本文内容译自TechCrunch科技新闻网的报道，Cortica teaches autonomous vehicles with unsupervised learning。Cortica专门研制计算机视觉系统，将物体图像转换为文字，无监督的深度学习是AI技术发展的一个新方面，让AI系统可以模仿人类大脑的辨识能力。
Cortica正在进入移动业务，它的人工智能技术刚开设了一个汽车分部。该公司称，自动驾驶的关键在于使用无监督学习的技术，允许汽车驾驶系统自动地处理数据，认识驾驶环境。
对于初入人工智能行业的人来说，有监督的机器学习就是给AI一组例子，以及有关的注释，以便它能够学会在将来识别类似的物体。比如你可以给系统提供一千张停车标志的图像，有些是退了色的，有些被树枝遮挡等等，好让你的AI学会辨认停车标志。
在无监督的机器学习中，所给的例子是没有加标注的，AI必须根据共同特征对示例进行分类。比如停车标志是红色和有八角白边。AI能够逐渐学会，有时红色褪色，有时白边会被树枝遮挡一部分等等，但它会根据情况调整，把停车标志归类为停车标志。
Cortica说，无监督的机器学习将允许未来的自动驾驶车辆更好地适应新的路况。Cortica研发出来的系统帮助制造商和开发人员，从传感器获取所有数据，处理那些图像，把这些图像按照已定义的元数据来归类和打标记。Crotica 的首席执行官和创始人Igal Raichelgauz在一份新闻发布稿中说，该系统可以处理车载摄像头所产生的大量数据。单单加州的车辆数据就相当于整个YouTube每小时的视频数据量。
为了处理这么大量的数据，系统使用云端/终端混合的设计结构：“非关键的“数据处理被卸载到云端，以简化过程和降低耗电。这在车辆越来越电动化、较少依赖汽油的情况下更加重要。
该公司表示，这种机器学习比较接近人类的看见和处理视觉信号过程。即使停车标志上张贴了纸条，即使在雨中，即使在昏暗的光线下，我们人也能够辨认停车标志。Cortica的AI能够适应所谓”下一代的障碍“，包括看见行人的手势，预测其它车辆和行人的行动意图。
下面是一个4分钟的视频，显示AI的无监督学习，在繁忙的城市共交车辆之间穿行而不至于在人行横道处撞到行人，令人安心。（我们看到，AI系统已学会毫无错误地把各种车辆标为绿色，把行人标为红色，把自行车标为蓝色等等。）
Tuesday, August 29, 2017
Saturday, August 19, 2017
广州开发区领导率团赴美国波士顿考察访问
2017年8月17日，广州市委常委、黄埔区委书记，广州开发区党工委书记周亚伟、广州开发区管委会副主任孙学伟率团来到美国波士顿考察访问，这是广州开发区在美招商引资、招才引智活动的重要一站。
为了配合广州开发区代表团此次美国招商之行，广州归谷科技园总裁、硅谷科技协会理事长、硅谷科技咨询委员会执行主席范群博士及硅谷科技咨询委员会理事长林铭先生，为开发区考察团专场组织了波士顿地区高端人才专业交流会。出席座谈会的嘉宾主要有：波士顿Huacells华赛细胞CE0、国家千人计划专家荆杰博士，千人计划专家张兴民博士、128华人科技企业协会前任会长李洪山, 128华人科技企业协会现任会长、波士顿天使俱乐部合伙人段可, 128华人科技企业协会副会长戴朝阳、麻省理工大学肇吉博士，Zealery 联合创始人兼首席执行官肖文涛；哈佛学生会主席孙陆，哈佛医学院学生会主席钱玉，MIT学生会主席孟真，MIT学生会主席冯韬等，以及来自波士顿地区Corbus Pharmaceuticals, Elite Career North America, VCanBio, Harbour Biomed, S&T Global Inc., Tug Corp, Scilligence等各个科技公司和机构的公司高管、留学人员和高层次科技人才四十多人参加了交流会。
交流会着重向与会来宾介绍了广州开发区的创业环境、新近出台的黄金40条、美玉十条和投资十条等人才政策，并针对全区的各项创新人才政策做了重点解读，鼓励并欢迎在美优秀人才携项目在开发区落地。
范群博士在座谈会上现身说法地谈到“广州归谷科技园”项目作为广州开发区从美国硅谷引进的重点项目、在项目建设及协助开发区招商引资、招才引智的过程中，深刻地感受到了开发区政府部门对科技创新人才的高度重视，以及人才政策和创新创业环境完善，亲切鼓励在场科技人才到广州开发区创新创业。同时，范群博士和林铭理事长推介了即将于今年12月下旬举行的第二届中国海交会（即第19届广州留学人员科技交流会），动员与会来宾积极参与硅谷科技协会和硅谷科技咨询委员会将为本次海交会组织的回国考察访问团。他们特别提到今年的海交会将首次在北美举行创新创业大赛，并委托广州归谷科技园承办该次北美赛事，为高端海外项目在国内找到投资和落地提供对接平台。
为了配合广州开发区代表团此次美国招商之行，广州归谷科技园总裁、硅谷科技协会理事长、硅谷科技咨询委员会执行主席范群博士及硅谷科技咨询委员会理事长林铭先生，为开发区考察团专场组织了波士顿地区高端人才专业交流会。出席座谈会的嘉宾主要有：波士顿Huacells华赛细胞CE0、国家千人计划专家荆杰博士，千人计划专家张兴民博士、128华人科技企业协会前任会长李洪山, 128华人科技企业协会现任会长、波士顿天使俱乐部合伙人段可, 128华人科技企业协会副会长戴朝阳、麻省理工大学肇吉博士，Zealery 联合创始人兼首席执行官肖文涛；哈佛学生会主席孙陆，哈佛医学院学生会主席钱玉，MIT学生会主席孟真，MIT学生会主席冯韬等，以及来自波士顿地区Corbus Pharmaceuticals, Elite Career North America, VCanBio, Harbour Biomed, S&T Global Inc., Tug Corp, Scilligence等各个科技公司和机构的公司高管、留学人员和高层次科技人才四十多人参加了交流会。
