斯坦福博士休學蟄伏兩年，弄出了這輛叫板 Google和特斯拉的無人車
這是一輛藍色的林肯汽車，車頂有一塊 LED 屏，幾個黑色的圓柱形的東西圍繞在 LED 屏周圍，不停轉動。車頭前方也有一個黑色的凸起。在駕駛座旁邊是一個螢幕，上面顯示著藍色的密密麻麻的點和藍色的框，
我坐在這輛車上，在山景城兜了一圈。在這段 7.5 公里，20 分鐘左右的車程裡，我們經過了 16 個紅綠燈、經過了四向 STOP SIGN（停止標識） 路口，經過了紅色箭頭左轉路口等。
沒錯，我身旁的司機手並沒有放在方向盤上，腳也離開了油門和刹車。車頂的相機、雷射雷達和雷達是汽車的眼睛，
這就是我們此前報導過的創業公司 Drive.ai研發的自動駕駛汽車。這家神秘的自動駕駛汽車公司成立不到兩年，但這已經是它的第四代車輛。我也有幸成為了它第一個外部乘客。機器人司機表現得非常的自然，比我以往坐過的自動駕駛汽車更像“人類”，
“雖然看起來很簡單，但其中有一些很難的地方。”陪我一起體驗的工程師說。比如某一個左轉路口是左轉箭頭綠燈亮起才能走，而要讓汽車明白在這個特定的路口前行綠燈和左轉箭頭綠燈的差別，並不容易。“剛開始汽車是搞不明白的。
當然，這輛車也還有很多可以做的更好的地方，比如加減速的處理如何更平穩、怎麼做到紅燈合理右轉以及無無保護左轉等。但是整體來說，已經是很不錯的駕駛體驗。
聯合創始人兼 CEO Sameep Tandon 告訴我們，目前他們的車隊已經具備 L4 級別（部分狀況下的完全自動駕駛）的自動駕駛水準，接下來他們希望和更多的合作夥伴進行合作，把他們的軟硬體解決方案帶到商務車隊上去。
自動駕駛汽車公司這麼多，Drive.ai 有什麼不同？
在採訪中，幾位聯合創始人一再強調，Drive.ai 是一個“深度學習技術為先”的公司。這也就意味著他們採用的技術和 Waymo（原Google 無人駕駛車部門）、特斯拉等都不太一樣，他們用的是深度學習技術來打造自動駕駛系統。
這意味著什麼？
在自動駕駛領域，基本可以分成兩個流派：一個是採用經典機器人方向，是基於規則的（rule-base） 的。工程師會為每個場景都寫好固定的代碼，來告訴機器人應該怎麼去做。這樣的結果是，如果新的場景出現、又沒有對應代碼的話，那麼機器很可能就不知道怎麼應對。這就嚴重限制了它的可拓展性。
舉一個例子，Waymo 的自動駕駛汽車，在從總部山景城擴展到奧斯丁的時候，僅僅因為山景城的紅綠燈是豎向的，而奧斯丁的則是橫向，就沒有辦法順利識別紅綠燈，而不得不讓程式師重新去寫程式“教”它。
另外一個現在更受歡迎、包括 Drive.ai 也選擇的方向，是基於深度學習技術。深度學習可以類比大腦識別機制，對於非結構化資料（比如圖像語音等）進項更好的識別、判斷和分類，讓演算法可以從資料和訓練中得到學習。這樣就像人腦一樣，只需要工程師通過類似的場景不斷對機器進行訓練，它就能自己學會做出判斷，這樣即使在全新的場景裡，車子也知道如何處理，更有利於適應和擴展。
比如，同樣是在識別紅綠燈的時候，rule-base 的自動駕駛汽車會需要在高精度地圖上特別標注出所有紅綠燈、讓機器固定看到那個方向；但是深度學習演算法可以直接從相機裡識別紅綠燈的顏色，所以車輛就可以自己看懂紅綠燈，以及整個路口的行車情況，以此來決定是否前行了。
