用 10 周时间，让你从 TensorFlow 基础入门，到搭建 CNN、自编码、RNN、GAN 等模型，并最终掌握开发的实战技能。4 月线上开课，
www.mooc.ai
现已开放预约。
雷锋网按：
截止到 2017 年 4 月 17 日，加州车管所已经发出 30 张自动驾驶测试牌照，全球在自动驾驶领域动作最快、最富野心的互联网巨头、车企及供应商、新创公司们几乎都选择了在加州开展自动驾驶测试。这不仅是因为加州在自动驾驶上开放的政策，更是因为硅谷丰富的技术人才和优渥的资本环境。
而在今天 DMV 表单上 30 家公司中，除去车企及供应商和互联网巨头们，新创公司不到 10 家。PlusAI 智加科技便是最近一家拿到测试牌照的新创公司。
在过去一年里，他们快速切入自动驾驶的研发，摸索建立了他们认为可以逐步扩张的技术架构，并且拿下 2 家车企的合作订单。3 月份，雷锋网新智驾与 PlusAI CEO David Liu（刘万千）聊了聊，他们如何总结过去一年的探索，如何立足硅谷用技术改变未来的汽车行业。
以下是 David Liu 的自述，雷锋网新智驾整理：
一、从游戏到 AI
2011 年到 2015 年，我的公司是做游戏方面的。那时候主要的业务在国内，我家在硅谷，大部分时间我都在北京和硅谷两地游走。游戏公司早期还是不错的，但到后来两年，行业竞争激烈，开发和推广的成本也很高。
从 15 年开始，我和朋友开始看好 AI 领域相关的项目。虽然我自己没有直接从事技术方面的工作，但从 Standford EE 博士毕业，以及工作的这么多年，我的同学、朋友都在这个圈子里。一开始，我们是想从一些投资着手，当时觉得一些小的初创公司会非常有前景。
但看了一圈，一方面，市面上还没有进展很快的团队，另一方面，机会实在太好了。到了 16 年年初，我们就筹划想自己来做。之前看的公司，偏向 BI，商业
智能
领域的项目会居多，比如 manufacturing、marketing，
智能驾驶
当时还只有个别的公司在做，具有 end to end 能力、能提供端到端解决方案的公司不多。
我的合伙人也是 Standford 的同学，是雅虎在北京的中国研究院的创始人和首席架构师。我们团队现在大概不到 20 人，熟知机器学习，也干过大规模的软件工作。我们特点是基本上都能读 paper，一个领域新的 research，几十篇 paper 是要读的，这是一个基本的技能。从今天来看，做 AI 做自动驾驶，人才的 pool 其实不是很大，还是那帮 Google、Baidu、Yahoo 的互联网精英和实验室的大牛。
二、自动驾驶的服务机会
我们团队平均有 15 年以上的工作经验，互联网大公司出来的居多，涉及 AI、DL 的东西都能做，所以 2016 年初的时候就调研和尝试了好些东西。合伙人在雅虎的时候，Chatbot 就是他负责的，我们也尝试搭建了一套 Chatbot 的系统，但这些方向商业化前景都不是那么清楚。我们很快把方向聚焦到自动驾驶上了。
就算今天来看，真正做的好的自动驾驶创业公司还是比较少。加州 DMV 的自动驾驶测试牌照一共发了二十几张，去掉 Google/Uber / 百度这些大厂，再去掉传统的车厂，真正的创业公司不到十家。做自动驾驶有它的特点：它需要的技术非常 deep，而且除了技术，对资金、对资源各方面的要求都很高。
从车厂的角度看，自动驾驶需要的技术类型跟他们之前做的不太一样。另外 ADAS，汽车行业做了好多年，而我们做的是 Level 4，涉及到地图、深度学习的感知、基于深度学习的路径规划和控制。横向对比 Zoox、Drive.ai 能够做到的，我们在技术上也能做到或者在一些方面做得比它更强，大家在用不同的路径去实现，应用到商业场景里。
我们的产品想要面向中国市场，因为公司主要的 Founder 都是中国人，在中国也耕耘了一些年，早期投资人一半也是中国背景，这很自然。自动驾驶分为商用和乘用两块，我们会更加侧重商用场景，希望先在货车物流这块实现对效率的提升。
三、自动驾驶的两个流派
现在自动驾驶主要是 2 类人在做，也代表了 2 种主流的思维方式：一类是做机器人 robotics 出来的，一类是做机器学习、计算机视觉出来的。机器人方向的代表是 Google，最早他们是从 DARPA 出来，Zoox、Otto 也属于这个流派。做机器学习的代表比如 Drive.ai、Tesla，也包括我们。
传统做机器人的人不做 machine learning，做 machine learning 的人不做 robotics。而在自动驾驶上，两条技术路线会有交叉点。
我们团队比较偏向深度学习，但跟纯做深度学习的公司又不太一样，自动驾驶对安全的要求是非常高的，所以机器人那边该做的东西还是得做。确立方向以后，2016 年大半时间我们都在搭一个原型车。为了让车能尽快地跑起来，我们先搭了一个 DARPR 的 stack，同时也发现纯靠专家系统去搭建规则是不稳定的。
搭建基于规则的专家系统所面临的 challenge，比如红绿灯识别的问题。红绿灯识别在 CV 领域已经做了几十年了，传统的做法是先做特征提取，红灯的光谱、绿灯的光谱，然后怎样知道红绿灯的位置，那就要 mapping，把每一个具体位置记录下来，再形成判断红绿灯状态的算法。相比采用 DL 的方法，这样做的问题显然是 cost 很高，需要精确 map 出每一个红绿灯的精确位置，这事谁能做呢？
Google 能做是因为它有 Google Maps，它可以通过数据采集 map 出红绿灯的高度，但如果原本红绿灯的位置有一个气球呢，或者红绿灯的位置出现了偏离呢，问题就非常复杂了。用 deep learning 的方法则不一样，从视觉识别的角度如何在不同场景里去判断红绿灯的状态，同时自然要找到红绿灯的位置，它不是对单个条件的判断。
我们团队的背景既包含 engineering focus 搭建过大规模的软件系统，同时又积累了很多 vision 和 machine learning 的经验，自动驾驶的问题最后不会是通过一条单一路径来提供解决方案。2016 年大半年时间我们都在做这个事情，原型车出来是在去年 Q4，我们先让它在有限的几个街区里跑起来。跑起来的意思是说，我们搭建高精地图数据，能够在小区域内进行采集，数据是比较清晰而且是 scaleable 的。