交流会着重向与会来宾介绍了广州开发区的创业环境、新近出台的黄金40条、美玉十条和投资十条等人才政策，并针对全区的各项创新人才政策做了重点解读，鼓励并欢迎在美优秀人才携项目在开发区落地。
范群博士在座谈会上现身说法地谈到“广州归谷科技园”项目作为广州开发区从美国硅谷引进的重点项目、在项目建设及协助开发区招商引资、招才引智的过程中，深刻地感受到了开发区政府部门对科技创新人才的高度重视，以及人才政策和创新创业环境完善，亲切鼓励在场科技人才到广州开发区创新创业。同时，范群博士和林铭理事长推介了即将于今年12月下旬举行的第二届中国海交会（即第19届广州留学人员科技交流会），动员与会来宾积极参与硅谷科技协会和硅谷科技咨询委员会将为本次海交会组织的回国考察访问团。他们特别提到今年的海交会将首次在北美举行创新创业大赛，并委托广州归谷科技园承办该次北美赛事，为高端海外项目在国内找到投资和落地提供对接平台。
Thursday, August 17, 2017
Drive.ai 的自动驾驶技术研发
雨中的传感器（本文接续前文介绍初创公司Drive.ai，从深度学习角度来研发自动驾驶。）
Drive所设计的四辆自动驾驶汽车，在硬件上对大多数车辆了作最小程度的改装。这些改装集中在：在车顶安装各种传感器，包括摄像机和激光雷达。他们研发的自驾系统利用了汽车本身已有的传感器，例如雷达（用于自动巡航定速），后方摄像头，还有一个显示屏幕，Drive打算用来与司机沟通、与行人沟通。
每一部Drive的车辆都有一套九部高清摄像头、两台雷达、六台Velodyne Puck激光雷达传感器，不断地捕捉数据，生成地图，为深度学习的算法输入，当然也是为了驾驶任务本身。目前这些传感器捕捉和输出大量数据，既复杂、又昂贵，但正如Drive的一个创始人Joel Pazhayampallil所解释的，大多的数据几乎肯定是多余的，当进入试点项目阶段时要削减：“我想我们只需要其中一部分、大概相当于现在一半的数据。我们的算法是不断改进的，我们从不同的传感器数据中提取和综合数据的能力越来越强。我们从激光雷达得到一些低分辨率的景深数据，再从摄像机得到相当高分辨率的路况信息。"
这种融合多模式的冗余的数据的方法，借着对传感器数据的深度学习来作决策，在自动驾驶的情况下具有特别的优势。因为深度学习的算法能够明确地用缺失了传感器模块的数据加以训练，这就为传感器故障提供了一些保护。在此，深度学习的方法比基于规则的方法强多了，因为传感器故障引起的规则执行失误是“灾难性的” ，按Pazhayampallil的说法。而传感器故障通常不是因为硬件或软件出问题，而是因为某些原因，像刺眼的强光反射、黑夜、或（更常见的）雨水等等，传感器没有得到好的数据。
对发展自动驾驶车辆，在雨中驾驶是个挑战，不光是因为水吸收了激光雷达的能量，也不光是路面有反射。从上面的视频你看不出来，但Drive给我们看从车顶摄像头进来的视频图像，因为镜头上的大水滴，变得几乎没有用了。Tandan说，“你如果在更困难、更复杂的路况驾驶，就需要能够处理摄像头的数据故障，处理激光雷达器和雷达的故障，以及应付现实世界中遇到的一切故障。”
路试
Drive的技术项目经理Tory Smith为我们作了自动驾驶的演示。可惜我们错过了一个月中加州所有的恶劣天气，实际出去的时候是比较干燥晴朗（有些多云）的，适合自动驾驶车辆。Drive的目标是制造4级全自动驾驶汽车，但按照目前加州法律，公司正在测试2级自动驾驶技术。尽管这辆车能够执行大部分的自驾任务（即使不是全部），2级驾驶要求有一位司机坐在司机座位上，随时准备接手驾驶。所以我们有Drive的一位自动驾驶车辆操作员Leilani Abenoja专注看路，而Smith则和我谈论车辆的运行。
20分钟乘车经过加州Mountain View市郊区域，路上经过16个十字路口，和一个四路停车的路口。总的来说，这辆车行驶平稳，成功胜任，只是比起一般司机，果断性稍微差了一点。Smith说这是有意的。 “我们必须设计比较宽的可接受性。你很难做到让一辆车既果断，又不至于让乘客感到紧张。我们总要让车辆的操作多一些谨慎，宁愿让乘客觉得无聊，而不是让他们感到紧张。
就我们的演示来说，这个目的是达到了。实际上，一个无聊的乘车体验正是你想要的安全可靠的自动驾驶汽车。我们只遇到一个例外，安全司机Abenoja必须断开自动驾驶系统，接手一下。虽然我们没有遇到什么车祸的危险，这个例外为Drive的自动驾驶研制提供了最佳的说明。
当时我们在一个红灯前停留，等候右转弯进入一条主要街道。在加州，红灯下右转弯是合法的，但Drive一般不把车设置为自动右转，因为传感器是有限制的。Smith解释说，“我们的激光雷达传感器只能可靠地看到大约50到75米远，这种道路的车流速度比较快，你没有充分的把握检测车流，并确定进入哪一条车道。” 所以当信号灯变绿时，我们的车子（按照交通规则）右转弯进入最右边的车道。但有一辆卡车刚好停靠到路边，挡住了我们转入的车道。我们的安全司机于是临时接管，绕过了那辆卡车，然后重新交给自动驾驶系统。
Smith告诉我说， “一般按规则，我们的车辆会等候这辆卡车离开。但在路径规划方面，让车辆对障碍物作这样的临时补偿决定，是我们现正致力于建造的能力。” 这个例子不只是让车子规划进入哪一条车道的问题。如果那辆卡车正在移动，选择最右边的车道并等候它就是正确的决定，否则你就需要绕过去。如果你是自动驾驶车，你怎么知道一辆停靠的卡车是否可能会再次移动？也许你会判断卡车的发动机是否关掉，或看它的指示灯是否发出信号，或辨别卡车周围的一些活动。这些都是人会本能去做的事，但一部自动驾驶车辆必须明确受训练，才能知道寻找什么迹象，以及作出什么行动反应。
