（《麻省理工科技評論》中英文版APP現已上線，年度訂閱用戶每周直播科技英語講堂，還有科技英語學習社區哦~）
走在硅谷山景城（Mountain View）的街上，有一台在車尾印著 Drive.ai 標志的自動駕駛汽車停在路上，等著過紅綠燈。類似這樣在車頂上搭載著攝像頭、激光雷達的汽車，三不五時就可以在硅谷的路上見到。
圖 | Drive.ai 自動駕駛車在山景城街道上搜集信息。（圖片來源：DT 君）
自動駕駛領域已經掀起了一股掏金熱，來自車廠、風投、天使投資人等大量資金湧入了這個領域。今年二月福特宣布未來五年對自動駕駛初創公司 Argo AI 投資 10 億美元；專攻攝像頭的 Nauto 在七月獲得了軟銀、Greylock Partners、寶馬、通用等參與的 1.59 億美元 B 輪融資；幾天前 Drive.ai 又完成新一輪、由東南亞打車服務龍頭 Grab 領投的 1,500 萬美元資金，這是 Drive.ai 繼六月融資 5,000 萬美元短期之內又獲得資金注入。
Drive.ai 可以說是硅谷風頭正盛的初創公司，9 月宣布與打車公司 Lyft 合作，初期將會有 10 輛自動駕駛車，在灣區（Bay Area）提供給公衆免費的接送服務。成立兩年以來，募資總額超過 7,700 萬美元，並且已經從硅谷走向國際布局，選定新加坡作爲海外探路的第一站，將在當地設立辦公室，並與當地政府及運輸系統展開合作。
Drive.ai 之所以受到矚目，團隊是主要原因，核心成員來自知名的斯坦福大學人工智能實驗室（Stanford University’s Artificial Intelligence Lab）。根據 QS 世界大學 2017 年計算機科學前二十強排行榜，斯坦福大學名列第二，僅次于麻省理工學院，而且斯坦福在 1962 年就成立了人工智能實驗室，而且孕育出不少科技大牛，包括人工智能領域權威吳恩達、 Google 雲端人工智能兼機器學習首席科學家李飛飛都來自于此。
Drive.ai 聯合創辦人 Sameep Tandon、 王弢就是師承這個實驗室。另一位聯合創辦人 Carol Reiley 則是知名的機器人學者，她的設計涵蓋陸海空領域，包括手術機器人、水下機器人、太空衛星系統，也活躍于創客（Maker）社群，不過，外界可能更容易把她稱作吳恩達的妻子。Deive.ai 董事會成員除了曾任通用汽車（GM）副主席的 Steve Girsky，吳恩達也在近期加入。
圖 | Drive.ai 聯合創辦人王弢。（圖片來源：DT 君）
自動駕駛領域涵蓋多個技術細項，不過以系統架構來說，目前的主流有兩大門派，一是傳統機器人。以 Google 爲代表，優勢是因相關技術較成熟，市場上已有現成的東西可以拿來使用，所以可以很快做出樣車，車子初期上手速度也就比較快，但缺點是當收集的數據更多、測試更多，就會遇到准確性的瓶頸，因爲是靠規則來告訴機器怎麽開車，但真實的駕駛情境中，想要把每個情境都寫成一條規則輸入系統，長遠來看是不可行。
正因此，另一個門派興起了，那就是深度學習。透過不同場景的練習而累積駕駛經驗，再從經驗産生得以因應新的駕駛場景的臨時反應能力。深度學習的優勢在具備大量數據量的情況下，系統的運作能力、准確度會隨數據的增長而變強，跟傳統的機器人學有本質上的差別。
不過，深度學習約莫是在 2011 、2012 年開始活躍起來，而 Google 在 2008 年甚至更早就開始研究自動駕駛，當時的深度學習尚未興起，軟硬件的基礎設施還不夠，因此當時他們選擇了傳統機器人架構作爲開發核心。反觀目前的自動駕駛初創公司，多數都是選擇深度學習這條路，而 Drive.ai 可以說是第一個，在深度學習成爲大熱門之前，他們已經在學術界裏研究深度學習和自動駕駛多年。
