雷鋒網(wǎng)新智駕按：截止到2017年4月17日，加州車管所已經(jīng)發(fā)出30張自動(dòng)駕駛測試牌照，全球在自動(dòng)駕駛領(lǐng)域動(dòng)作最快、最富野心的互聯(lián)網(wǎng)巨頭、車企及供應(yīng)商、新創(chuàng)公司們幾乎都選擇了在加州開展自動(dòng)駕駛測試。這不僅是因?yàn)榧又菰谧詣?dòng)駕駛上開放的政策，更是因?yàn)楣韫蓉S富的技術(shù)人才和優(yōu)渥的資本環(huán)境。

而在今天DMV表單上30家公司中，除去車企及供應(yīng)商和互聯(lián)網(wǎng)巨頭們，新創(chuàng)公司不到10家。PlusAI智加科技便是最近一家拿到測試牌照的新創(chuàng)公司。在過去一年里，他們快速切入自動(dòng)駕駛的研發(fā)，摸索建立了他們認(rèn)為可以逐步擴(kuò)張的技術(shù)架構(gòu)，并且拿下2家車企的合作訂單。3月份，雷鋒網(wǎng)新智駕與PlusAI CEO David Liu（劉萬千）聊了聊，他們?nèi)绾慰偨Y(jié)過去一年的探索，如何立足硅谷用技術(shù)改變未來的汽車行業(yè)。

以下是David Liu的自述，雷鋒網(wǎng)新智駕整理：

一、投身自動(dòng)駕駛

2011年到2015年，我的公司是做游戲方面的。那時(shí)候主要的業(yè)務(wù)在國內(nèi)，我家在硅谷，大部分時(shí)間我都在北京和硅谷兩地游走。游戲公司早期還是不錯(cuò)的，但到后來兩年，行業(yè)競爭激烈，開發(fā)和推廣的成本也很高。

從15年開始，我和朋友開始看好AI領(lǐng)域相關(guān)的項(xiàng)目。雖然我自己沒有直接從事技術(shù)方面的工作，但從Standford EE博士畢業(yè)，以及工作的這么多年，我深知對(duì)科技潮流的洞察分外重要。一開始，我們是想從一些投資著手，當(dāng)時(shí)覺得一些小的初創(chuàng)公司會(huì)非常有前景。其中，偏向BI、商業(yè)智能領(lǐng)域的項(xiàng)目居多，比如IoT、Marketing。智能駕駛當(dāng)時(shí)還只有個(gè)別的公司在做，而且能提供端到端解決方案的公司不多。到了2016年年初，我們覺得機(jī)會(huì)很好，時(shí)不我待，就開始籌劃自己來做。

我的合伙人也是Standford的同學(xué)，曾經(jīng)是雅虎在北京設(shè)立的中國研究院的創(chuàng)始人和首席架構(gòu)師。我們團(tuán)隊(duì)現(xiàn)在大約20人，熟知機(jī)器學(xué)習(xí)，也做過大規(guī)模的軟件系統(tǒng)工作。我們特點(diǎn)是能文能武，能讀paper，能寫代碼。步入一個(gè)新的領(lǐng)域，精讀幾十篇paper是要的，這是一個(gè)基本的技能。從今天來看，做AI、自動(dòng)駕駛，最缺的是人才，那幫互聯(lián)網(wǎng)精英公司和頂級(jí)實(shí)驗(yàn)室的大牛往往成為了這一領(lǐng)域的領(lǐng)軍人物。

二、自動(dòng)駕駛的服務(wù)機(jī)會(huì)

我們團(tuán)隊(duì)成員平均有15年以上的工作經(jīng)驗(yàn)，互聯(lián)網(wǎng)大公司出來的居多，涉及AI、DL的東西都能做。2016年我們的主要工作之一是調(diào)研和嘗試。我們拜訪和請(qǐng)教了很多以前做自動(dòng)駕駛的大拿，包括美國和中國的很多企業(yè)和學(xué)者。

做自動(dòng)駕駛有它的特點(diǎn)：它需要的技術(shù)非常deep，而且除了技術(shù)，對(duì)資金、對(duì)資源各方面的要求都很高。就算今天來看，真正做的好的自動(dòng)駕駛創(chuàng)業(yè)公司還是比較少。加州DMV的自動(dòng)駕駛測試牌照一共發(fā)了三十張，去掉Google/Uber/百度/Tesla這些大廠，再去掉傳統(tǒng)的車廠，創(chuàng)業(yè)公司不到十家。

我們做的是Level 4全自動(dòng)無人駕駛，涉及到地圖、深度學(xué)習(xí)的感知、基于深度學(xué)習(xí)的路徑規(guī)劃和控制等。各家做自動(dòng)駕駛的廠商在用不同的路徑去實(shí)現(xiàn)這些模塊，然后應(yīng)用到不同的商業(yè)場景里。

