Drive.ai探索比特斯拉還高兩級的自動駕駛技術

李莉

從深度學習的角度探索無人駕駛，為商業車隊提供后裝套件。

在自動駕駛領域的眾多玩家中，大眾耳熟能詳的入局者無非是國外的谷歌、國內的百度。而就在今年上半年，一家硅谷的初創公司Drive.ai在短短數月得到多次曝光。

一是因為2月份Drive.ai發布了一段長約四分鐘的視頻，視屏中，測試汽車在雨夜中穿行過美國加利福尼亞山景城（芒廷維尤）的街道，全程駕駛員的雙手并沒有碰觸方向盤，也沒有做出任何干預動作。這段視頻流出后，Drive.ai得到了一次大曝光，開始進入大眾視野。

再次大面積曝光是在3月份，全球頂尖的人工智能專家吳恩達離職百度，宣布結束自己首席科學家的任期，外界很多傳言稱這位大神有可能加入Drive.ai，一個重要的原因是吳恩達的妻子卡羅·萊利（Carol Reiley）是這家公司的創始人之一。

時隔三個月后，創業邦采訪了Drive.ai的聯合創始人王弢，聊了聊他和Drive.ai背后的故事，以及Drive.ai在自動駕駛領域的競爭格局和發展愿景。

始于一個簡單的想法

王弢屬于話不多的那類人，基本上對每個問題都是簡明扼要地作答。他說自己是一個沒有特點的人。王弢初中便在新加坡了，很順利地念完了高中和大學，可以說他從小就是那個老師眼中的好學生，家長心中的好孩子。而在斯坦福大學念書一直是王弢的夢想，他努力、堅持，最終如愿以償，順利進入了斯坦福大學攻讀研究生。自小到大，他似乎就是按照既定的軌跡一路走來。

但是，王弢在斯坦福讀博士期間，人生出現了岔路口。一邊是自己從小的夢想，另一邊是需要休學來換取的創業機會，當時的王弢毫不猶豫地選擇了創業，讓自己暫緩博士畢業。“在斯坦福讀博士確實是我的一個夢想，但創業的機會是人這一生可遇不可求的。”王弢說。

創業對王弢而言可以說是一種必然。早在2013年，他和在斯坦福一起學習的伙伴們就開始醞釀出來建立一個公司，把科研成果帶到實際應用中來。那時他們已經形成了一個團隊，各自分工，久而久之，團隊成員之間彼此形成默契，這也為后來創業省去了團隊磨合需要的時間。

2015年4月，他們集體創辦了Drive.ai這家深度學習公司，公司共有7個聯合創始人。除吳恩達的妻子之外，大部分創始團隊成員都來自斯坦福大學人工智能實驗室吳恩達教授的團隊。團隊主要研究的課題是深度學習與自動駕駛認知，而王弢的主攻方向是計算機視覺認知在自動駕駛方面的應用。

王弢有一個簡單的想法，希望通過自動駕駛從根本上改變出行方式，解決目前因交通導致的事故、效率等問題。不過他也坦言，自動駕駛對他而言雖然是一項很有吸引力的工作，但面臨著巨大的技術挑戰。

自動駕駛L4級：充滿挑戰又極其性感

王弢說Drive.ai是直面第4級（L4）的自動駕駛，從深度學習的角度來探索無人駕駛，為商業車隊提供包括傳感器組、控制系統和車內外交互界面在內的后裝套件。這套服務工具包對車輛本身的限制很小，普通汽車用后即可變成無人車，也可以很容易地把它從一輛車轉移到另一輛車上。“車的接口做一些工作即可。”王弢說。

在今年2月份的時候，一段測試汽車在雨夜穿行的4分鐘視頻，為Drive.ai這家公司揭開了神秘的面紗。

可以說，雨夜行駛對無人駕駛技術而言極具挑戰性，其對傳感器的影響非常大。比如激光雷達，受雨水的影響，激光光速散射，駕駛員會看不到地面上的車道線。

Drive.ai嘗試從深度學習的角度解決這些問題。實際上，幾乎所有進入自動駕駛領域的公司都在使用深度學習技術，但不同于大多數公司將深度學習只用在自動駕駛技術的某個組件上，Drive.ai從整體出發，看得更全面：他們不但讓深度學習在決策和感知上協助自動駕駛汽車，還想“教”它汽車交通規則和常識來確保車輛的安全。

