Drive.ai 的另外一个创始人 Tao Wang 说，自动驾驶的难点之一自动驾驶产生的数据量是极大的，在收集到自动驾驶数据之后，怎么使用成为 了关键。第一步要做的事情就是标记它们，才能让算法引擎得到训练。一个小时自动驾驶产生的数据，即使是在大互联网公司里，也需要 800 个小时的人工来去标记它。

　　Drive.ai 他们自己打造了一个定制化的数据标记工具，可以不断优化整个数据工作流程，进行高质量的数据分类。他们使用深度学习来让同一个任务可以同时进行多个分类，把输出结果整合到一起后，就可以产生高质量的标记。他们现在数据标记的速度已经是大公司的 20 倍，这也就意味着可以有更多数据可以“喂”给算法引擎学习，从而让汽车可以快速处理新的道路、学习新的使用场景，随着训练数据的增加而持续提高性能。

　　Tao Wang 说，Drive.ai 的深度学习系统甚至比专门的人类标注者都更准确。有一次算法显示某个灯是红灯，但是专门的标注员回忆说是绿灯，结果他们专程查看了一下数据后，发现真的是红灯。“这也表明算法可以被训练得比人类更聪明。无论是决策，路线规划还是定位都可以做得很好。”

　　有一次，他们的车看到了路上有一只狗狗滑滑板，标注员很震惊地和工程师说，“请问这个要怎么分类？”然而汽车还是能正常的行驶。深度学习关键就在于不需要识别每一样东西，而是知道怎么样是安全的驾驶，然后自己做出决策。

　　另外一个很重要的部分是，Drive.ai 打造了一个模拟器，atv，可以模拟生成各种场景，比如自行车车抢道等，检查学习引擎怎么处理这些情况。这个模拟器是 7*24 小时运转，所以相当于他们的车一直在虚拟世界的道路上进行各种测试。而在真实世界里，作为最早拿到加州自动驾驶汽车上路测试许可证的创业公司之一，Drive.ai 也已经让自家无人车在山景城的城区上路测试9个月了，没有任何的事故发生。

　　还有一个关键点在于，基于深度学习的自动驾驶系统可以摆脱对于昂贵硬件的依赖。和特斯拉与 Waymo 的“天价”定制传感器不同， Drive.ai 使用的是商业化的低成本硬件，包括激光雷达、雷达和相机，深度学习系统会同步所有的传感器数据，来基于这些信息作出最明智的决策，避免单个噪点导致的误判。这样即使其中一个失灵了，别的也可以正常工作。

　　正是传感器的冗余设计，才让他们完成了雨夜开车的成就 —— 即使雨水把相机给挡住了，但是其他的传感器让汽车仍然能安全进行自动驾驶。

　　由于传感器会将信息传递给他们软件系统的人工智能神经网络，这些神经网络系统可以在普通计算硬件上运行，所以这让他们的解决方案成本大大降低。

　　“我们的改装方案并不贵，而且可以适应各类汽车，无论是汽车，货车，卡车，或者是高尔夫车都行。可以在一周之内，就登陆一个新的汽车平台。而且由于我们在为机器应用打造规模化神经网络方面的专长，我们可以只需要其他自动驾驶汽车的计算资源的一部分，就可让自动驾驶汽车运行。每台车需要的处理器资源差不多是一台台式电脑的30%而已。”Sameep Tandon 说。

　　大部分的自动驾驶汽车都需要精确到厘米的高精度地图，来进行感知，搞清楚汽车开向哪里，这样做的结果就是会需要持续地更新高精度地图，非常昂贵而且很危险。而深度学习让 Drive.ai 的自动驾驶汽车可以比较地图上的物体和真实的环境，像是车道、人行道这类东西，所以即使环境改变了，汽车也能适应。

　　斯坦福整个人工智能实验室成员跑来创业

　　为什么 Drive.ai 可以做到这一点？这还要从他们团队的成员背景开始说。虽然Drive.ai 公司才成立不到两年，但是早在四五年前，这个团队的创始人们就已经在斯坦福的人工智能实验室，开始了怎么把深度学习系统规模化的研究。