Deep Learning First
“我們團隊最初在斯坦福有兩個研究重點，一個是深度學習，另一個專長是做深度學習的規模化（scale up）。”Drive.ai 聯合創始人王弢說。
2012 年 Google 旗下 X Lab 的研究人員利用 YouTube 上的影片圖像，訓練一個大型的神經網絡自主學習辨識出“貓”，當時 Google 使用了 1.6 萬顆處理器打造出這個系統。不過，斯坦福實驗室采用不同的做法，利用 GPU 顯卡集群處理技術，只以 16 台機器集群、不到 Google 十分之一的資源，就重建了 Google 的結果。另外，還測試了一個比 Google Brain 大十倍的神經網絡。
王弢回憶：要做到這點其實有很多技術挑戰，象是多台機器協作訓練同一個模型，以及數據量很大的話，要能保證快速把數據推送進模型裏進行訓練，這對于文件系統跟傳輸系統都要有很高的要求。
“斯坦福可以說是最早使用 GPU 進入深度學習訓練的實驗室之一。”過去他們在斯坦福做的項目就是使用深度學習解決自動駕駛在“認知”領域的問題，例如車輛、車道線及行人探測。開發出優秀的研究成果，加上車商、行業內的人看過後給予高度的評價，強化了這一群學者、科學家創業的決心，決定創立 Drive.ai，強調以深度學習優先（Deep Learning First）打造自動駕駛車。
自動駕駛車至少必須包含幾個技術：數據傳感（data sensing）、物件標記（object annotation）、深度學習算法、以及車輛方向盤、油門與煞車等對應的行車操控。
Drive.ai 聯合創始人 Sameep Tandon 表示：深度學習是自動駕駛汽車最有效的技術。你可能聽到很多關于自動駕駛汽車的東西：傳感器、攝像頭、激光雷達。“我們真正需要的是一個可以讓汽車安全自主工作、了解環境的大腦。”
Carol Reiley 進一步指出：“深度學習是最接近人類大腦學習的算法”，不是以規則爲基礎。就像一個 16 歲的年輕人學開車。有些公司會說他們在 A 部分或 B 部分使用深度學習，但 Drive.ai 是全面地看待它。我們的核心技術在于使車輛具有如同人類駕駛一般的腦袋。
“零碎”使用深度學習最常見的目的僅僅是爲了感知，例如從攝像機圖像中辨識行人，任意場景中對事物進行分類，在學會識別特定模式之後，可以擴展到以前沒有實際看到的對象。不過，除了感知之外，還有決策及運動規劃（motion planning），深度學習的“人性化”模式識別會比基于規則的系統做出更細微的行爲。
所謂的更人性化是什麽？深度學習可以像人一樣觀察整個環境而做出決策，舉例來說，當我們人類等著過馬路時，不必一定得要盯著綠燈看，你也會知道綠燈了、可以走了，那是因爲我們會看到其他人已經開始走了。而基于深度學習訓練的機器，它們也不一定真的得看到所有的燈號，它可以看到旁邊的車已經開始移動了，就會知道已經是綠燈了，這就是更像人的智能。
研究機器人超過 15 年的 Carol Reiley 認爲，自動駕駛汽車是一個機器人，也將是人類第一個高度互動的機器人。未來人們與自動駕駛汽車的第一次互動不會是在車內，而是作爲旁觀者，是行人、騎自行車的人、摩托車騎手或其他司機。
“爲了獲得公衆的信任，這些汽車必須與外部世界進行溝通，並能夠表達其意圖。”因此，Drive.ai 測試車頂上有一個 LED 標志，用來顯示給行人和其他司機的信息和表情，例如告訴行人可以在他們面前穿過。
圖 | Drive.ai 測試車頂上有一個 LED 標志（見黑色長框），上頭會顯示給行人和其他司機的信息和表情。例如顯示一條消息，告訴行人可以在他們面前穿過。