Sameep Tandon 說，隨著深度學習的優勢被意識到，越來越很多公司都號稱自己的技術是基於深度學習基礎，但是事實上很少有人真正做到這點。“我們所有的技術，比如地圖、移動規劃、決策全部都是基於深度學習的。我們是用深度學習來設計我們的整個系統，這和其他公司走經典機器人方向、只是把深度學習當做一個補充部分，這有很大不同。”他說。
Drive.ai 的另外一個創始人 Tao Wang 說，自動駕駛的難點之一自動駕駛產生的資料量是極大的，在收集到自動駕駛資料之後，怎麼使用成為 了關鍵。第一步要做的事情就是標記它們，才能讓演算法引擎得到訓練。一個小時自動駕駛產生的資料，即使是在大互聯網公司裡，也需要 800 個小時的人工來去標記它。
Drive.ai 他們自己打造了一個定制化的資料標記工具，可以不斷優化整個資料工作流程，進行高品質的資料分類。他們使用深度學習來讓同一個任務可以同時進行多個分類，把輸出結果整合到一起後，就可以產生高品質的標記。他們現在資料標記的速度已經是大公司的 20 倍，這也就意味著可以有更多資料可以“喂”給演算法引擎學習，從而讓汽車可以快速處理新的道路、學習新的使用場景，隨著訓練資料的增加而持續提高性能。
Tao Wang 說，Drive.ai 的深度學習系統甚至比專門的人類標注者都更準確。有一次演算法顯示某個燈是紅燈，但是專門的標注員回憶說是綠燈，結果他們專程查看了一下資料後，發現真的是紅燈。“這也表明演算法可以被訓練得比人類更聰明。無論是決策，路線規劃還是定位都可以做得很好。”
有一次，他們的車看到了路上有一隻狗狗滑滑板，標注員很震驚地和工程師說，“請問這個要怎麼分類？”然而汽車還是能正常的行駛。深度學習關鍵就在於不需要識別每一樣東西，而是知道怎麼樣是安全的駕駛，然後自己做出決策。
另外一個很重要的部分是，Drive.ai 打造了一個模擬器，可以模擬生成各種場景，比如自行車車搶道等，檢查學習引擎怎麼處理這些情況。這個模擬器是 7*24 小時運轉，所以相當於他們的車一直在虛擬世界的道路上進行各種測試。而在真實世界裡，作為最早拿到加州自動駕駛汽車上路測試許可證的創業公司之一，Drive.ai 也已經讓自家無人車在山景城的城區上路測試9個月了，沒有任何的事故發生。
還有一個關鍵點在於，基於深度學習的自動駕駛系統可以擺脫對於昂貴硬體的依賴。和特斯拉與 Waymo 的“天價”定制感測器不同， Drive.ai 使用的是商業化的低成本硬體，包括雷射雷達、雷達和相機，深度學習系統會同步所有的感測器資料，來基於這些資訊作出最明智的決策，避免單個噪點導致的誤判。這樣即使其中一個失靈了，別的也可以正常工作。
正是感測器的冗餘設計，才讓他們完成了雨夜開車的成就 —— 即使雨水把相機給擋住了，但是其他的感測器讓汽車仍然能安全進行自動駕駛。
由於感測器會將資訊傳遞給他們軟體系統的人工智慧神經網路，這些神經網路系統可以在普通計算硬體上運行，所以這讓他們的解決方案成本大大降低。
“我們的改裝方案並不貴，而且可以適應各類汽車，無論是汽車，貨車，卡車，或者是高爾夫車都行。可以在一周之內，就登陸一個新的汽車平臺。而且由於我們在為機器應用打造規模化神經網路方面的專長，我們可以只需要其他自動駕駛汽車的計算資源的一部分，就可讓自動駕駛汽車運行。每台車需要的處理器資源差不多是一台臺式電腦的30%而已。”Sameep Tandon 說。
