Drive.ai融资5千万美元，吴恩达加入董事会

李林 编译整理
量子位 报道 | 公众号 QbitAI

自动驾驶创业公司Drive.ai今天宣布，完成了5000万美元的B轮融资。

本轮融资由恩颐投资（NEA）领投，纪源资本等跟投，原有的A轮投资方北极光等也跟投了这一轮融资。

Drive.ai将用这笔融资扩大研发和运营投入，这家创业公司目前专注于为现存的商业车队提供自动驾驶改装工具包。

同时，吴恩达和NEA亚洲的Carmen Chang将加入Drive.ai董事会。

吴恩达在一份声明中说：“自动驾驶的技术前沿已经完全转向深度学习，传统的自动驾驶团队在自己的解决方案中加入了一些深度学习的成分，但在运用深度学习来建立真正的现代自动驾驶软件这件事上，Drive.ai站在了最前沿。”

至于吴恩达代表谁加入董事会，目前并没有明确的信息。

值得注意的是，这个月初，吴恩达参与创建的在线教育公司Coursera完成6400万美元D轮融资，GSV Asset Management领投，恩颐投资、KPCB、Learn Capital以及Lampert Foundation跟投。

有知情人士透露，未来恩颐投资和吴恩达还会有进一步的合作。

恩颐投资成立于1977年，来自这家基金官网的信息显示，2015年4月恩颐投资宣布完成第15次融资，筹得28亿美元，外加“机会基金”（Opportunity Fund）的3.5亿美元，共计逾31亿美元资本。

这是该公司连续第四个破25亿美元的基金，并有可能是风投史上最大的一个。纵观其历来所有基金，这家位于硅谷和华盛顿特区的公司，在30多年的投资历史中筹资近170亿美元。

恩颐投资主要关注技术和健康两个领域。

两年前，斯坦福大学人工智能实验室的科研人员Sameep Tandon、Carol Reiley等人创立了Drive.ai，研发基于深度学习技术的自动驾驶软件。

目前Carol Reiley担任这家公司的总裁，她的另一个身份则是吴恩达的妻子。也就是说，吴恩达和自己的妻子还是在这家公司重逢了。

今年3月吴恩达离开百度时，就曾有猜测认为吴恩达会加盟Drive.ai。当时有接近吴恩达的人对量子位表示，吴恩达曾表示，如果妻子要求他加入这家公司，他是不会拒绝的。

如前几天量子位在报道中提到，目前吴恩达专注推进deeplearning.ai的建设，不过加入Drive.ai董事会也算是出手帮助妻子。

大概一周之前，Carol Reiley在出席一个论坛时曾经表示，在全球范围内，无人车将逐步得到普及，就像移动通信网络的逐步发展一样。这与某些新硬件在发布后迅速获得接受完全不同。

她表示，以目前的情况来看，我们尚未实现自动驾驶汽车未来潜力的“百分之一”。

她同时指出，灵活的创业公司可能比科技巨头更有优势。大公司通常专注于系统的多个部分，并可能被技术传统所拖累。

Reiley还批评了自动驾驶技术公司所采用的某些指标。她特别指出，行驶里程数这个数据点是个“虚荣指标”，无法让行业其他参与者和公众明确了解它们的技术已经有多么强大。

但对于利用深度学习技术的公司来说，这很关键。

深度学习依赖持续不断的数据输入来训练系统。她表示，多家公司要求Drive.ai对“行驶里程”数据进行处理和标注（例如标识出行人），使其更具价值。这是个劳动密集型的工作，通常需要800个工时才能正确标注1英里的数据。

不过Reiley指出，由于目前仍处于发展的早期阶段，因此关于自动驾驶技术挑战和前景更好的透明度将使整个行业受益。

她表示：“无人车行业需要紧密合作。一家公司的事故将会影响我们所有人。

Drive.ai上一轮融资发生在2016年，融资额1200万美元，由北极光领投。这家公司目前有70名计算机科学家和工程师。

这家公司的七位联合创始人中，有三位具有华裔背景。

虽然名字看起来像是一个爱尔兰裔的名字，但Reiley是地地道道的华裔。Reiley出生于美国密歇根州，五岁以后先后居住在华盛顿和俄勒冈两周。她从小在美国一个说中文的家庭长大，而全家人此前居住在台湾高雄。

2004年Reiley本科毕业于圣克拉拉大学，2007年获得约翰霍普金斯大学计算机科学硕士学位，目前是约翰霍普金斯大学博士学位休学的状态。此前曾有人评价从圣克拉拉到约翰霍普金斯，多少可以称得上是逆袭一样的励志故事。

