PlusAI劉萬千：拿到加州測試牌照，敲定兩家車企合作，投身自動駕駛這一年
雷鋒網新智駕按：
截止到2017年4月17日，加州車管所已經發出30張自動駕駛測試牌照，全球在自動駕駛領域動作最快、最富野心的互聯網巨頭、車企及供應商、新創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，更是因為矽谷豐富的技術人才和優渥的資本環境。
而在今天DMV表單上30家公司中，除去車企及供應商和互聯網巨頭們，新創公司不到10家。PlusAI智加科技便是最近一家拿到測試牌照的新創公司。在過去一年裡，他們快速切入自動駕駛的研發，摸索建立了他們認為可以逐步擴張的技術架構，並且拿下2家車企的合作訂單。3月份，雷鋒網新智駕與PlusAI CEO David Liu（劉萬千）聊了聊，他們如何總結過去一年的探索，如何立足矽谷用技術改變未來的汽車行業。
以下是David Liu的自述，雷鋒網新智駕整理：
一、從遊戲到AI
2011年到2015年，我的公司是做遊戲方面的。那時候主要的業務在國內，我家在矽谷，大部分時間我都在北京和矽谷兩地遊走。遊戲公司早期還是不錯的，但到後來兩年，行業競爭激烈，開發和推廣的成本也很高。
從15年開始，我和朋友開始看好AI領域相關的專案。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，以及工作的這麼多年，我的同學、朋友都在這個圈子裡。一開始，我們是想從一些投資著手，當時覺得一些小的初創公司會非常有前景。但看了一圈，一方面，市面上還沒有進展很快的團隊，另一方面，機會實在太好了。到了16年年初，我們就籌畫想自己來做。之前看的公司，偏向BI，商業智慧領域的項目會居多，比如manufacturing、marketing，智慧駕駛當時還只有個別的公司在做，具有end to end能力、能提供端到端解決方案的公司不多。
我的合夥人也是Standford的同學，是雅虎在北京的中國研究院的創始人和首席架構師。我們團隊現在大概不到20人，熟知機器學習，也幹過大規模的軟體工作。我們特點是基本上都能讀paper，一個領域新的research，幾十篇paper是要讀的，這是一個基本的技能。從今天來看，做AI做自動駕駛，人才的pool其實不是很大，還是那幫Google、Baidu、Yahoo的互聯網精英和實驗室的大牛。
二、自動駕駛的服務機會
我們團隊平均有15年以上的工作經驗，互聯網大公司出來的居多，涉及AI、DL的東西都能做，所以2016年初的時候就調研和嘗試了好些東西。合夥人在雅虎的時候，Chatbot就是他負責的，我們也嘗試搭建了一套Chatbot的系統，但這些方向商業化前景都不是那麼清楚。我們很快把方向聚焦到自動駕駛上了。
就算今天來看，真正做的好的自動駕駛創業公司還是比較少。加州DMV的自動駕駛測試牌照一共發了二十幾張，去掉Google/Uber/百度這些大廠，再去掉傳統的車廠，真正的創業公司不到十家。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。
從車廠的角度看，自動駕駛需要的技術類型跟他們之前做的不太一樣。另外ADAS，汽車行業做了好多年，而我們做的是Level 4，涉及到地圖、深度學習的感知、基於深度學習的路徑規劃和控制。橫向對比Zoox、Drive.ai能夠做到的，我們在技術上也能做到或者在一些方面做得比它更強，大家在用不同的路徑去實現，應用到商業場景裡。
我們的產品想要面向中國市場，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塊實現對效率的提升。
三、自動駕駛的兩個流派
現在自動駕駛主要是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、電腦視覺出來的。機器人方向的代表是Google，最早他們是從DARPA出來，Zoox、Otto也屬於這個流派。做機器學習的代表比如Drive.ai、Tesla，也包括我們。傳統做機器人的人不做machine learning，做machine learning的人不做robotics。而在自動駕駛上，兩條技術路線會有交叉點。
我們團隊比較偏向深度學習，但跟純做深度學習的公司又不太一樣，自動駕駛對安全的要求是非常高的，所以機器人那邊該做的東西還是得做。確立方向以後，2016年大半時間我們都在搭一個原型車。為了讓車能儘快地跑起來，我們先搭了一個DARPR的stack，同時也發現純靠專家系統去搭建規則是不穩定的。
搭建基於規則的專家系統所面臨的challenge，比如紅綠燈識別的問題。紅綠燈識別在CV領域已經做了幾十年了，傳統的做法是先做特徵提取，紅燈的光譜、綠燈的光譜，然後怎樣知道紅綠燈的位置，那就要mapping，把每一個具體位置記錄下來，再形成判斷紅綠燈狀態的演算法。相比採用DL的方法，這樣做的問題顯然是cost很高，需要精確map出每一個紅綠燈的精確位置，這事誰能做呢？Google能做是因為它有Google Maps，它可以通過資料獲取map出紅綠燈的高度，但如果原本紅綠燈的位置有一個氣球呢，或者紅綠燈的位置出現了偏離呢，問題就非常複雜了。用deep learning的方法則不一樣，從視覺識別的角度如何在不同場景裡去判斷紅綠燈的狀態，同時自然要找到紅綠燈的位置，它不是對單個條件的判斷。
我們團隊的背景既包含engineering focus搭建過大規模的軟體系統，同時又積累了很多vision和machine learning的經驗，自動駕駛的問題最後不會是通過一條單一路徑來提供解決方案。2016年大半年時間我們都在做這個事情，原型車出來是在去年Q4，我們先讓它在有限的幾個街區裡跑起來。跑起來的意思是說，我們搭建高精地圖資料，能夠在小區域內進行採集，資料是比較清晰而且是scaleable的。
在自動駕駛的早期技術研發上，現在主流的幾個團隊在高層次的架構上不會有很大的差別，要看到時候具體的應用，到了部署階段大家會體現出不太一樣的地方，商用場景裡要考慮車輛是長途還是短途，高速路況還是城市路況，是取代司機還是輔助司機，在解決方案的層面是有很多不同的，以及跟不同的車做集成，不同的車對安全性的要求也是不一樣的。
四、商業化進展和中美差異
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，另外就是看它的基礎架構設計是不是scaleable的。我們也跟研究機構，跟Standford有一些研究項目的合作，主要是比較前期的課題，在深度學習上怎樣去提高精度和計算效率。
現在做自動駕駛，從做DL的人才來講，全球主要的人才還是集中在矽谷。同時，這裡有比較明確的規則，比較透明公正的環境，也非常打擊壟斷。國內的汽車OEM與矽谷相比，大部分還是處於早2 - 3年的mindset。今年，我們已經跟兩家OEM敲定了戰略合作，一家在國內，一家在美國。跟汽車OEM的合作，最終還是看技術的credibility。
雷鋒網推薦閱讀：
Drive.ai雨中路測後，我們遠隔大洋與這家矽谷創業公司聊了聊