大部分的自動駕駛汽車都需要精確到釐米的高精度地圖，來進行感知，搞清楚汽車開向哪裡，這樣做的結果就是會需要持續地更新高精度地圖，非常昂貴而且很危險。而深度學習讓 Drive.ai 的自動駕駛汽車可以比較地圖上的物體和真實的環境，像是車道、人行道這類東西，所以即使環境改變了，汽車也能適應。
斯坦福整個人工智慧實驗室成員跑來創業為什麼 Drive.ai 可以做到這一點？這還要從他們團隊的成員背景開始說。雖然Drive.ai 公司才成立不到兩年，但是早在四五年前，這個團隊的創始人們就已經在斯坦福的人工智慧實驗室，開始了怎麼把深度學習系統規模化的研究。
沒錯，團隊核心成員都來自于深度學習界鼎鼎大名的吳恩達的實驗室。兩年前，由於發現了深度學習在無人駕駛上的機會，實驗室的 6 個人全都從博士專案中暫停，一起成立了這家公司。所以，在一些公司有一兩位深度學習方面的專才就很稀罕的時候，這個團隊可以說把斯坦福的人工智慧實驗室都搬空了……
“自動駕駛是非常難的，如果只是某一個人的話，都很難做好，所以我們決定大家一起做好了。”聯合創始人兼 CEO Sameep Tandon 說。“我們那時就和很多汽車公司都聊過，發現我們有這麼棒的技術，等不及畢業了。”
Tandon說，團隊在從很早的時候就開始做非常基礎的研究，比如資料標注等，是最棒的深度學習團隊之一。當他們還在斯坦福的時候，就曾經打造過世界上最大的神經網路。當時 Google 用1000 台機器在他們 Google 大腦項目裡做了一個實驗，結果他們只用 了16 GPU 機器就複現了這個效果，只花了十分之一的成本。所以Tandon 很有底氣的說，他不知道其他號稱深度學習的公司都有些什麼核心技術，但是他們絕對是世界上最好的深度學習團隊之一。
在低調研發了兩年後，Drive.ai 現在認為自家在 L4 級別無人駕駛的研究上已經到了一定的階段，希望能夠進一步尋找合作夥伴，把他們的技術帶到更多汽車上去。聯合創始人 Carol Reiley 告訴我們，Drive.ai 和 OEM 商們關係很親密，也希望獲得汽車製造商們的支持。“我們不造車和感測器，我們只是提供一個解決方案。現在希望先從商務車隊開始合作，包括包裹運送、食物運送、零售等可以。我們希望和合作夥伴們一起先做到 L4 的程度，提高定位準確性，一起收集資料，然後不斷向外拓展，最終會再向消費者層級的 L5 級進發。”
“深度學習作為人工智慧的一種領先方法，可以教機器如何像人類一樣思考，這就是無人駕駛的關鍵。在這個基礎上，打造一個可以擴展的、適用廣泛、安全的平臺，就是我們做的事。我們相信，無論是從安全性還是到效率方面，自動駕駛會整個顛覆交通系統。”Sameep Tandon說。
Drive.ai 有什麼不同？在採訪中，幾位聯合創始人一再強調，Drive.ai 是一個“深度學習技術為先”的公司。這也就意味著他們採用的技術和 Waymo（原Google 無人駕駛車部門）、特斯拉等都不太一樣，他們用的是深度學習技術來打造自動駕駛系統。
這意味著什麼？
在自動駕駛領域，基本可以分成兩個流派：一個是採用經典機器人方向，是基於規則的（rule-base） 的。工程師會為每個場景都寫好固定的代碼，來告訴機器人應該怎麼去做。這樣的結果是，如果新的場景出現、又沒有對應代碼的話，那麼機器很可能就不知道怎麼應對。這就嚴重限制了它的可拓展性。
舉一個例子，Waymo 的自動駕駛汽車，在從總部山景城擴展到奧斯丁的時候，僅僅因為山景城的紅綠燈是豎向的，而奧斯丁的則是橫向，就沒有辦法順利識別紅綠燈，而不得不讓程式師重新去寫程式“教”它。