另外两位华裔则是William Song和Tao Wang。

解密Drive.ai

在研究L4自动驾驶的各大团队之中，Drive.ai是个异类。他们想完全依靠深度学习技术，让汽车实现基本不需要人类干预的自动驾驶。

Drive.ai联合创始人、CEO Sameep Tandon说，他们认为要想在近期制造出有用的自动驾驶汽车，深度学习是唯一可行方案。“从这些算法的长期可能性来看，也就是人们未来会怎样设计自动驾驶汽车，建立一个学习系统还是最有意义的。驾驶这件事很复杂，有很多难度高、又很微妙的问题，如果你用除了学习之外的方法来解决，你一辈子也别想把车子开出去。”

他还说，这是第一次有人“如此强烈地”从深度学习角度来探索自动驾驶。

现在，Drive.ai共有4辆车在旧金山湾区进行路测，即使在夜路、下雨、有雾等复杂情况下，它们也基本可以实现完全自动驾驶。这些车辆的路测，开始于大约1年前。

去年4月，成了第13家获批在加州进行自动驾驶汽车路测的公司，而在此之前，他们进行了一年的秘密研发，外界甚至没人听说过这家公司的名字。

这家公司成立于2015年，创始团队来自斯坦福大学人工智能实验室，都是深度学习领域的专家。从一开始，他们就完全围绕着深度学习来打造自动驾驶技术，让汽车很快学会了一辆自动驾驶汽车该掌握的大量驾驶场景。

其他无人车团队就不用深度学习技术了吗？Carol Reiley说，也用，不过用法不一样：“我们与传统的机器人学方法有着明显的区别，很多公司都会在自动驾驶技术的某个组件上用深度学习，但是我们是从整体来考虑的。”

最常见的做法，是把深度学习用在感知方面。这种技术在分类任务上表现得非常出色，甚至无论什么场景都可以，因此，深度学习在自动驾驶上的应用，通常是类似于识别摄像头画面中的行人这样的任务。

深度学习识别行人，依靠的是大量训练之后对某种模式的感知。模式并非只能用在图像识别中，决策、动作规划同样有模式，同样能利用深度学习技术，在某些场景下，用深度学习来做决策甚至比基于规则的传统方法更好。但是，大多数自动驾驶团队都只把深度学习用在识别中，为什么呢？

Reiley和Tandon说，虽然深度学习能为无人车带来更细致的行为，麻烦也可能随之而来。

黑箱

对于深度学习的最大疑虑，就是“黑箱问题”。深度学习系统识别模式的过程，发生在神经网络上所运行的算法之中，我们向一个训练好的系统输入数据，然后系统输出对数据的解释，而输入、输出之间的决策过程，人类看不见也无法理解。

这就是大多数自动驾驶团队不会全面使用深度学习的原因：一旦系统做出了错误的决策，你需要确切地知道在这个过程中发生了什么，确保同样的错误不会再次发生。因此，他们用传统的、基于规则的机器人学方法来做决策，将深度学习的应用限制在感知上。

而Drive.ai的做法，是在感知和决策上都使用深度学习，但也并不是用一个大黑箱系统直接从传感器采集原始数据，然后输出左转、刹车、加速这样的指令。Tandon说，他们刻意避免了这样一个端到端的大黑箱，“如果你将它分解成几个部分，然后分别应用深度学习，你就会发现每部分都能用不同的方法来验证，这样就会对系统有信心了。”此外，Drive.ai还结合了一些规则、人类知识来确保系统的安全性。

Drive.ai的研究员们说，有些技巧可以让我们窥视黑箱里面发生了什么，然后进行调整。比如可以向系统输入特别处理过的数据，然后看算法对数据细微变化的反应。对于某些特定的情况，模拟也是一种很好的方法，Tandon举了这样一个例子：

我们开始建立这个深度学习感知系统的时候，天桥是我们最早遇到的障碍之一。我们开着车出去测试，发现系统会把天桥的影子误判为障碍物。在学习过程中，你可以用hard mining的方法，让算法集中解决具有挑战性的场景。

我们就用合成的例子增强了数据集，就好像在说：“来，系统，告诉我这个天桥你打算怎么处理。处理完我调整一下，你再来一次。”训练一段时间后，系统就能够正确认识天桥了，然后你可以从系统层面来证实。

