带着“华人的硅谷创业项目”和“吴恩达妻子”两个热门标签，自动驾驶技术团队Dirve.ai一直受到不少关注。不久前，这家团队宣布获得5000万美元融资，同时放出重磅消息，原百度副总裁吴恩达加盟并担任董事，更是让这家技术团队名声大噪。

钛媒体找到了Drive.ai的投资方纪源资本和Drive.ai的联合创始人王弢，还原了一些投资细节，并且聊了聊这家团队的技术路线和特点。

八位核心创始成员都是吴恩达的学生

Drive.ai 的成立时间是2015年4月份，不过这家团队的8位核心创始成员来自斯坦福大学的人工智能实验室，也都是吴恩达的学生，在 2014年已经形成。 

“后来觉得应该成立一个公司来运作，把技术更快地推向现实应用，所以就有了Drive.ai。” Drive.ai 联合创始成员王弢讲起公司成立的源起。 

经过两年多的发展，Drive.ai目前的团队规模在70人左右，公司定位是一个全栈式的技术供应商，利用利用深度学习技术，提供SAE（美国汽车工程学会）L4等级的自动驾驶技术系统方案。

业内之所以称这家团队有华人背景，关键人物之一正是本文中接受采访的王弢，他出生于中国江苏无锡，在新加坡念完高中和本科，之后进入斯坦福大学。

Drive.ai联合创始人王弢

另一位华人背景成员是吴恩达的妻子Carol Reiley（卡罗尔·莱利），是一位华裔美籍人，和王弢一样，她也是第一批创始成员之一，而且担任着Drive.ai的总裁。

虽然吴恩达的光环很强大，但是Carol Reiley（卡罗尔·莱利）也是位不折不扣的技术大拿，她同时拥有约翰·霍普金斯大学双料博士学位，此前一直作为一名机器人专家，从事工业和医学外科机器人应用开发。

吴恩达妻子Carol Reiley(卡罗尔·莱利)

这也为其进入无人驾驶技术领域埋下了伏笔，无人驾驶汽车也被称为轮式移动机器人，谷歌自动驾驶团队的前身做的也是户外机器人。 

而关于吴恩达成为Drive.ai的董事会成员，纪源资本的管理合伙人，也是本次投资Drive.ai的操刀人李宏玮告诉钛媒体，吴恩达在Drive.ai的创业前后都是技术路线上的导师，今后也会提供更多技术以及人才方面的支持和合作。

以上的华人创始阵容让Drive.ai受到了更多中国媒体的关注，但是实际上，Drive.ai是要做一套面向全球市场的自动驾驶系统方案。

有限地理环境内的全栈式技术供应商 

翻开Drive.ai官网能够看到，创始团队成员来自全球各地，有美裔、印度裔、拉丁裔各种肤色，这也说明了Drive.ai自身的全球化定位。

纪源资本管理合伙人李宏玮告诉钛媒体，

“Drive.ai 在不一样的阶段，选择了不同组合的投资人。他们早期投资人中有中国的投资机构，这次选择投资人的时候就选择了美国的一线基金NEA和GGV（纪源资本），这些组合里面更多的考虑主要是国际化。”

关于中国团队，Dirve.ai 联合创始人王弢表示，中国是一块很大的市场，在发展无人驾驶技术方便也十分积极，肯定会在中国进行深耕布局，但具体的策略和时间表会在合适的时机透露。

纪源资本的李宏玮也对钛媒体表示，如果Drive.ai要走向中国市场，他们会提供中国本土市场需求以及政府支持等方面的资源。

在应用领域上，Drive.ai要做的是应用于有限地理环境内的全栈式技术供应商。全栈式是说，这套自动驾驶方案不仅包括车辆的无人驾驶系统，还包括车辆与行人、车辆与车辆间的交互系统。 

而有限的地理环境则包括商业中心、封闭园区，以及共享出行等。这也是目前自动驾驶初创团队都在考虑的方向，因为大规模的乘用车消费市场对于车规级和成本的要求都十分之高，而封闭环境、有限环境下的商业应用领域则门槛相对较低。 