Smith说，人在准确操作方面未必能够完美，但人非常善于随机应变，妥善处理各种可能的情况。像我们刚刚看到的不确定路况，正是一般的机器人方法失灵的地方。我们用深入学习的方法来开发，优点就是遇到了这种路况，只需要收集数据，作出注释，然后将这个模块建构到我们车辆深入学习的大脑中，以后再遇到这样的路况，系统就能够自动作出正确的补偿决定了。比起加添规则来处理路况，这是个比较直觉的方式来解决问题。加添规则要求你预料到一切可能的路况，总有不周全的时候。
这个例子中必须断开自动驾驶系统的时刻，对于Drive的深度学习来说是最宝贵的。公司目前正在积极在硅谷寻找具有挑战性的测试路线，进行大量的路试和深度学习系统的培训。硅谷地区的这些路试即使对于人员驾驶也可能有压力。Drive的策略是：一旦车辆可以安全可靠地在一条路线上行车·，而不必断开自驾系统，该测试团队就选择一条新的路线，得到不同的深度学习挑战。由于公司可以高效地对新数据进行注释和训练，预计新的地形路况能够更快地被征服。
像人一样驾驶
在演示结束时，Smith问我这车的自驾能力是否比起我体验过的其它的无人驾驶车辆更加“像人一样“。我可不敢胡乱比较，于是我问Smith从技术角度解释，什么是自动驾驶车辆表现得“像人一样”？是车辆行为呢，还是识别判断能力？
Smith给我举了一个例子，说明Drive如何检测到交通信号灯。目前检测信号灯的普遍方法是，从预先测绘好的详细地图上，标示出每个十字路口，准确地告诉摄像头在各处看什么。对于封闭的系统，你可以用这种强硬指令，但你若尝试扩展自动驾驶范围，比如整个城镇，就不行了。Drive的做法却是收集不同路口交通信号的通用数据，从不同的角度，白天黑夜、下雨下雪大雾天气，来注释交通信号路口，把注释的数据输入Drive的深度学习算法，让自动驾驶系统学习辨认路口的交通信号灯，就像人一样。Smith解释说：
“另一件很棒的事情是，我们能够利用整个交通路况图像，而不只是利用信号灯本身的资讯。比如，作为一个司机，有时你在绿灯亮起的时候开始走车，未必是因为你在看交通灯，而是你看到别的车辆开始移动。我们的注释工具和人工注释员会考虑这样的因素：也许他们看不见所有的信号灯，但是看到旁边的车辆都移动，所以判断很可能是绿灯亮了。于是，系统实际上积累了足够的人一样的智慧，甚至比人还准确，这就非常令人兴奋。而且，我们能够扩展这套人工智能，让深度学习的其它部分也照此办理。
去到真实的世界中
无论算好事还是坏事，在短期内，Drive公司向第4级的全自动驾驶（在特定区域和条件下没有安全司机）的快速进展，很可能要看政府对有关的交通安全法规的进展。但Sameep Tandon对自动驾驶技术的发展至少是非常乐观。今年我们正和一些客户搞试点。在接下来的六个月，我们希望能够部署--不是很大规模，但至少让多一些人能够使用自动驾驶车辆。我相信在一定区域内，我们可以在一两年内做到没有安全司机的营运。最终的问题是，我们能够多快地从硅谷扩展到另一个城市，之后再去到其它地方？
Drive的计划，是起初先把重点放在后勤运输上：找那些在小区域内做重复运输投递工作的企业，使他们不利用共享交通，而用Drive的自动驾驶车辆。这就给Drive很好地限定了难度，为日后的平稳扩展开辟道路，也避免和乘客打交道，至少起初如此。Tandon对未来感到兴奋： “我认为你如果有真正好的策略，配合真正好的技术，这很可能是在现实世界中首先使用的无人驾驶机器。这对我来说是超级兴奋的。我喜欢到处看见自动工作的机器人，但自动驾驶车辆可能会是普通人首先看到并与之打交道的。
（本文来源请看Spectrum.ieee.org2017年3月10日的报道。）
Drive所设计的四辆自动驾驶汽车，在硬件上对大多数车辆了作最小程度的改装。这些改装集中在：在车顶安装各种传感器，包括摄像机和激光雷达。他们研发的自驾系统利用了汽车本身已有的传感器，例如雷达（用于自动巡航定速），后方摄像头，还有一个显示屏幕，Drive打算用来与司机沟通、与行人沟通。
每一部Drive的车辆都有一套九部高清摄像头、两台雷达、六台Velodyne Puck激光雷达传感器，不断地捕捉数据，生成地图，为深度学习的算法输入，当然也是为了驾驶任务本身。目前这些传感器捕捉和输出大量数据，既复杂、又昂贵，但正如Drive的一个创始人Joel Pazhayampallil所解释的，大多的数据几乎肯定是多余的，当进入试点项目阶段时要削减：“我想我们只需要其中一部分、大概相当于现在一半的数据。我们的算法是不断改进的，我们从不同的传感器数据中提取和综合数据的能力越来越强。我们从激光雷达得到一些低分辨率的景深数据，再从摄像机得到相当高分辨率的路况信息。"
这种融合多模式的冗余的数据的方法，借着对传感器数据的深度学习来作决策，在自动驾驶的情况下具有特别的优势。因为深度学习的算法能够明确地用缺失了传感器模块的数据加以训练，这就为传感器故障提供了一些保护。在此，深度学习的方法比基于规则的方法强多了，因为传感器故障引起的规则执行失误是“灾难性的” ，按Pazhayampallil的说法。而传感器故障通常不是因为硬件或软件出问题，而是因为某些原因，像刺眼的强光反射、黑夜、或（更常见的）雨水等等，传感器没有得到好的数据。
对发展自动驾驶车辆，在雨中驾驶是个挑战，不光是因为水吸收了激光雷达的能量，也不光是路面有反射。从上面的视频你看不出来，但Drive给我们看从车顶摄像头进来的视频图像，因为镜头上的大水滴，变得几乎没有用了。Tandan说，“你如果在更困难、更复杂的路况驾驶，就需要能够处理摄像头的数据故障，处理激光雷达器和雷达的故障，以及应付现实世界中遇到的一切故障。”
路试
Drive的技术项目经理Tory Smith为我们作了自动驾驶的演示。可惜我们错过了一个月中加州所有的恶劣天气，实际出去的时候是比较干燥晴朗（有些多云）的，适合自动驾驶车辆。Drive的目标是制造4级全自动驾驶汽车，但按照目前加州法律，公司正在测试2级自动驾驶技术。尽管这辆车能够执行大部分的自驾任务（即使不是全部），2级驾驶要求有一位司机坐在司机座位上，随时准备接手驾驶。所以我们有Drive的一位自动驾驶车辆操作员Leilani Abenoja专注看路，而Smith则和我谈论车辆的运行。