训练

有了足够的数据，深度学习系统就能茁壮成长。自动驾驶汽车需要了解的是各种不同情况，大多数团队的做法，也是收集尽可能多的情报。接下来的任务，就是管理和使用这些数据。

Drive.ai坚信数据之间是不平等的，他们将巨大的努力用于收集高质量数据，然后进行标注，让它们能被深度学习算法所用。无论是深度学习还是基于规则的算法，都需要对传感器获取的场景中，出现的所有物体进行详细标注。

标注是一项简单而枯燥的工作：一个人类，面对着一段短视频，甚至可能是几帧图像或者激光雷达数据，在图像中的每一辆车、每一个行人、路标、交通灯等等可能与自动驾驶算法相关的物体周围画上方框。

Reiley说：“我们知道有的公司有一支数千人的标注大军，在物体周围画方框。汽车每测试一小时，产生的数据足够一个人标注800小时。我们的标注速度比它们快了几个量级，而且依然在优化。”

这是如何实现的呢？Drive.ai使用深度学习来进行辅助自动标注，因此，它们只有一支规模很小的标注团队，大部分都在对新场景新型训练，或者验证系统自动标注的结果。Tandon说：“在很多场景中，我们的深度学习系统已经比人类标注得更好。”

Drive.ai并不清楚为什么其他自动驾驶团队不用深度学习来进行自动标注。Tandon说，他们经常讨论这个问题：为什么其他人不这么做？他猜测，这可能有着很多原因，比如说这是一个综合系统，有很多组件需要进行调整，很难说出它正常运转的原因是什么。

在雨中

Drive.ai安装在车顶的硬件系统，很简单就能加装在其他车辆上，并且集成了一系列传感器，包括：摄像头、激光雷达。这个系统还利用了车辆自身的传感器，例如用于自适应巡航控制的雷达、后置摄像头等。还有一个大显示屏用于和驾驶员、行人等交流。

在9个高清摄像头、2个雷达、6个Velodyne Puck激光雷达的帮助下，每一台Drive.ai的车辆都在不断为生成地图而捕捉数据，并把数据送入深度学习系统，当然数据也用户驾驶任务本身。

这种传感器体系无疑又复杂又昂贵，Drive.ai联合创始人Joel Pazhayampallil解释说，现在的硬件配置的确有些过度，当Drive.ai进入试点计划时，传感器会有所减少。

“我们需要一个显著较小的子集，可能是目前的一半”，Pazhayampallil说“算法正在不断改进，我们也在把不同传感器的数据整合起来，从激光雷达获得低分辨率深度数据，并从摄像头获得真正高分辨率的情景信息”。

这种基于融合传感器数据进行深度学习的多模式冗余和决策，好处就是：能为传感器失灵提供一些保护。深度学习算法可以基于有缺失的传感器模态和感知数据进行训练，这比基于规则的方法有着显著的优点，例如不会因为规则冲突导致灾难性的后果。

传感器失灵通常不是硬件或者软件问题，而是由于某种原因不能产生正常的数据，例如太阳眩光、夜间弱光或者被水遮蔽等。

https://v.qq.com/txp/iframe/player.html?vid=b0375f98h6n&width=500&height=375&auto=0

雨中驾驶对无人车的挑战，不仅仅是水会吸收激光雷达的能量，或者产生反射。在上面的视频中可能还看不出来，但是Drive.ai给我们展示了一下，一旦沾上大水滴，车顶的摄像头就基本无用了。“摄像头、激光雷达、雷达……各种故障都有可能发生”，Tandon说。

外面的世界

Drive.ai正在推动L4级自动驾驶的发展，Sameep Tandon此前曾非常乐观的表示：“我们准备开始与客户进行试点……我们希望让更多的人受益于无人驾驶。最终的问题是，我们能够多块的从湾区扩展到一个又一个的新城市中”。

Drvie计划的首要关注点是物流：在小范围重复递送物品，而不是共享驾乘。这至少让Drive.ai在最初不用过多聚焦于处理人类乘客的问题。

对于未来，Tandon兴奋地表示：我很想看到机器人无处不在。

【完】

一则通知

量子位正在组建自动驾驶技术群，面向研究自动驾驶相关领域的在校学生或一线工程师。李开复、王咏刚、王乃岩等大牛都在群里。欢迎大家加量子位微信(qbitbot)，备注“自动驾驶”申请加入哈~

招聘

量子位正在招募编辑记者、运营、产品等岗位，工作地点在北京中关村。相关细节，请在公众号对话界面，回复：“招聘”。

△ 扫码强行关注『量子位』

追踪人工智能领域最劲内容