣、形態各異準確感知，還要對大貨車行為上的激進行為有應對：
MSD跟隨慢速行駛的大貨車一段時間後，“決定”變道超車，但在超車過程中仍保持對貨車一定的安全距離，通過接近路口的實白線後才拉大橫向距離超車，保證了超車過程中的安全性。

▌完全無人駕駛新速度
12公里左右里程，按道路交規限速行駛（40公里每小時為主），近40分鐘，歷經城區內各種場景——有臨時施工、有不規則車輛，還有逆行，但全程無接管。
這樣的完全自動駕駛能力，起步最早的穀歌用了近十年，百度從開始研發到落地也超過5年，一眾自動駕駛新勢力從無到有也走過了快3年……
雖然深度學習、大數據和大計算帶來的指數加速，已再明顯不過。
但得知Momenta的速度，依然讓人不可思議：
50人左右的團隊，5個月左右的時間。
沒錯，從今年下半年交貨量產自動駕駛產品後，Momenta才開始囤積重兵，依靠公司長期的技術和數據積累，以及量產自動駕駛和完全無人駕駛通用的平臺支持，開始攻堅完全無人駕駛。
至於能夠達到城區開放道路全程無接管，之前行業內最快的友商也差不多用時1年，且積累了至少十萬公里以上實際路測里程。
所以Momenta之速，背後究竟有“引擎”？
Momenta CEO曹旭東認為，與他們內部看問題的角度、方法和戰略選擇有關。
Momenta創辦，從一開始就明確目標，要打造自動駕駛大腦。
這並非傳統汽車產業內“換輪子”，而是行業開始AI化變革後，供應鏈環節中的新機會。
汽車產業鏈中：
 有最基礎的Tier1一級供應商，如博世、大陸，在系統層面、硬體層面提供產業支援。
 再往上則是OEM廠商，賓士、寶馬、豐田……即車廠。
 還有智慧化的基礎——計算晶片，如TI、NXP、瑞薩和英偉達。
 最後，核心新增的玩家，一方面是提供出行網路的滴滴Uber等，另一方面則是提供自動駕駛所需核心演算法和軟體的技術公司。
比如定位“自動駕駛大腦”的Momenta，就處於這一層。
但即便如此，如何實現完全自動駕駛，如何最高效擁抱未來，也沒有清晰明確的答案。
至少在打造自動駕駛大腦這件事上，特斯拉方案和Waymo路線一度不可調和。

▌兩個路線的爭論
所謂特斯拉路線，是按照自動駕駛等級的劃分，從低級往高級不斷升維，通過量產汽車對場景、數據和演算法的反覆運算，最終實現完全無人駕駛。
而且正是因為堅定量產路線，也為了最低門檻獲取數據、場景和功能回饋，偏執狂馬斯克完全依靠攝像頭方案、不使用價格昂貴的雷射雷達。
所以即便2019年發佈為完全自動駕駛而生的FSD硬體，外界也不相信馬斯克2020百萬RoboTaxi的豪言。
而Waymo路線，則認為只有從一開始L4才能實現RoboTaxi。該路線中，人機共駕的高級輔助駕駛被認為有天然Bug——既要機器輔助駕駛，又要人類在緊急時刻接管，顯然不靠譜。
於是Waymo從2009年正式推動後，逐漸明確了實現方式：
原型車、規模化路測、在豐富場景中不斷反覆運算，區域內落地，終極場景是讓無人車行駛運營在任何時間、任何地點和任何場景。
但Waymo路線中，最難的是無窮無盡的“長尾”問題，現實中總會有出乎預料的新場景、特殊挑戰，這就要求自動駕駛系統足夠聰明、且學習反覆運算得足夠快。
所以概括而言，二者優缺點都很明顯。
特斯拉方案：想依靠低成本感測器方案不斷升維，難且有道德挑戰；但好處是數據“眾包”，能在量產中獲得現金流和數據流程。
Waymo路線：希望一己之力不斷擴大無人車隊規模，最終真正實現完全落地，險且依賴融資燒錢；而好處是安全性相較而言更可控，不用把車主當小白鼠。
但如今Momenta之行動，所謂“兩條腿”戰略，卻實現了特斯拉和Waymo路線的二合一。
即，通過量產自動駕駛產品獲得海量數據，持續研發數據驅動的核心演算法，打造閉環自動化工程體系，發揮數據價值，高效反覆運算數據技術，最終實現完全無人駕駛。
同時，MSD的技術框架中不同感測器的感知演算法相互獨立冗余，並非完全依賴某一種感測器，因此目前量產感測器收集的數據，如視覺、地圖、軌跡數據等可以無縫應用並有效助力MSD演算法提升。
最終，一個數據流程和技術流的閉環搭建完成，量產自動駕駛和完全無人駕駛，真正互相補益。
但為何能打通？又為什麼是Momenta？
一切要從Momenta創立之初對自動駕駛的認知說起。