20分钟乘车经过加州Mountain View市郊区域，路上经过16个十字路口，和一个四路停车的路口。总的来说，这辆车行驶平稳，成功胜任，只是比起一般司机，果断性稍微差了一点。Smith说这是有意的。 “我们必须设计比较宽的可接受性。你很难做到让一辆车既果断，又不至于让乘客感到紧张。我们总要让车辆的操作多一些谨慎，宁愿让乘客觉得无聊，而不是让他们感到紧张。
就我们的演示来说，这个目的是达到了。实际上，一个无聊的乘车体验正是你想要的安全可靠的自动驾驶汽车。我们只遇到一个例外，安全司机Abenoja必须断开自动驾驶系统，接手一下。虽然我们没有遇到什么车祸的危险，这个例外为Drive的自动驾驶研制提供了最佳的说明。
当时我们在一个红灯前停留，等候右转弯进入一条主要街道。在加州，红灯下右转弯是合法的，但Drive一般不把车设置为自动右转，因为传感器是有限制的。Smith解释说，“我们的激光雷达传感器只能可靠地看到大约50到75米远，这种道路的车流速度比较快，你没有充分的把握检测车流，并确定进入哪一条车道。” 所以当信号灯变绿时，我们的车子（按照交通规则）右转弯进入最右边的车道。但有一辆卡车刚好停靠到路边，挡住了我们转入的车道。我们的安全司机于是临时接管，绕过了那辆卡车，然后重新交给自动驾驶系统。
Smith告诉我说， “一般按规则，我们的车辆会等候这辆卡车离开。但在路径规划方面，让车辆对障碍物作这样的临时补偿决定，是我们现正致力于建造的能力。” 这个例子不只是让车子规划进入哪一条车道的问题。如果那辆卡车正在移动，选择最右边的车道并等候它就是正确的决定，否则你就需要绕过去。如果你是自动驾驶车，你怎么知道一辆停靠的卡车是否可能会再次移动？也许你会判断卡车的发动机是否关掉，或看它的指示灯是否发出信号，或辨别卡车周围的一些活动。这些都是人会本能去做的事，但一部自动驾驶车辆必须明确受训练，才能知道寻找什么迹象，以及作出什么行动反应。
Smith说，人在准确操作方面未必能够完美，但人非常善于随机应变，妥善处理各种可能的情况。像我们刚刚看到的不确定路况，正是一般的机器人方法失灵的地方。我们用深入学习的方法来开发，优点就是遇到了这种路况，只需要收集数据，作出注释，然后将这个模块建构到我们车辆深入学习的大脑中，以后再遇到这样的路况，系统就能够自动作出正确的补偿决定了。比起加添规则来处理路况，这是个比较直觉的方式来解决问题。加添规则要求你预料到一切可能的路况，总有不周全的时候。
这个例子中必须断开自动驾驶系统的时刻，对于Drive的深度学习来说是最宝贵的。公司目前正在积极在硅谷寻找具有挑战性的测试路线，进行大量的路试和深度学习系统的培训。硅谷地区的这些路试即使对于人员驾驶也可能有压力。Drive的策略是：一旦车辆可以安全可靠地在一条路线上行车·，而不必断开自驾系统，该测试团队就选择一条新的路线，得到不同的深度学习挑战。由于公司可以高效地对新数据进行注释和训练，预计新的地形路况能够更快地被征服。
像人一样驾驶
在演示结束时，Smith问我这车的自驾能力是否比起我体验过的其它的无人驾驶车辆更加“像人一样“。我可不敢胡乱比较，于是我问Smith从技术角度解释，什么是自动驾驶车辆表现得“像人一样”？是车辆行为呢，还是识别判断能力？
Smith给我举了一个例子，说明Drive如何检测到交通信号灯。目前检测信号灯的普遍方法是，从预先测绘好的详细地图上，标示出每个十字路口，准确地告诉摄像头在各处看什么。对于封闭的系统，你可以用这种强硬指令，但你若尝试扩展自动驾驶范围，比如整个城镇，就不行了。Drive的做法却是收集不同路口交通信号的通用数据，从不同的角度，白天黑夜、下雨下雪大雾天气，来注释交通信号路口，把注释的数据输入Drive的深度学习算法，让自动驾驶系统学习辨认路口的交通信号灯，就像人一样。Smith解释说：
“另一件很棒的事情是，我们能够利用整个交通路况图像，而不只是利用信号灯本身的资讯。比如，作为一个司机，有时你在绿灯亮起的时候开始走车，未必是因为你在看交通灯，而是你看到别的车辆开始移动。我们的注释工具和人工注释员会考虑这样的因素：也许他们看不见所有的信号灯，但是看到旁边的车辆都移动，所以判断很可能是绿灯亮了。于是，系统实际上积累了足够的人一样的智慧，甚至比人还准确，这就非常令人兴奋。而且，我们能够扩展这套人工智能，让深度学习的其它部分也照此办理。
去到真实的世界中
无论算好事还是坏事，在短期内，Drive公司向第4级的全自动驾驶（在特定区域和条件下没有安全司机）的快速进展，很可能要看政府对有关的交通安全法规的进展。但Sameep Tandon对自动驾驶技术的发展至少是非常乐观。今年我们正和一些客户搞试点。在接下来的六个月，我们希望能够部署--不是很大规模，但至少让多一些人能够使用自动驾驶车辆。我相信在一定区域内，我们可以在一两年内做到没有安全司机的营运。最终的问题是，我们能够多快地从硅谷扩展到另一个城市，之后再去到其它地方？
Drive的计划，是起初先把重点放在后勤运输上：找那些在小区域内做重复运输投递工作的企业，使他们不利用共享交通，而用Drive的自动驾驶车辆。这就给Drive很好地限定了难度，为日后的平稳扩展开辟道路，也避免和乘客打交道，至少起初如此。Tandon对未来感到兴奋： “我认为你如果有真正好的策略，配合真正好的技术，这很可能是在现实世界中首先使用的无人驾驶机器。这对我来说是超级兴奋的。我喜欢到处看见自动工作的机器人，但自动驾驶车辆可能会是普通人首先看到并与之打交道的。
（本文来源请看Spectrum.ieee.org2017年3月10日的报道。）
Tuesday, August 15, 2017
Drive.ai：从深度学习到自动驾驶
本文由硅谷科技咨询委员会（SVTC）译自IEEE Spectrum杂志介绍Drive.ai的文章。