同質＋異質傳感器融合
不過，學術的研究與實作始終存有差異，把深度學習做好、放到車上，跟在實驗室做研究、發論文是兩碼事，Drive.ai 相當清楚這一點，因此，過去兩年他們積極爭取上路，成爲第一家拿到加州路測的“初創公司”，希望透過時間優勢搜集數據，以掌握真實道路的各種可能情境。
王弢解釋，在實驗室做研究很多時候不必考慮數據從哪來，網路上有很多公開的數據，利用開源數據集跑一跑做出結果，就是很好的研究。但是，對業界來說，網路上很多的數據集無法商用，有些自動駕駛數據集的量級不夠大、也不夠專注于自動駕駛這個領域，它可以做測試和驗證，但用來訓練還是太小，因此 Drive.ai 有一套自己的數據收集、數據處理、數據標注的流程。
他們的車在路上跑，不論是黑夜、下雨、甚至是冰雹的氣候，時刻都在收集來自不同傳感器的信息，主要包括激光雷達、攝像頭、毫米波雷達、汽車 CAN（Controller Area Network）總線系統。
自動駕駛最入門簡單的作法是搭載一個高精度的 GPS 系統，上路跑一個固定的路線。不過，高精度 GPS 在城市道路上常發生多重路徑（mulitpath）的問題，也就是訊號在樹、建築物上反射，造成訊號幹擾，對定位造成很大的困擾。因此，Drive.ai 最初測試時遇到較大的挑戰在于傳感器的可靠性，他們透過多傳感器的融合，解決這個問題。
因此，在 Drive.ai 的自動駕駛車上有 6 個激光雷達、 9 個攝像頭、車子前方則有毫米波雷達，讓車子能夠眼觀 360 度。“也就是，同質＋異質的有機結合。能增強系統的穩定。”王弢說。
同質是指同一類探測器的備援，例如激光雷達有 6 個，假設有一個壞了，性能可能受到影響，但不至于整台車失能。異質則是指不同探測器的互補，如激光雷達、攝像頭、毫米波等等，各個運作模式跟原理都不同，優缺點互見，象是在大霧跟大雪天，激光雷達跟攝像頭可能會有狀況，但毫米波雷達跟 GPS 則不受影響。
再舉另一個例子，假設只有一個攝像頭，車子就很難知道跟前方車輛的精確距離是多少，除非有其他的探測器給予信息。激光雷達可以提供很好的三維空間信息，毫米波雷達對于探測金屬物體或物體的速度較爲精確，攝像頭則是適合顔色信息，應用在讓車子看紅綠燈是不可或缺，同時攝像頭比較類似人眼的工作原理，這在計算機視覺已有許多研究，能夠辨識物體具體爲何，是人、樹還是車等等。
不造車，做全站式系統供應商
一旦自動駕駛的應用起飛，無疑對傳統車商的商業模式造成很大的沖擊，他們對此不敢小觑，不僅內部積極投入研發，也投資許多初創公司，給了小公司大好的機會。
“科技公司容易有一個通病–自視過高，覺得傳統車商的技術層次比較低。但是，其實傳統車商有很多技術壁壘，在制造、整合、測試有非常強大的優勢。所以我們要找的是互補模式。”王弢說。
因此，Drive.ai 的定位很清楚，不會自己造車，而是以深度學習爲核心，開發軟硬件整合的系統，爲商業車隊設計自助駕駛改裝套件，以及探索無人駕駛的商業模式。
傳統車商在布局自動駕駛首先面臨的還是人才問題，“傳統車商不是軟件跟人工智能方面人才會聚集的産業”。所以站在傳統車商的角度來說，與科技新創公司合作，可以補強 AI 、軟件人才不足的難題，二是 L4、L5 對傳統車商來說宛如一種未知的沖擊，雙方能夠一同探索 L4、L5 的商業模式，打開新市場。
另一方面，對于像 Drive.ai 這樣的初創公司來說，造車有兩個大問題，一是成本過高、二是技術難點很多，傳統車商生産汽車的曆史已經超過百年，技術積累很深，連 Google 都放棄自己造車，因此“善用兵者，不以短擊長”。