另外一個現在更受歡迎、包括 Drive.ai 也選擇的方向，是基於深度學習技術。深度學習可以類比大腦識別機制，對於非結構化資料（比如圖像語音等）進項更好的識別、判斷和分類，讓演算法可以從資料和訓練中得到學習。這樣就像人腦一樣，只需要工程師通過類似的場景不斷對機器進行訓練，它就能自己學會做出判斷，這樣即使在全新的場景裡，車子也知道如何處理，更有利於適應和擴展。
比如，同樣是在識別紅綠燈的時候，rule-base 的自動駕駛汽車會需要在高精度地圖上特別標注出所有紅綠燈、讓機器固定看到那個方向；但是深度學習演算法可以直接從相機裡識別紅綠燈的顏色，所以車輛就可以自己看懂紅綠燈，以及整個路口的行車情況，以此來決定是否前行了。
Sameep Tandon 說，隨著深度學習的優勢被意識到，越來越很多公司都號稱自己的技術是基於深度學習基礎，但是事實上很少有人真正做到這點。“我們所有的技術，比如地圖、移動規劃、決策全部都是基於深度學習的。我們是用深度學習來設計我們的整個系統，這和其他公司走經典機器人方向、只是把深度學習當做一個補充部分，這有很大不同。”他說。
Drive.ai 的另外一個創始人 Tao Wang 說，自動駕駛的難點之一自動駕駛產生的資料量是極大的，在收集到自動駕駛資料之後，怎麼使用成為 了關鍵。第一步要做的事情就是標記它們，才能讓演算法引擎得到訓練。一個小時自動駕駛產生的資料，即使是在大互聯網公司裡，也需要 800 個小時的人工來去標記它。
Drive.ai 他們自己打造了一個定制化的資料標記工具，可以不斷優化整個資料工作流程，進行高品質的資料分類。他們使用深度學習來讓同一個任務可以同時進行多個分類，把輸出結果整合到一起後，就可以產生高品質的標記。他們現在資料標記的速度已經是大公司的 20 倍，這也就意味著可以有更多資料可以“喂”給演算法引擎學習，從而讓汽車可以快速處理新的道路、學習新的使用場景，隨著訓練資料的增加而持續提高性能。
Tao Wang 說，Drive.ai 的深度學習系統甚至比專門的人類標注者都更準確。有一次演算法顯示某個燈是紅燈，但是專門的標注員回憶說是綠燈，結果他們專程查看了一下資料後，發現真的是紅燈。“這也表明演算法可以被訓練得比人類更聰明。無論是決策，路線規劃還是定位都可以做得很好。”
有一次，他們的車看到了路上有一隻狗狗滑滑板，標注員很震驚地和工程師說，“請問這個要怎麼分類？”然而汽車還是能正常的行駛。深度學習關鍵就在於不需要識別每一樣東西，而是知道怎麼樣是安全的駕駛，然後自己做出決策。
另外一個很重要的部分是，Drive.ai 打造了一個模擬器，可以模擬生成各種場景，比如自行車車搶道等，檢查學習引擎怎麼處理這些情況。這個模擬器是 7*24 小時運轉，所以相當於他們的車一直在虛擬世界的道路上進行各種測試。而在真實世界裡，作為最早拿到加州自動駕駛汽車上路測試許可證的創業公司之一，Drive.ai 也已經讓自家無人車在山景城的城區上路測試9個月了，沒有任何的事故發生。
還有一個關鍵點在於，基於深度學習的自動駕駛系統可以擺脫對於昂貴硬體的依賴。和特斯拉與 Waymo 的“天價”定制感測器不同， Drive.ai 使用的是商業化的低成本硬體，包括雷射雷達、雷達和相機，深度學習系統會同步所有的感測器資料，來基於這些資訊作出最明智的決策，避免單個噪點導致的誤判。這樣即使其中一個失靈了，別的也可以正常工作。