在所有致力于4级自动驾驶技术（大多不需要人为干预的自驾系统）的初创企业中，位于加州山景城的Drive.ai很独特地率先使用了“可扩展的深度学习”方法（Scalable deep-learning）。若想很快造出真正有用的自动驾驶车辆，Drive认为从深度学习技术出发是唯一可行的方法。Drive的共同创始人及兼首席执行官Sameep Tandon说， “如果你从这些深度学习算法的长远可能性，来看人们将来如何建造自动驾驶汽车，那么让车辆拥有一个学习系统才是最有意义的。驾驶那么复杂，有那么多细微和困难的路况，如果你不用学习的方法，那你永远不会造出这些车来。
Drive上市只有大约一年的时间，但是公司已经有四辆车在硅谷地区穿行和（大部分）自动驾驶，甚至在黑暗、下雨、或冰雹等等对自动驾驶特别困难的情况中也可以。上个月，我们到加州去，乘坐和观看他们的自驾车，要了解他们的车辆是如何利用深度学习来掌握自动驾驶的。
正如其名，Drive.ai是为人工智能而诞生的。2015年，Drive由斯坦福大学人工智能实验室出来的深度学习技术的专家们创立。公司从一开始就致力于完全围绕着深度学习技术来建造自动驾驶功能，现已能够快速学习和适应，安全处理无数的自动驾驶所需掌握的状况。
Tandon说：“我想我们是第一个如此坚决要从一个深度学习的角度来发展自动驾驶的公司。共同创始人兼总裁Carol Reiley说， “与经典的机器人方法比起来，很多公司只是在这个或那个组件上采用深度学习技术，而我们比较全面。”
他们所提到的一般的零碎采纳深度学习的方法，是只把深度学习用在车辆的自动感知部件上。深度学习的人工智能对行人的辨识力很好，它善于在任何场景中对事物进行分类。而且它能够学习辨识某个特别的模式，然后扩展性地认出它过去没有实际看过的东西。换句话，你不必训练车子辨认每一种行人，因为它能够认出一个扶着助行器行走的老太太，和一个戴着棒球帽的小孩，都属于同一类物体。
摄像头获取的行人图像是一种感性模型。另一种模型是作决定和规划车辆行动：比如在四路停车的路口，或在红灯右转弯，都可以採用深度学习技术。但很多自动驾驶汽车的制作商都不做，为什么呢？主要是不习惯。Reiley和Tandon告诉我们，这种根据环境变量作决定的深度学习算法，比普通的根据规则作决定的做法好。深度学习能够“好像人一样“辨识模型，比根据规则编程而来的系统更细致。虽然如此，它有时候也会出问题。
黑盒子的问题
深度学习系统的模式识别能力是一个强大的功能，但因为这模式识别是神经网络算法的一部分，所以有“黑盒子”系统的问题：一旦系统被训练，输入黑盒子的是数据，输出的是有用的解释，而输入和输出之间的实际决策过程是人未必能够直观了解的。所以，许多从事自动驾驶车辆研制的公司不喜欢黑盒子，而采用机器人方法。他们把深度学习技术的使用限制在机器感知部件上，因为假如你的系统作出错误判断，你能够准确知道是哪里出错，然后防止同样的错误不会重复。
Tandon说，"黑盒子的确是个大问题。我们希望能够做到训练深度学习系统来帮助我们感知和决定，但同时也包含一些规则和一些人所能够了解的知识，以确保安全。 “全部实现的深入学习系统是一个巨大的黑盒子，把原始的传感器数据转换为方向盘的转动或加速器和刹车的启动运作。但Tandon说，Drive有意避免实现这种完全的端对端系统。“你如果能把系统分解成各个作深入学习的部分，那么你明白不同的部分，可以用不同的方式来进行验证，你对于整个深入学习系统所输出的车辆行为会更有信心。"
Drive的研究人员说，窥探黑盒子，然后验证（或调整）它的内部是有些妙招的。比如你可以给它提供某些数据，比如摄像头图像，遮蔽掉几乎所有的其它东西，只给它你想要查询的内容，然后查看你的算法如何对稍微不同的情景作出反应。在处理某些特别的情形时，模拟可以是非常有用的工具。Tandon解释说：
“我们最初开始研究传感器系统的深入学习技术时，所遇到的一个挑战就是经过立交人行道。我们开车出去，立交人行道的影子会导致系统错误辨认到一个假的障碍物。在深度学习过程中，你可以把算法的注意力集中在一个称为“硬挖掘“的过程上，是很有挑战的情景。然后我们用人造的例子增加数据集，等于对系统说，“嘿，系统，你告诉我你要对这个影子怎么办，我要干预一下，让你再做一次。” 随着时间推移，系统就开始知道怎样处理立交人行道的影子，然后你可以在系统的层面来确认它。”
培训深度学习系统
深度学习的系统需要很多数据。一个算法看到的数据越多，就越能够更好地识别出模式，归纳理解它，以便安全驾驶。自动驾驶需要了解大量不同的路况，大多数研制自驾车辆的公司都会从一开始就尽可能地收集数据。那么问题就在于管理数据了，利用收集到的数据做些有用的事。Drive.ai知道，不是所有数据都同等，所以公司投入大量精力收集高质量的数据，并加以注释，让它对于训练深度学习的算法有帮助。
注释虽然很简单，但也很繁琐：给一个人工注释员一组数据，比如一个很短的视频片段，或只是几帧视频图像或激光雷达图像，让他为每辆车、每个行人、道路标志、交通信号灯，和其它任何与自动驾驶有关的东西，画出框架和加标签。Reiley说，"我们知道有的公司雇用好几千人做这工作。注释员为图中物体周围的框架加标注，每个小时的驾驶大约需要800人工小时的标注，这些团队都会很吃力。而我们公司已经有了更快的速度，并且我们不断地优化。"
这怎么可能做到？因为Drive已经找到解决方案，使用深度学习来增强自动化地注释数据。所以它只使用一小队的人工注释员，这些人都在忙着训练全新的路况，或验证系统作出的注释。Tandon解释说， “有些路况我们的深度学习系统做得很好，我们只需要验证一下。另外一些路况我们需要改进算法，引导系统做出正确的注释，所以我们有一个人工注释团队来做第一次引导性的重复，我们借着重复引导来改进深度学习系统。现在在许多情况下，我们的深度学习系统已经做得比我们的专家人工注释员还好了。想想看，这简直是令人惊讶的事。”
