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張自動駕駛測試牌照，全球在自動駕駛領域動作最快、最富野心的互聯(lián)網(wǎng)巨頭、車企及供應商、新創(chuàng)公司們幾乎都選擇了在加州開展自動駕駛測試。這不僅是因為加州在自動駕駛上開放的政策，更是因為硅谷豐富的技術人才和優(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，他們快速切入自動駕駛的研發(fā)，摸索建立了他們認為可以逐步擴張的技術架構，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，他們如何總結過去一年的探索，如何立足硅谷用技術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、投身自動駕駛

2011年到2015年，我的公司是做游戲方面的。那時候主要的業(yè)務在國內，我家在硅谷，大部分時間我都在北京和硅谷兩地游走。游戲公司早期還是不錯的，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領域相關的項目。雖然我自己沒有直接從事技術方面的工作，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，當時覺得一些小的初創(chuàng)公司會非常有前景。其中，偏向BI、商業(yè)智能領域的項目居多，比如IoT、Marketing。智能駕駛當時還只有個別的公司在做，而且能提供端到端解決方案的公司不多。到了2016年年初，我們覺得機會很好，時不我待，就開始籌劃自己來做。

我的合伙人也是Standford的同學，曾經(jīng)是雅虎在北京設立的中國研究院的創(chuàng)始人和首席架構師。我們團隊現(xiàn)在大約20人，熟知機器學習，也做過大規(guī)模的軟件系統(tǒng)工作。我們特點是能文能武，能讀paper，能寫代碼。步入一個新的領域，精讀幾十篇paper是要的，這是一個基本的技能。從今天來看，做AI、自動駕駛，最缺的是人才，那幫互聯(lián)網(wǎng)精英公司和頂級實驗室的大牛往往成為了這一領域的領軍人物。

二、自動駕駛的服務機會

我們團隊成員平均有15年以上的工作經(jīng)驗，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研和嘗試。我們拜訪和請教了很多以前做自動駕駛的大拿，包括美國和中國的很多企業(yè)和學者。

做自動駕駛有它的特點：它需要的技術非常deep，而且除了技術，對資金、對資源各方面的要求都很高。就算今天來看，真正做的好的自動駕駛創(chuàng)業(yè)公司還是比較少。加州DMV的自動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全自動無人駕駛，涉及到地圖、深度學習的感知、基于深度學習的路徑規(guī)劃和控制等。各家做自動駕駛的廠商在用不同的路徑去實現(xiàn)這些模塊，然后應用到不同的商業(yè)場景里。

我們的產品最終要面向中國市場，因為公司主要的Founder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。自動駕駛分為商用和乘用兩塊，我們會更加側重商用場景，希望先在貨車物流這一領域實現(xiàn)對效率的提升。

三、自動駕駛的兩個流派

現(xiàn)在自動駕駛主要是2類人在做，也代表了2種主流的思維方式：一類是做機器人robotics出來的，一類是做機器學習、計算機視覺出來的。機器人方向的代表是Google，最早他們是從DARPA出來，Zoox、Otto也屬于這個流派，他們在系統(tǒng)工程上有很深的積累。做機器學習的代表比如Drive.ai、Tesla，也包括我們，比較偏向深度學習領域的創(chuàng)新。傳統(tǒng)做機器人的人不做machine learning，做machine learning的人不做robotics。而在自動駕駛的未來圖景里，兩條技術路線會有交叉點。

我們團隊兼顧深度學習和系統(tǒng)工程。深度學習最近在一些領域有突破性的進展，但鑒于自動駕駛對安全的極高要求，所以系統(tǒng)工程的建構不容忽視。確立方向以后，2016年我們搭了一個標準的DARPR Stack，使得原型車能夠在有限的幾個街區(qū)里跑起來，同時也探索出解決一些問題的更好的方法。

比如說紅綠燈識別。紅綠燈識別在CV領域已經(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出每一個紅綠燈的位置是非常昂貴的，這件事情誰能做呢？——Google能做，因為它有非常完整的數(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，問題就非常復雜了。用Deep Learning的方法則是基于一個完全不同的思考方式，從視覺認知的角度去判斷路口的狀態(tài)，同時包括找到紅綠燈的位置和判斷每個燈的狀態(tài)，它不是對單個條件的判斷。

現(xiàn)在自動駕駛的技術研發(fā)還是處于相對早期，技術路線也沒有完全定型。雖然主流的幾個團隊在高層次的架構上不會有很大的差別，但具體到解決每個層面的技術方案則會有很大差異。大家考慮的應用場景不一樣，要解決的問題也就會很不一樣，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截然不同。

四、商業(yè)化進展和中美差異

今年3月份，我們跟Uber同一批拿到了加州的自動駕駛測試牌照。拿到牌照也算是自動駕駛技術公司的一個硬性指標。另外就是看基礎架構設計和各個層級的技術解決方案是不是有可擴展性。我們也跟高?？蒲袡C構（例如斯坦福）有一些研究項目的合作，主要是比較前期的課題，比如如何提高深度學習的精度、性能和數(shù)據(jù)使用效率。

深度學習作為自動駕駛技術中使得汽車能夠進行自我提升的關鍵技術，其一流人才相對還是集中在硅谷。同時，這里有比較明確的規(guī)則，比較透明公正的環(huán)境。國內的汽車OEM與硅谷在無人駕駛技術研發(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)授權禁止轉載。詳情見轉載須知。