正是感測器的冗餘設計，才讓他們完成了雨夜開車的成就 —— 即使雨水把相機給擋住了，但是其他的感測器讓汽車仍然能安全進行自動駕駛。
由於感測器會將資訊傳遞給他們軟體系統的人工智慧神經網路，這些神經網路系統可以在普通計算硬體上運行，所以這讓他們的解決方案成本大大降低。
“我們的改裝方案並不貴，而且可以適應各類汽車，無論是汽車，貨車，卡車，或者是高爾夫車都行。可以在一周之內，就登陸一個新的汽車平臺。而且由於我們在為機器應用打造規模化神經網路方面的專長，我們可以只需要其他自動駕駛汽車的計算資源的一部分，就可讓自動駕駛汽車運行。每台車需要的處理器資源差不多是一台臺式電腦的30%而已。”Sameep Tandon 說。
大部分的自動駕駛汽車都需要精確到釐米的高精度地圖，來進行感知，搞清楚汽車開向哪裡，這樣做的結果就是會需要持續地更新高精度地圖，非常昂貴而且很危險。而深度學習讓 Drive.ai 的自動駕駛汽車可以比較地圖上的物體和真實的環境，像是車道、人行道這類東西，所以即使環境改變了，汽車也能適應。
斯坦福整個人工智慧實驗室成員跑來創業為什麼 Drive.ai 可以做到這一點？這還要從他們團隊的成員背景開始說。雖然Drive.ai 公司才成立不到兩年，但是早在四五年前，這個團隊的創始人們就已經在斯坦福的人工智慧實驗室，開始了怎麼把深度學習系統規模化的研究。
沒錯，團隊核心成員都來自于深度學習界鼎鼎大名的吳恩達的實驗室。兩年前，由於發現了深度學習在無人駕駛上的機會，實驗室的 6 個人全都從博士專案中暫停，一起成立了這家公司。所以，在一些公司有一兩位深度學習方面的專才就很稀罕的時候，這個團隊可以說把斯坦福的人工智慧實驗室都搬空了……
“自動駕駛是非常難的，如果只是某一個人的話，都很難做好，所以我們決定大家一起做好了。”聯合創始人兼 CEO Sameep Tandon 說。“我們那時就和很多汽車公司都聊過，發現我們有這麼棒的技術，等不及畢業了。”
Tandon說，團隊在從很早的時候就開始做非常基礎的研究，比如資料標注等，是最棒的深度學習團隊之一。當他們還在斯坦福的時候，就曾經打造過世界上最大的神經網路。當時 Google 用1000 台機器在他們 Google 大腦項目裡做了一個實驗，結果他們只用 了16 GPU 機器就複現了這個效果，只花了十分之一的成本。所以Tandon 很有底氣的說，他不知道其他號稱深度學習的公司都有些什麼核心技術，但是他們絕對是世界上最好的深度學習團隊之一。
在低調研發了兩年後，Drive.ai 現在認為自家在 L4 級別無人駕駛的研究上已經到了一定的階段，希望能夠進一步尋找合作夥伴，把他們的技術帶到更多汽車上去。聯合創始人 Carol Reiley 告訴我們，Drive.ai 和 OEM 商們關係很親密，也希望獲得汽車製造商們的支持。“我們不造車和感測器，我們只是提供一個解決方案。現在希望先從商務車隊開始合作，包括包裹運送、食物運送、零售等可以。我們希望和合作夥伴們一起先做到 L4 的程度，提高定位準確性，一起收集資料，然後不斷向外拓展，最終會再向消費者層級的 L5 級進發。”
“深度學習作為人工智慧的一種領先方法，可以教機器如何像人類一樣思考，這就是無人駕駛的關鍵。在這個基礎上，打造一個可以擴展的、適用廣泛、安全的平臺，就是我們做的事。我們相信，無論是從安全性還是到效率方面，自動駕駛會整個顛覆交通系統。”Sameep Tandon說。