李宏玮表示，她在很早的时候就看过被通用公司收入麾下的Cruise团队，而且也把硅谷的自动驾驶创业项目都看过一遍，于6个月前开始接触Drive.ai，做尽职调查，正是因为她看到，Drive.ai在技术上更加成熟，它的方案离商业化也更近一些。

“它（Drive.ai）选择的场景是可以标准化的，在这个场景里面再优化技术难点，会是一个渐进式的过程。所有场景里面难度最大的是城市无人驾驶，而短期内我觉得能够起来更快的，会是专用市场。” 

在产品方向上，Drive.ai显然也没有走一条需要跟主机厂商“陪跑”的前向开发路线，这需要跟随一辆车型3-5年的开发周期，Drive.ai提供的一个自动驾驶方案的后装套件。“理论上只要有协议接口，都能用我们的方案实现自动驾驶。”王弢说。

据了解，Drive.ai 已经在一些物流货运公司进行合作，与主机厂的合作也正在推进当中。

Drive.ai的传感器配置使用了9个高清摄像头、2个毫米波雷达、6个Velodyne VLP16激光雷达，这套成本看起来可能不便宜，但王弢告诉钛媒体，这只是出于数据收集需要做的“更全面”的考虑，当实际应用的时候，根据不同场景，还会不同程度的成本缩减空间。 

“现有的配置主要是为了一个安全和稳定性的考虑。”王弢说，“多加一些传感器能够收集到更多的数据，如果这些数据用不到也没关系，但是到时候如果发现少了一些数据，再去增加传感器就会麻烦了。” 

深度学习和冗余设计 

据了解，Drive.ai于去年4月份拿到了美国加州的无人驾驶路测牌照，目前该公司已经投入了尼桑、奥迪和福特三个平台的车型在进行路测。

前不久，Drive.ai在官网放出了一段视频，显示这家公司的无人驾驶车辆能够胜任大部分情况下的自动驾驶，包括夜间、雨天或下冰雹等极限条件。 

王弢表示，这主要是因为他们在传感器上做了很好的冗余设计。

“Drive.ai 是多个传感器融合之后建立的模型。例如雨夜的场景，摄像头可能受到的限制比较多，但是激光雷达受到的影响可能就会小一些，而毫米波雷达受到的影响可能更小。”

当然，Dirive.ai之所以能取得现有的技术成果，还在于其对所收集到的数据进行了高效利用。

王弢介绍了他们目前的数据利用有三大特点：

第一，数据收集车所配置的传感器十分丰富，会同时采集图像数据、点云数据和雷达数据等多种数据类型； 

第二，有一套自动化的数据处理系统，针对所采集的大量数据，他们有一套分布式的数据库和备份机制；

第三，半自动的数据标注系统，由于在自动驾驶方案的各个子系统都应用了深度学习技术，数据标注的工作量自然很大，而Drive.ai也通过深度学习实现了半自动化的标注工作，然后对一些结果进行人工校验即可。 

“据我所了解，行业内的一些团队标注一个小时的数据大概需要800个小时的时间，我们半自动化系统的标注效率可以提高十几倍。”王弢告诉钛媒体。

王弢也对行业以“测试里程论英雄”的现象发表了看法， 他认为自动驾驶的瓶颈并不在于测试里程有多少，而是有没有足够丰富的数据类型和环境信息，以及对数据的高效率保存和标注。 

当然，深度学习系统的识别能力是一种强大的工具，但也面临着计算过程不被解释的“黑盒子“问题。这种模式以端到端的方式呈现出计算结果，但是输入和输出的实际决策过程，人们却看不到，也不一定能够直观理解。

这也是大部分技术厂商选择传统机器学习算法做感知的原因，因为一旦系统发生了故障或者错误，能够弄清楚原因何在。

王弢表示，针对深度学习模式的这个特点，Drive.ai采用了系统拆分的方法。

“当时我们在选择这条路线的时候，也想到这个问题，现在我们是通过拆分的方法，把自动驾驶系统拆分成很多子系统，然后分别将深度学习技术应用到其中，在不同的部分可以用不同的方式进行验证。”

而且，深度学习的“黑盒子”问题是一个行业性问题，学界也都在积极围绕这个命题进行讨论，Drive.ai也在联合学界和产业界共同解决这个问题。（本文首发钛媒体）