▌終局視角思考無人車
Momenta 2016年創辦，當時就分析過特斯拉模式和Waymo路線。
但並非為結合二者而生。
曹旭東回憶，從一開始就希望從本質出發、從終局角度思考問題。
Momenta的思考中，自動駕駛的終局，一定是L4級以上，不需要方向盤、不需要人類司機。
但要實現這個終局，結合深度學習為核心的AI新浪潮，兩大要素就格外關鍵：
 一是數據驅動。
 二為海量數據。
之所以要數據驅動，是因為完全無人駕駛中的長尾問題——幾乎是難以窮盡的。
唯一的可能性只有數據驅動，自動化解決大部分的問題，例如99%問題。
所以Momenta內部，“架構師”文化興盛，他們目標是架構能夠自動化解決問題的系統。
在當前系統中，Momenta的 “閉環自動化”方法論就已發揮作用，通過建立對問題自動化發現、記錄、標注、訓練、驗證的閉環過程，為技術和數據提供自動化的反覆運算能力。
而關於海量數據，這是數據驅動的原料和前提。
之前有粗略估計，實現完全無人駕駛，需要100萬輛車跑一年，每輛每天跑10小時以上。
如此海量數據，完全依靠自建車隊採集，幾乎不現實。
量產自動駕駛數據流程能夠助力完全無人駕駛，源自統一量產感測器方案。
MSD感測器方案包括視覺感測器、雷射雷達與毫米波雷達，均覆蓋360°範圍，該感測器方案子集與量產感測器方案保持一致。
所以理解了無人駕駛終局的兩大要素，或許也就不難明白Momenta此次談及的兩條腿戰略：
一條腿是量產自動駕駛；
另外一條是完全無人駕駛。
量產自動駕駛，人車共駕，以人為主，但解放人類在高速環路、停車場等場景下的駕駛時間，提升駕駛安全性及駕駛體驗。
而且通過量產自動駕駛，實現海量數據獲取——學特斯拉又超乎其外。
進一步，量產自動駕駛可以給完全無人駕駛帶來數據，通過數據驅動的方式，去自動化地解決99%的問題。
未來隨著量產產品上市，像 “活水”一般源源不斷注入MSD，推動MSD演算法不斷升級，使得完全無人駕駛系統不斷進化。
這是數據流程上的打通。
而通過完全無人駕駛，還能給量產自動駕駛回饋技術流，不斷提升體驗和能力，讓量產自動駕駛持續進步，提升行業份額。
當然，數據流程和技術流形成閉環，聽起來不算稀奇。
但真正實現這樣的戰略並不容易，關鍵是量產感測器方案的一致性、互補性，並在量產自動駕駛戰略中真正快速低成本交貨、落地。
這也是特斯拉和Waymo難以跨公司二合一的原因。
另外，作為創業公司，在數據流程和技術流閉環之外，靠融資燒錢顯然不可持續，必然還需要現金流。
所以Momenta創辦3年來，先在量產自動駕駛發力，實現數據流程和現金流方面的驗證，然後發力完全無人駕駛，同時著力於打通兩者之間的數據流程和技術流。
現在，完全無人駕駛方案發佈，數據流程和技術流的戰略雛形形成，現金流也能讓公司不受輿論和資本市場變化而左右。
曹旭東說， 目前Mpilot 和MSD的原型發佈，標誌著兩條腿的雛形期形成。預計到2019年-2024年，量產自動駕駛大規模上市，以及MSD真正的完全數據驅動，完全自動化，則是“兩條腿”戰略得到驗證的時刻，也是戰略的成型期。