圖 | Drive.ai 鎖定與商業車隊合作，包括 Lyft 和 Grab。（圖片來源：DT 君）
不過，自動駕駛是一個系統工程，需要多方面的人才，王弢就表示：“只會做深度學習是遠遠不夠的，雖然我們自己不造車，但要深度了解汽車的系統。”因此，在過去的兩年 Drive.ai 強化團隊人才的多元化，招募來自系統、汽車行業、深度學習、機器人學等背景。
也因爲自動駕駛吸引了各方業者的興趣，對于人才的渴求程度相當大，其實在美國求職網站 indeed 敲入“自動駕駛”、“自動駕駛車”關鍵字，可以看到相當多企業都在招人，例如剛獲得 1.59 億美元融資的 Nauto，就大舉招兵找馬，一口氣釋出 65 個職缺，NVIDIA 甚是開出將近 100 個職缺，另外，戴姆勒、專爲 IT 公司征才的 Jobspring Partners 人力公司、以及 AutoX（從普林斯頓大學教授轉爲創業的肖健雄所成立的公司）也在找人才。
目標更多落地
在學術圈時，Drive.ai 已經累積了相當程度的技術優勢，現在他們的車隊已經具備 L4 級別水准，下一步目標就是更多的落地。所以繼 Lyft 之後，又迅速攜手了東南亞市占率最高的打車公司 Grab。
圖 | Drive.ai 目前有三個自動駕駛車款在路上測試。（圖片來源：DT 君）
“選擇落地場景很重要的原則是，能否幫助我們進一步擴張或技術演進。”王弢說得直白。
舉一個極端的例子，假設選在一個工業園區于半夜進行路測，服務加班、上夜班的族群是一個應用場景，但必須思考這個場景能否有助于我們進一步擴張、有效優化技術？因爲在空無一人的場景，盡管累積了數十萬裏的數據，對于讓技術發展必須接近普通人生活的幫助可能非常有限。
因此，Drive.ai 在商業模式部分則是先鎖定與車隊合作，主要是車隊對自動駕駛的接受心態比較開放，主要是普通消費者對于價格敏感度較高，現階段自動駕駛車的硬件跟傳感器價格還是偏高，部分人依舊喜歡自己駕車的體驗。
王弢也指出，L4 等級的自動駕駛率先落地肯定會是商業市場，第一個原因是汽車的利用率比較高，商業車隊旗下的車每天跑很多小時，自動駕駛能創造的價值較大，車隊業者對于價格的敏感度就會降低很多。
第二的原因是駕駛員的成本很高，對于共享出行、物流業者來說，人力的成本約占到總成本的五成左右，一旦轉成自動駕駛，成本效益會有很高的體現。同時 Drive.ai 除了在加州、新加坡進行路測之外，會以市場大、政策支持較強的地區作爲優先。
看中美投入自動駕駛優勢
在這一波的自動駕駛熱潮中，硅谷是率先發聲的地區，但不難發現越來越多的新創公司是由中國人所創立，像是今年獲得《麻省理工科技評論》評選全球 35 歲以下的 35 位創新者（MIT TR35 Global）、曾任普林斯頓大學助理教授的肖健雄，則成立了 AutoX，中國編程天才樓教主參與創立 Pony.ai 、前百度高級副總裁王勁創立的景馳、前 Zynga 亞洲 CTO 鄭皓的 Plus AI 等等。
美國與中國堪稱是投入自動駕駛最爲積極的兩個國家，王弢分享他對于兩地優勢的看法，目前來說，美國的優勢在于人才較爲領先，主要是硅谷爲全世界 AI 人才最集中的地方，而且有許多發力早的大公司如 Google，因此“人才的儲備還是比較雄厚”。
不過，中國具有後發優勢，首先，曾經在美國工作的人才有一定回流，第二是來自政府強大的支持，釋出不少對于自動駕駛發展的利好政策，第三個原因是中國市場潛力很大，從技術上來說，中國的路況跟交通情況比較複雜，搜集數據方面可以得到各種不同的邊緣場景。
這兩大國家看好這個讓人類從方向盤中解放出來的技術，爲自動駕駛軟體初創公司帶來了各種新機會，這股掏金熱還將持續下去。
硅谷自動駕駛汽車初創公司募資
資料整理：深科技