Drive.ai的团队很难不让其它公司也去建造自己的深入学习架构和工具，同样地用深度学习方法来作注释和训练。Tandon说， “我们经常谈论这件事：凭什么不让别人做我们所做的事？说实话，这个问题有很多方面，深入学习是个集成的系统，整个系统有太多的部件都需要搞对，很难说是因为某个特别的原因使这个做法效果这么好。
Reiley同意： “你的设计决定一定要是软件驱动、为优化深度学习而着想，为软件和硬件的整合而着想。人家都把注意力放在算法部分，而我们有其它的应用综合在一起。自动驾驶不仅仅是一个算法--它是很复杂的硬件/软件问题，还没有人解决过。"
（未完待续，后面会继续介绍深度学习在研制自驾车上的重要性，以及这样研制出来的自驾系统是“可扩展的”。）
在所有致力于4级自动驾驶技术（大多不需要人为干预的自驾系统）的初创企业中，位于加州山景城的Drive.ai很独特地率先使用了“可扩展的深度学习”方法（Scalable deep-learning）。若想很快造出真正有用的自动驾驶车辆，Drive认为从深度学习技术出发是唯一可行的方法。Drive的共同创始人及兼首席执行官Sameep Tandon说， “如果你从这些深度学习算法的长远可能性，来看人们将来如何建造自动驾驶汽车，那么让车辆拥有一个学习系统才是最有意义的。驾驶那么复杂，有那么多细微和困难的路况，如果你不用学习的方法，那你永远不会造出这些车来。
Drive上市只有大约一年的时间，但是公司已经有四辆车在硅谷地区穿行和（大部分）自动驾驶，甚至在黑暗、下雨、或冰雹等等对自动驾驶特别困难的情况中也可以。上个月，我们到加州去，乘坐和观看他们的自驾车，要了解他们的车辆是如何利用深度学习来掌握自动驾驶的。
正如其名，Drive.ai是为人工智能而诞生的。2015年，Drive由斯坦福大学人工智能实验室出来的深度学习技术的专家们创立。公司从一开始就致力于完全围绕着深度学习技术来建造自动驾驶功能，现已能够快速学习和适应，安全处理无数的自动驾驶所需掌握的状况。
Tandon说：“我想我们是第一个如此坚决要从一个深度学习的角度来发展自动驾驶的公司。共同创始人兼总裁Carol Reiley说， “与经典的机器人方法比起来，很多公司只是在这个或那个组件上采用深度学习技术，而我们比较全面。”
他们所提到的一般的零碎采纳深度学习的方法，是只把深度学习用在车辆的自动感知部件上。深度学习的人工智能对行人的辨识力很好，它善于在任何场景中对事物进行分类。而且它能够学习辨识某个特别的模式，然后扩展性地认出它过去没有实际看过的东西。换句话，你不必训练车子辨认每一种行人，因为它能够认出一个扶着助行器行走的老太太，和一个戴着棒球帽的小孩，都属于同一类物体。
摄像头获取的行人图像是一种感性模型。另一种模型是作决定和规划车辆行动：比如在四路停车的路口，或在红灯右转弯，都可以採用深度学习技术。但很多自动驾驶汽车的制作商都不做，为什么呢？主要是不习惯。Reiley和Tandon告诉我们，这种根据环境变量作决定的深度学习算法，比普通的根据规则作决定的做法好。深度学习能够“好像人一样“辨识模型，比根据规则编程而来的系统更细致。虽然如此，它有时候也会出问题。
黑盒子的问题
深度学习系统的模式识别能力是一个强大的功能，但因为这模式识别是神经网络算法的一部分，所以有“黑盒子”系统的问题：一旦系统被训练，输入黑盒子的是数据，输出的是有用的解释，而输入和输出之间的实际决策过程是人未必能够直观了解的。所以，许多从事自动驾驶车辆研制的公司不喜欢黑盒子，而采用机器人方法。他们把深度学习技术的使用限制在机器感知部件上，因为假如你的系统作出错误判断，你能够准确知道是哪里出错，然后防止同样的错误不会重复。
Tandon说，"黑盒子的确是个大问题。我们希望能够做到训练深度学习系统来帮助我们感知和决定，但同时也包含一些规则和一些人所能够了解的知识，以确保安全。 “全部实现的深入学习系统是一个巨大的黑盒子，把原始的传感器数据转换为方向盘的转动或加速器和刹车的启动运作。但Tandon说，Drive有意避免实现这种完全的端对端系统。“你如果能把系统分解成各个作深入学习的部分，那么你明白不同的部分，可以用不同的方式来进行验证，你对于整个深入学习系统所输出的车辆行为会更有信心。"
Drive的研究人员说，窥探黑盒子，然后验证（或调整）它的内部是有些妙招的。比如你可以给它提供某些数据，比如摄像头图像，遮蔽掉几乎所有的其它东西，只给它你想要查询的内容，然后查看你的算法如何对稍微不同的情景作出反应。在处理某些特别的情形时，模拟可以是非常有用的工具。Tandon解释说：
“我们最初开始研究传感器系统的深入学习技术时，所遇到的一个挑战就是经过立交人行道。我们开车出去，立交人行道的影子会导致系统错误辨认到一个假的障碍物。在深度学习过程中，你可以把算法的注意力集中在一个称为“硬挖掘“的过程上，是很有挑战的情景。然后我们用人造的例子增加数据集，等于对系统说，“嘿，系统，你告诉我你要对这个影子怎么办，我要干预一下，让你再做一次。” 随着时间推移，系统就开始知道怎样处理立交人行道的影子，然后你可以在系统的层面来确认它。”
培训深度学习系统
深度学习的系统需要很多数据。一个算法看到的数据越多，就越能够更好地识别出模式，归纳理解它，以便安全驾驶。自动驾驶需要了解大量不同的路况，大多数研制自驾车辆的公司都会从一开始就尽可能地收集数据。那么问题就在于管理数据了，利用收集到的数据做些有用的事。Drive.ai知道，不是所有数据都同等，所以公司投入大量精力收集高质量的数据，并加以注释，让它对于训练深度学习的算法有帮助。
注释虽然很简单，但也很繁琐：给一个人工注释员一组数据，比如一个很短的视频片段，或只是几帧视频图像或激光雷达图像，让他为每辆车、每个行人、道路标志、交通信号灯，和其它任何与自动驾驶有关的东西，画出框架和加标签。Reiley说，"我们知道有的公司雇用好几千人做这工作。注释员为图中物体周围的框架加标注，每个小时的驾驶大约需要800人工小时的标注，这些团队都会很吃力。而我们公司已经有了更快的速度，并且我们不断地优化。"
