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。

　　未来会看到很多国家、很多城市支持我们的项目，因为是一个具有深远影响的计划。新加坡已经是一个试点城市，未来会有更多地区加入进来。