在自动驾驶的众多玩家中，大众耳熟能详的入局者无非是国外的谷歌，国内的百度。而就在今年上半年，一家硅谷的初创公司Drive.ai在短短数月得到多次曝光。

一是因为2月份Drive.ai发布了一段常约四分钟的视频，视屏中测试汽车在雨夜中穿行过美国加利福尼亚山景城的街道，全程驾驶员的双手并没有碰触方向盘，且没有任何干预动作。这段视频流出后，让Drive.ai得到一次大曝光，这家公司开始进入大众视野。

再次大面积曝光是在3月份，全球顶尖的人工智能专家吴恩达离职百度，宣布结束自己首席科学家的任期，外界很多传言称这位大神有可能加入Drive.ai，一个重要的原因是吴恩达的妻子卡罗·莱利（Carol Reiley）是这家公司的创始人之一。

时隔三个月后，邦哥采访了Drive.ai的联合创始人王弢，聊了聊他和Drive.ai背后的故事以及Drive.ai在自动驾驶领域的竞争格局和发展愿景。

一个简单的想法

王弢属于话不多的那类人，基本上每个问题都是简明扼要作答。

他说自己是一个没有特点的人，初中便开始在新加坡了，很顺利地念完高中和大学，可以说王弢从小就是那个老师眼中的好学生，家长心中的好孩子。而能在斯坦福大学念书，一直是王弢的梦想，他努力、坚持，最终如愿以偿，王弢顺利进入了斯坦福大学攻读研究生。自小到大，一路走来，他似乎按照既定的轨迹来走的。

但是，王弢在斯坦福读博士期间，人生出现了岔路口，一边是自己从小的梦想，另一边是需要休学来换取创业的机会，当时的王弢毫不犹豫地选择了创业，让自己暂缓博士毕业。“在斯坦福读博士确实是我的一个梦想，但创业的机会是人这一生可遇不可求的”，王弢很坚定地告诉邦哥。

创业对王弢而言可以说是一种必然，早在2013年，斯坦福一起学习的伙伴们就开始酝酿出来建立一个公司，把科研成果带到实际应用中来。那时起他们已经形成了一个团队，各自分工，久而久之，团队成员之间彼此形成默契，这也为后来创业省去了团队之间磨合需要的时间。

Drive.ai团队成员

2015年4月，他们便集体出来创办Drive.ai这家深度学习公司，公司共有7个联合创始人。除吴恩达的妻子之外，大部分创始团队成员都来自斯坦福大学人工智能实验室吴恩达教授的团队。团队主要研究的课题是深度学习与自动驾驶认知，而王弢的主攻方向是计算机视觉认知在自动驾驶方面的应用。

一个简单的想法，王弢说希望通过自动驾驶从根本上改变出行方式，解决目前交通带来的事故、效率等问题。不过他也坦言，自动驾驶对他而言虽然是一项很有吸引力的工作，但面临巨大的技术挑战。

自动驾驶L4级：充满挑战而又极其性感

为更好的区分不同层级的自动驾驶技术，美国汽车工程师学会（SAE International）于2014年发布了自动驾驶的六级分类体系，美国国家公路交通安全管理局（NHTSA）原本自己的一套分类体系，但在2016年9月转化为使用SAE的分类标准。

SAE标准将自动驾驶技术分为0级、1级、2级、3级、4级、5级，共六个级别，如图所示：

图片来源于网络

目前日常使用的大多数汽车处于0级和1级之间，特斯拉公司正在销售的Autopilot辅助驾驶技术属于第2级。

王弢说Drive.ai是直面第4级（L4）的自动驾驶，从深度学习的角度来探索无人驾驶，为商业车队提供包括传感器组、控制系统和车内外交互界面在内的后装套件。这套服务工具包对车辆本身的限制很小（也即普通汽车用后即可变成无人车），可以很容易把它从一辆车转移到另一辆车上。“车的接口做一些工作即可”，王弢告诉邦哥。

可以说，雨夜行驶对无人驾驶技术而言极具挑战，其对传感器的影响非常大，比如激光雷达，受雨水的影响，激光光速散射，驾驶员将看不到地面上的车道线。

Drive.ai尝试从深度学习的角度，解决这些问题。但同时，几乎所有参与进来的公司都在使用深度学习技术，不同于大多数公司将深度学习只用在自动驾驶技术的某个组件上，Drive.ai从整体出发，看的更全面：不但让深度学在决策和感知上协助自动驾驶汽车，他们还想“教给”这些汽车交通规则和常识，来确保车辆的安全。