这怎么可能做到？因为Drive已经找到解决方案，使用深度学习来增强自动化地注释数据。所以它只使用一小队的人工注释员，这些人都在忙着训练全新的路况，或验证系统作出的注释。Tandon解释说， “有些路况我们的深度学习系统做得很好，我们只需要验证一下。另外一些路况我们需要改进算法，引导系统做出正确的注释，所以我们有一个人工注释团队来做第一次引导性的重复，我们借着重复引导来改进深度学习系统。现在在许多情况下，我们的深度学习系统已经做得比我们的专家人工注释员还好了。想想看，这简直是令人惊讶的事。”
Drive.ai的团队很难不让其它公司也去建造自己的深入学习架构和工具，同样地用深度学习方法来作注释和训练。Tandon说， “我们经常谈论这件事：凭什么不让别人做我们所做的事？说实话，这个问题有很多方面，深入学习是个集成的系统，整个系统有太多的部件都需要搞对，很难说是因为某个特别的原因使这个做法效果这么好。
Reiley同意： “你的设计决定一定要是软件驱动、为优化深度学习而着想，为软件和硬件的整合而着想。人家都把注意力放在算法部分，而我们有其它的应用综合在一起。自动驾驶不仅仅是一个算法--它是很复杂的硬件/软件问题，还没有人解决过。"
（未完待续，后面会继续介绍深度学习在研制自驾车上的重要性，以及这样研制出来的自驾系统是“可扩展的”。）
Monday, August 7, 2017
Thursday, August 3, 2017
新创公司访谈：夜莺安防
美国硅谷夜莺安防公司(Nightingale Security)为大型企业提供无人机保安服务。他们利用无人机来增强和代替安防人员的巡逻、监测、和处理警报信号的任务。夜莺安防公司是星图投资的投资组合项目之一，目前夜莺安防公司刚刚完成A轮的融资，在目前无人机在垂直领域的应用创新项目中，顺利完成A轮融资的初创公司不多。早前有关夜莺空中安防的报道，请按这里阅读。
夜莺的总执行长Jack Wu日前接受《商务明星》企业电视“Scale The Wall”节目Thuy Vu的访谈，讨论他在创业过程中所遇到的挑战、克服困难的经历。Jack是消费者互联网上的老将，具有18年的企业创新和开发的经验。以下W代表Jack Wu, V代表Thuy Vu。
V: 我们都知道企业营运是要有一定的魄力，特别是新创的小企业·，总是面对各种挑战。当挑战到来时，就需要”Scale the Wall”。我们的节目要讨论的就是应付这些挑战。今天我们请到夜莺安防公司的吴先生，他的公司所创新的无人机安防技术可以取代实地的安防工作人员。吴先生，很高兴您今天能够参加我们的节目。
W: 谢谢你们邀请了我。
V: 请介绍一下你们的无人机安防是怎样运作的，好吗？
W: 我们称为空中机器人安防系统（RAS，Robotic Aerial Security）。它包括无人机、自动为无人机充电的基站盒、还有一套软件来自动管理这些运作。
V: 在这之前，您做的是游戏和广告方面的工作，后来怎么会想到无人机安防这方面的东西呢？
W: 首先，这是机会。为了作广告，我在90年代末介入消费者互联网，到2000年对雅虎首页放什么内容有很多研究。后来我接触到电子游戏行业，因为有很多电子游戏来作广告嘛。我认识那些赞助商，于是我帮他们作广告，赚了很多钱。但是，我从小就喜欢亲手制作一些东西，我和我的合作伙伴John是高中时代认识的，我们两个都喜欢制作某些很酷的东西。如果制作不成功，至少我们也没太大的损失。
V: 您确实有个航天飞行方面的学位吧？
W: 我没有，但John，我的共同创始人有。他是我们公司的“大脑”，一切的飞行器硬件需要和控制软件都是他的策划。
V: 您的背景很有趣。您是10岁从台湾移民来美国的--那时候您会说英语吗？
W: 我那时不会，我只知道三个词： “谢谢”， “苹果”，另一个字我不想要在电视上说出来！
V: 哈，这三个字就能方便地对付很多生活需要了。
W: 呵呵没错，现在仍然是。
V: 所以你必须学英语。那么你的创业精神到底从哪里来的？
W: 我的父母从来没有受过高等教育。我们来到美国，父亲在一家公寓做维修工，母亲为公寓剪草。到周末我们就进到人家的办公室作清洁。我们住在Milpitas地区，那里有很多科技公司，我负责吸尘和把垃圾拿出去。当然我们也清洁公司总裁的办公室，我当时坐在总裁的转椅上，心想我以后不要做我父母所做的工作，我要做好一些的工作。而且这显然是可能的，这个人不就有个自己的办公室吗？
V: 哇，您那时就受了启发，知道自己将来要作个CEO？那时您几岁？
W: 我那时12岁，还不知道我能作CEO，但知道我将来不要作办公室的清洁工…一步步来的。
V: 您终于达到了自己的目标。请您说说现在您在公司里的工作。
W: 是的，目标达到了，可以说是幸运吧，我不会否认这里面有运气的成分。在湾区长大很好，90年代的科技繁荣直接影响到我，让我有了今天。
V: 所有的初创公司都经历到风浪和起伏，您有没有撞到墙，然后必须登墙越过来？
W: 有，我们整个团队都坚持过来了。我给你一个例子：我们要在佛罗里达的Space X举行重要的演示，可是我们的无人机基站在运输过程中丢失了，有个后勤环节没有落实好。结果我们需要马上解决这个问题。我对我的团队说，唯一的解决办法是租一部卡车，连夜开车送过去一套备用的基站。结果我们租了一部卡车，三个人上车，日夜不停地越野驾驶，跨越美国去参展。
V: 那一定是很大的压力。
W: 也是挑战，我喜欢雇用这样的人，他们不把上班看为9点到5点的事情，而是看为要达到一个目标，他们个人的理念和公司的目标一致。…结果这三个人驾车跨越美国。我说，既然驾车跨越美国，为何不顺便在路途中停几站，为其它有兴趣的公司作演示？
V: 哈，真正的机会主义者。
W: 既然已经花了这么多钱嘛，干脆利用机会！
V: 那次有没有得到什么商机？
W: 有啊，我们正在和某些大的石油公司洽谈。
