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， 隨著汽車的行駛， 螢幕上的點和線也在不斷的刷新。 在副駕上座位邊上， 還配備著一個小型滅火器。
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。 大部分時間裡， 整個體驗都很舒服， 只有偶爾略覺突然的加速減速， 和司機旁邊顯示幕上科幻感極強的畫面， 在提醒我這是一輛無人駕駛車。
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， 而車廂後的電腦是汽車的大腦， 一套基於深度學習的演算法把我從路邊接了上去， 又把我送回到停車場。
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，
“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。 我們就收集了一些這樣的路口資料來對它進行訓練， 它才學會。 ”
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。
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。