王弢认为自动驾驶是一个系统工程，深度学习在认知和决策上大有可为，汽车本身的车辆控制如方向盘踩刹车、油门等业界已研究很深，可以拿来直接使用。

感知方面，深度学习的应用是类似于识别摄像头画面中的行人这样的任务。Drive.ai后装套件中的传感器包括9个摄像头、2雷达和6激光雷达。每一台Drive.ai的车辆都在不断为生成地图而捕捉数据，并把数据送入深度学习系统，当然数据也用户驾驶任务本身。

“这样的组合可以在某一传感器出现错误或故障的情况下提供一定冗余度，譬如摄像头和雷达可以在雨雪雾等极端天气中精度严重下降的激光雷达提供环境感知，避免灾难性结果出现，”王弢向邦哥解释道。

一个小细节，Drive.ai所使用的传感器基本上是市场上已经成熟的传感器，不像定制的传感器那样，一旦其中的一个传感器出故障将会影响整个系统的运作，这也为上述所讲的传感器失灵形成了一种保护。王弢说，这是他们根据深度学习第一的哲学做的决定，可以让团队把主要精力扎在深度学习算法上。“通过软件的进展来整合已存在的硬件传感器达到目标”。

决策方面，Drive.ai使用的是基于非规则学习的深度学习网络模型，这样的网络模型优势明显，它可以更好地即时理解数据并解决新的和罕见的情况。并且能够基于路面状况作出复杂的决策，例如是否超车、变道等等，这就像AlphaGo，基于对方的动作，决定自己的下一步棋如何走。

目前，Drive.ai共有5辆车进行路测，去年4月，Drive.ai成为第13家获批在加州进行自行驾驶汽车路测的公司。

当然，底层技术终归为底层技术，现实应用又是另外一回事，无人驾驶行业的竞争对于创业者而言，犹如一场激烈的战争，巨大的挑战（技术、政策、人类不规则行为等）是所有参与者都必须要面临的。

这样的竞争格局，之于已经占有先机的Drive.ai，唯有在执行速度上够快，才能跑在行业的前面；而之于王弢本人，我想，一个人能暂放梦想去做的事情，无疑是件令人兴奋而又性感的事。

深度学习的另一面

无疑，深度学习自2006年由加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton提出后，语音和视觉识别准确率得到大幅提升，人工智能也进入到了第三次发展高峰期。

但同时，我们对于深度学习知之甚少，目前业界对其存在的一个最大疑虑，就是“黑箱问题”，简单来说，深度学习识别模式的过程，发生在神经网络上所运行的算法之中，向其输入数据、其再输出数据决策的过程中，我们看不见摸不着，根本不知道这个过程发生了什么。所以即便是系统做出错误的决策，并不能确切地知道这个错误决策怎么出现的？

Drive.ai将这一过程分解成几个部分，然后分别应用深度学习，每部分都能用不同的方法来验证，这样相对而言让人比较放心。

随着技术的推进，除了不停地在现实或者模拟器当中进行验证，积累大量的测试数据来证明深度学习的可靠性外，王弢告诉邦哥，“我们还在尝试深度学习系统内部结构的研究，在内部抓取一些特征，来更好地了解深度学习内部的运作机制。”

“所以，通过这些研究，深度学习的黑箱可能会逐渐变成一个灰箱，更或者是白箱也不无可能”，王弢补充道。

后记

全世界每年因为交通事故死亡人数接近125万，相当于全球每天有3500人因交通事故死亡，绝大多数的交通事故是由人为造成，而自动驾驶的到来能使交通事故率降低90%，顺带解决交通拥堵问题。但无人驾驶的终态却不能一蹴而就，因为它不仅面临的是巨大的技术挑战，政策、大众接受程度等也同样考验着无人驾驶。

回过头来讲，市面上能见到的L2级带有辅助驾驶技术的车辆，离“聪明”一说着实还有点远，更别说L5级什么时候到来。我想什么时候我们能坐着无人车上下班，接送孩子上学的时候，真正的无人驾驶也就到来了吧。