王弢認為自動駕駛是一個系統工程，深度學習在認知和決策上大有可為，汽車本身的車輛控制系統如方向盤踩剎車、油門等業界已被研究得很深，可以拿來直接使用。

感知方面，深度學習的應用是類似于識別攝像頭畫面中的行人這樣的任務。Drive.ai后裝套件中的傳感器包括9個攝像頭、2個雷達和6個激光雷達。每一臺Drive.ai的車都在不斷為生成地圖而捕捉數據，并把數據送入深度學習系統，當然數據也用戶駕駛任務本身。

“這樣的組合可以在某一傳感器出現錯誤或故障的情況下提供一定冗余度，譬如攝像頭和雷達可以在雨雪霧等極端天氣中為精度嚴重下降的激光雷達提供環境感知，避免災難性結果出現。”王弢說。

一個小細節是，Drive.ai所使用的傳感器基本上是市場上已經成熟的傳感器，不像定制的傳感器那樣，一旦其中的一個傳感器出故障就會影響整個系統的運作，這也就避免了前面提到的傳感器失靈，形成了一種保護。王弢說，這是他們根據“深度學習第一”的理念所作的決定，可以讓團隊把主要精力花在深度學習算法上，“通過軟件的進展來整合已存在的硬件傳感器而達到目標”。

決策方面，Drive.ai使用的是基于非規則學習的深度學習網絡模型。這樣的網絡模型優勢明顯，它可以更好地即時理解數據并解決新的和罕見的情況，并且能夠基于路面狀況作出復雜的決策，例如是否超車、變道等等，就像AlphaGo，基于對方的動作決定自己的下一步棋如何走。

目前Drive.ai共有5輛車進行路測。去年4月，Drive.ai成為第13家獲批在加州進行自動駕駛汽車路測的公司。

當然，底層技術終歸是底層技術，現實應用又是另外一回事。自動駕駛行業的競爭對于創業者而言，猶如一場激烈的戰爭，巨大的挑戰——技術、政策、人類不規則行為等——是所有參與者都必須要面臨的。

這樣的競爭格局下，已經占有先機的Drive.ai唯有在執行速度上夠快，才能跑在行業的前面。而對于王弢本人，一個能讓人暫放夢想去做的事情，無疑是件令人興奮而又性感的事。

無疑，自2006年加拿大多倫多大學教授、機器學習領域的泰斗Geoffrey Hinton提出“深度學習”這一概念后，語音和視覺識別的準確率得到了大幅提升，人工智能也進入到了第三個發展高峰期。

但同時，我們對于深度學習知之甚少，目前業界對其存在的一個最大疑慮就是“黑箱問題”。簡單來說，深度學習識別模式的過程發生在神經網絡上所運行的算法之中，這個數據輸入再輸出并決策的過程，我們看不見摸不著，根本不知道當中發生了什么，所以即便是系統作出了錯誤的決策，我們也并不能確切地知道這個錯誤決策是怎么出現的。

Drive.ai將這一過程分解成幾個部分，然后分別對其應用深度學習技術，每部分都能用不同的方法來驗證，這樣相對而言讓人比較放心。

隨著技術的推進，除了不停地在現實或者模擬器當中進行驗證，積累大量的測試數據來證明深度學習的可靠性外，王弢告訴創業邦（微信搜索：ichuangyebang），他們還在嘗試深度學習系統內部結構的研究，在內部抓取一些特征，以更好地了解深度學習內部的運作機制。“通過這些研究，深度學習的‘黑箱可能會逐漸變成一個‘灰箱，甚至‘白箱也不無可能。”

全世界每年因為交通事故死亡的人數接近125萬，相當于全球每天約有3500人因交通事故死亡，絕大多數的交通事故是人為造成，而自動駕駛的到來能使交通事故率降低90%，順帶還可以解決交通擁堵問題。但自動駕駛的終態卻不能一蹴而就，因為它面臨的不僅有巨大的技術挑戰，政策、大眾接受程度等也同樣考驗著這個行業。

“回過頭來講，市面上能見到的L2級帶有輔助駕駛技術的車輛，離‘聰明一說著實還有點遠，更別說L5級什么時候到來。”王弢說，“我想什么時候我們能坐著無人車上下班、接送孩子上下學的時候，真正的無人駕駛也就到來了吧。”