我們的產(chǎn)品最終要面向中國市場，因?yàn)楣局饕腇ounder都是中國人，在中國也耕耘了一些年，早期投資人一半也是中國背景，這很自然。自動(dòng)駕駛分為商用和乘用兩塊，我們會(huì)更加側(cè)重商用場景，希望先在貨車物流這一領(lǐng)域?qū)崿F(xiàn)對(duì)效率的提升。

三、自動(dòng)駕駛的兩個(gè)流派

現(xiàn)在自動(dòng)駕駛主要是2類人在做，也代表了2種主流的思維方式：一類是做機(jī)器人robotics出來的，一類是做機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺出來的。機(jī)器人方向的代表是Google，最早他們是從DARPA出來，Zoox、Otto也屬于這個(gè)流派，他們?cè)谙到y(tǒng)工程上有很深的積累。做機(jī)器學(xué)習(xí)的代表比如Drive.ai、Tesla，也包括我們，比較偏向深度學(xué)習(xí)領(lǐng)域的創(chuàng)新。傳統(tǒng)做機(jī)器人的人不做machine learning，做machine learning的人不做robotics。而在自動(dòng)駕駛的未來圖景里，兩條技術(shù)路線會(huì)有交叉點(diǎn)。

我們團(tuán)隊(duì)兼顧深度學(xué)習(xí)和系統(tǒng)工程。深度學(xué)習(xí)最近在一些領(lǐng)域有突破性的進(jìn)展，但鑒于自動(dòng)駕駛對(duì)安全的極高要求，所以系統(tǒng)工程的建構(gòu)不容忽視。確立方向以后，2016年我們搭了一個(gè)標(biāo)準(zhǔn)的DARPR Stack，使得原型車能夠在有限的幾個(gè)街區(qū)里跑起來，同時(shí)也探索出解決一些問題的更好的方法。

比如說紅綠燈識(shí)別。紅綠燈識(shí)別在CV領(lǐng)域已經(jīng)做了幾十年了，傳統(tǒng)的做法是做特征提取。如果能確定紅綠燈的位置，那么就可以利用判斷紅綠燈狀態(tài)的算法確定路口的狀態(tài)。然而精確Map出每一個(gè)紅綠燈的位置是非常昂貴的，這件事情誰能做呢？——Google能做，因?yàn)樗蟹浅Ｍ暾臄?shù)據(jù)集，它可以通過特征數(shù)據(jù)采集Map出紅綠燈的高度。但如果紅綠燈的位置出現(xiàn)了偏離呢，問題就非常復(fù)雜了。用Deep Learning的方法則是基于一個(gè)完全不同的思考方式，從視覺認(rèn)知的角度去判斷路口的狀態(tài)，同時(shí)包括找到紅綠燈的位置和判斷每個(gè)燈的狀態(tài)，它不是對(duì)單個(gè)條件的判斷。

現(xiàn)在自動(dòng)駕駛的技術(shù)研發(fā)還是處于相對(duì)早期，技術(shù)路線也沒有完全定型。雖然主流的幾個(gè)團(tuán)隊(duì)在高層次的架構(gòu)上不會(huì)有很大的差別，但具體到解決每個(gè)層面的技術(shù)方案則會(huì)有很大差異。大家考慮的應(yīng)用場景不一樣，要解決的問題也就會(huì)很不一樣，比如商用場景還是乘用場景，長途還是短途，高速路況還是城市路況，等等。那么，解決這些不同問題所使用的方案自然也會(huì)截然不同。

四、商業(yè)化進(jìn)展和中美差異

今年3月份，我們跟Uber同一批拿到了加州的自動(dòng)駕駛測試牌照。拿到牌照也算是自動(dòng)駕駛技術(shù)公司的一個(gè)硬性指標(biāo)。另外就是看基礎(chǔ)架構(gòu)設(shè)計(jì)和各個(gè)層級(jí)的技術(shù)解決方案是不是有可擴(kuò)展性。我們也跟高?？蒲袡C(jī)構(gòu)（例如斯坦福）有一些研究項(xiàng)目的合作，主要是比較前期的課題，比如如何提高深度學(xué)習(xí)的精度、性能和數(shù)據(jù)使用效率。

深度學(xué)習(xí)作為自動(dòng)駕駛技術(shù)中使得汽車能夠進(jìn)行自我提升的關(guān)鍵技術(shù)，其一流人才相對(duì)還是集中在硅谷。同時(shí)，這里有比較明確的規(guī)則，比較透明公正的環(huán)境。國內(nèi)的汽車OEM與硅谷在無人駕駛技術(shù)研發(fā)的步伐上相比，可能還是處于早2-3年的狀態(tài)。今年，我們已經(jīng)跟兩家OEM敲定了戰(zhàn)略合作。無人駕駛技術(shù)最終還是要看可靠性與安全性。

雷鋒網(wǎng)推薦閱讀：

Drive.ai雨中路測后，我們遠(yuǎn)隔大洋與這家硅谷創(chuàng)業(yè)公司聊了聊

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。