自动驾驶领域，硬件突破是一方面，但软件如果解决不了，再好的硬件也没有用。“我们认为，很多硬件都没好好用”，莱利表示。而对于软件来说，最难解决的问题莫过于控制汽车在雨雪天气穿越夜间繁忙的城市道路。

　　无人驾驶汽车需要由光学摄像头对周围环境进行二维拍照，再通过算法生成物体的形状、距离。然而，受限于光线等因素，其判断并不可靠：

　　2016年1月，一辆特斯拉Model S在中国河北邯郸的高速公路上未能识别到正在作业的清扫车而致死；2016年5月，另一辆特斯拉Model S在佛罗里达州误将一辆白色的卡车识别成挂在头顶的告示牌，再度导致死亡事件。这还只是在路况相对简单的白天的高速公路上。

　　2017年，drive.ai发布了一段路测视频：

　　drive.ai路测视频

　　雨后黄昏的山景城道路上，任凭天空颜色晦明变化，对面来车远近光灯，测试车辆完全在软件系统的操控下红灯停，绿灯行，穿梭自如，稳中有快。

　　汽车上路情况复杂，很难将所有的路况都总结清楚。drive.ai建立了从浅层到深层学习的无人驾驶技术，而且不只是局限于感知，同时还能作出决定。

　　他们认为，与其他公司相比，自己的技术可以更加无缝地整合所有传感器——摄像头、雷达的信息。而且，他们的系统也更加聪明：“路测的时长和里程并不一定重要，要紧的是要知道应该收集什么信息，要怎么做去保证信息可以增强深度学习的能力”。

　　而且，他们还强调人机互动的重要性。举个例子，在十字路口，我们有时会看着司机的眼睛，明确他看见我了。但是一辆自动驾驶汽车要如何与人进行目光交汇？莱利认为，自动驾驶汽车除了可以自动驾驶，更应该成为一个大多数人都将与其交流的第一代社交机器人。这种机器人不像人，但是是可以通过人工智能激活的智能机器。

　　但是，外界对于drive.ai的更多细节就知之甚少了，部分原因是因为他们最初的时期里一直在stealth mode（隐身模式），即因为担心泄密或被竞争对手察觉等原因，不对外披露公司的工作，直到做出成绩。

　　从视频来看，drive.ai的技术已经达到一定水平。drive.ai的团队成员具备较强的技术背景。其核心团队来自斯坦福大学人工智能实验室，同时还聚集了一批深度学习专家，包括自然语言处理、计算机图形学、自动驾驶、人机交互等领域。

　　以下独家内容是卡罗·莱利本次在EmTech Digital旧金山峰会上的演讲摘要：

　　drive.ai一直致力于自动驾驶技术的开发，目标是让人类和机器最终能一起协作。我们利用深度学习做出最优化的解决方案，毕竟，自动驾驶是全球性的问题，所有涉及到的技术都需要一项一项的改进，而不是一夜之间就出现完美的解决方案。

　　我们把深度学习和人类的经验结合在一起，这是drive.ai最为创新的地方。

　　我们认为，深度学习是更高效更快捷的解决方法。现实中有很多种类的车比如特种车辆、小轿车、货车等，我们把不同类型的传感器放到不同的车上，进而整合到一个平台上。

　　我们的第二个想法是把不同地理位置和路况结合到一起，比如旧金山和纽约、天气情况和路况等信息进行整合，来进行自动驾驶的计算。这些机器必须足够聪明才能与人类沟通、理解人们的意愿，深度学习会大大加速我们的研发。

　　必须要考虑通过可行的底层软件来实现算法。我们想要结合人类经验和人工智能，这样才会更高效。需要的技术来自不同的应用场景，通过深度学习和实时地图，每次驾驶时，汽车都会获取数据并进一步完善自身的驾驶技能。

　　首先，是要让车辆理解不同的交通信号标志。当车辆靠近十字路口、碰到红绿灯，以及其他道路指示标时，都代表了不同的情况。19世纪第一辆车上路时，也遇到了同样的情况。只是未来的自动驾驶，遇到的情况会更为复杂。

　　我在斯坦福做项目的时候就认识到要和很多大公司竞争，比如Google、Uber、特斯拉。当时从很少的资金，很小的团队开始，建立专门的深度学习模型，来自斯坦福的初创公司也给了我们很多灵感。

　　这个领域最后并不是只会有一个赢家，一个生态系统里将会有很多公司共存。我们很庆幸在这个领域现在有很多公司参与竞争。

　　这些公司有大量的训练数据, 比如Uber，怎么和他们的数据竞争？每一个小时的信息需要用10个小时去分析，我们目的是设计一个更高效的底层去处理有限的信息。

转载请注明出处。