▌道阻且長，行則將至
不過，也還沒到一腳定江山的時刻。
雛形初現，一切還只不過是開始。
更何況這樣的戰略完整披露，一方面會面臨質疑，另一方面也有被複製的風險。
但曹旭東並不擔心。他說：“戰略沒有優劣，戰略是選擇。這個戰略有其優點，也有難點和挑戰。我們在選擇戰略同時，也必須克服和解決其背後難點。我相信，戰略發佈後，看到的不是抄襲，更多的是爭議。在戰略執行時，遇到困難，可以選擇繼續走下去，也可以去選擇其他戰略，但我們選擇迎難而上。道阻且長，行則將至。”
按照Momenta的說法，執行層面主要面臨兩個維度的挑戰：包括技術難度和商業難度。
技術層面的難，例如數據流程的打通。曹旭東認為，行業主流都是以雷射雷達為主的技術解決方案，但Momenta是以統一量產感測器為主，需要打通量產自動駕駛到完全無人駕駛的數據流程，而他們在其中做了大量的技術創新。
在矽谷拜訪時，曹旭東也講到Momenta的戰略和已解決的技術難題，得到很多行業專家的認可和欣賞，因為Momenta在做原始的技術創新，而不是簡單的複製跟隨。
商業層面的難，包括如何深入行業、理解客戶，如何拓展能力邊界及更好的服務市場。
曹旭東進一步解釋：“To B是系統性的業務，面對的是一個組織，需要得到方方面面的認可。一線客戶都有很強的技術能力和很高的技術標準，需要經過非常嚴格的技術評測。而我們經過層層驗證，最後獲得了客戶的認可，進入了量產體系。”
Momenta也有相對長遠的完整時間表。
他們內部，認定2016年-2019年是戰略雛形期，2019年-2024年是戰略成型期。
然後2024年-2028年才是真正的戰略爆發期，那時候在完全自動駕駛“這條腿”上將加速趕上Waymo。
只是現在開始，自動駕駛“面壁者”Momenta，戰略意圖一覽無餘。

▌告別盲人摸象
作用力也才剛剛開始。
從Momenta自身來說，徹底告別被“盲人摸象”狀態。
高精度地圖供應商？高級輔助駕駛玩家？量產自動駕駛交貨……
都不準確。
大道至簡，Momenta（現在）是一家怎樣的公司？
Momenta = Tesla + Waymo。
而且這種結合帶來的新場景新技能，還可能不是線性相加。
或許也是聚變反應。
比如特斯拉一直是從車角度提供方案，Waymo則是運力技術維度……
但二者結合，就是完整軟硬體集合體，載人載貨，私家車共用車，都有了可能。
簡而言之，能做的更多，可以做的更多，新價值已經展現，新邊界也就要重勘。
自然還會進一步帶動行業新格局重塑。
自動駕駛發展中，特斯拉方案和Waymo路線，一次次被提起，一次次被模仿，一次次被對標。
這樣的新玩家新勢力，無論中美，都可以舉出很多。
但今日之Momenta，在理論上真正達到二合一，並且驗證了可行性。
於是，之前衡量自動駕駛的時間表，曾經理解Momenta的框架，可能是時候刷新了。
▌One more thing
雖然Momenta是中國自動駕駛的獨角獸，但作為Momenta的船長，曹旭東最關心的並不是公司的估值。
他認為商業世界一切有為法，一定離不開價值規律本身，估值並不需要過分關心。
他關心什麼？
作為CEO，他說核心還是人，組織的學習、進步和提升。
這位Momenta創始人，今年來自上而下改變了一件小事：不再把“創始人”放在對內對外的任何地方，僅以職務——CEO示人。
他解釋說，Momenta正在最大限度通過組織變革、文化塑造，形成合夥人文化。
合夥人不分加入先後，不論年齡資歷，核心關注的是技術、貢獻和志同道合。
他希望以此吸引最頂級的牛人，讓更多有識之士加速自動駕駛終局到來。
《道德經》裡說，夫唯不爭，故天下莫能與之爭。
但真正能邁步實踐者，少之又少。
如今，無人車獨角獸Momenta，宣示兩條腿，放下“自我”，立志要做推動終局實現的那個玩家。
這就是Momenta。