V: 你们的空中机器人安防服务看起来很酷。当我们想到安防工作的时候，我们会想到传统的做法，雇佣安防人员去巡逻等等。吴先生，当您去到使用传统安防体系的公司时，您如何劝服他们改用你们的无人机安防系统？
W: 其实我们不只是和其它的安防机器人公司竞争，我们竞争的对象其实是现在的用户，希望改变他们的工作习惯。这些用户都是采纳我们早期技术的一些公司，我们重点是要争取他们。我们希望那些和我们有共同理念的公司，能够真正看到使用这套系统的好处，能够根据我们的产品特点来建立他们的安防体系。有许多确实如此做了，很积极热情地建立他们的安防系统。其中一个理由就是，这个产品确实很吸引人，和机器人一同工作，很新颖。他们很愿意用无人机来作安防工作，他们非常支持我们。反过来，我们总是跟进他们，给他们看我们新技术发展。尽管他们从最开始不是我们的顾客，那不要紧，重要的是他们对这项新技术很热心。当他们有了足够的认识，就会和我们成交，让我们来服务他们的其它设施。
V: 您认为夜莺安防公司5年的前景如何？
W: 我们有不同的路径可走。我看到因为数据互联网的作用，当你越来越多地在客户场地实施无人机安防体系，我们的无人机会越来越有智慧。我们会收集越来越多的数据，我们聚集这些数据来教我们的无人机如何在大的商用场地执行任务。数据量越大，无人机系统部署得越多，我们的无人机安防任务执行就越快速有效，越有智慧，我们的业务就会像滚雪球一样越滚越大。
V: 在这过程中你看到前面会有什么样的挑战？
W: 有两样挑战。一样显然是销售，你需要把产品放在客户的实用场地，这非常重要。让我们的客户看到这如何能够省钱。我给他们一个选项，可以不雇佣人工安防人员。我也给他们能够在夜间工作的能力，只有超人能够做到在夜间飞上高空做看守设施的工作。
V: 到目前为止，你们所承担的最大风险是什么？
W: 我想，最大的风险是直接和用户作交易。
V: 为什么呢？
W: 当我们开始和客户的安防巡逻队、和中间商谈的时候，我们发现没有人真正了解我们想要做什么。他们不了解我们的产品。当我们分享了我们的理念之后，有的很认同，当然最终我们需要有专门的销售人员，来照顾和服务我们的客户，而不是由技术公司来做。我相信我们最终的目标是，客户打电话给我们，直接和我们谈，让他们开始体验我们的产品。我想要拥有这全部的过程，只有直销能够做到。当然我们也不排斥中间渠道，而且很快我们会有中间渠道。当我们的技术越来越成熟，最后还是要打开中间渠道的。
V: 目前对于夜莺安防公司，你最担心的是什么？
W: 目前最担心的是公司的安全防卫问题。另一个最担心的是产品的可靠性问题。可靠性来自大量的测试，我们从头到尾作各个环节的测试。我们在总部亲自作测试，我们测试系统的夜间运作。目前仅有的七家无人机公司获得了美国航空局的夜间飞行与多机飞行许可证，夜莺是其中之一。除了我们之外还有Google的Project Wing 。
V: 所以，对于客户来说，这些都是很新鲜的尝试，但一定也会担心吧？
W: 会的。我们必须面对顾客的拒绝。
V: 有很多顾客拒绝你们吗？
W: 当然。这产品很新嘛，我必须向他们证明这产品好用。不光向他们解释，还要为他们证明出来，然后给他们时间考虑，说服那些主管销售的人或管理设施的经理，请他们来看演示，挺不容易。
V: 您是夜莺安防公司的总执行长，您是发觉这工作越来越容易，还是每次都有不同的挑战？
W: 每次的挑战都不同，但每次的挑战都有共通性，所以还是越来越容易的。挑战无非是人事上的、很令人头痛，无论大小公司，你总会遇到个性很强的人。有些人寻求某些特定的角色，可是没有那么多职位给你，你必须管理这些冲突。这些人是公司成立的最初动力，会觉得他们有权说话。所以即使是小公司，也充满了政治。但我会汲取功课，雇用合适的人去做工，来降低那方面的挑战。
V: 祝你们好运！看来您的目标很好，我们衷心祝愿你们成功。
夜莺的总执行长Jack Wu日前接受《商务明星》企业电视“Scale The Wall”节目Thuy Vu的访谈，讨论他在创业过程中所遇到的挑战、克服困难的经历。Jack是消费者互联网上的老将，具有18年的企业创新和开发的经验。以下W代表Jack Wu, V代表Thuy Vu。
V: 我们都知道企业营运是要有一定的魄力，特别是新创的小企业·，总是面对各种挑战。当挑战到来时，就需要”Scale the Wall”。我们的节目要讨论的就是应付这些挑战。今天我们请到夜莺安防公司的吴先生，他的公司所创新的无人机安防技术可以取代实地的安防工作人员。吴先生，很高兴您今天能够参加我们的节目。
W: 谢谢你们邀请了我。
V: 请介绍一下你们的无人机安防是怎样运作的，好吗？
W: 我们称为空中机器人安防系统（RAS，Robotic Aerial Security）。它包括无人机、自动为无人机充电的基站盒、还有一套软件来自动管理这些运作。
V: 在这之前，您做的是游戏和广告方面的工作，后来怎么会想到无人机安防这方面的东西呢？
W: 首先，这是机会。为了作广告，我在90年代末介入消费者互联网，到2000年对雅虎首页放什么内容有很多研究。后来我接触到电子游戏行业，因为有很多电子游戏来作广告嘛。我认识那些赞助商，于是我帮他们作广告，赚了很多钱。但是，我从小就喜欢亲手制作一些东西，我和我的合作伙伴John是高中时代认识的，我们两个都喜欢制作某些很酷的东西。如果制作不成功，至少我们也没太大的损失。
V: 您确实有个航天飞行方面的学位吧？
W: 我没有，但John，我的共同创始人有。他是我们公司的“大脑”，一切的飞行器硬件需要和控制软件都是他的策划。
V: 您的背景很有趣。您是10岁从台湾移民来美国的--那时候您会说英语吗？
W: 我那时不会，我只知道三个词： “谢谢”， “苹果”，另一个字我不想要在电视上说出来！
V: 哈，这三个字就能方便地对付很多生活需要了。
W: 呵呵没错，现在仍然是。
V: 所以你必须学英语。那么你的创业精神到底从哪里来的？
W: 我的父母从来没有受过高等教育。我们来到美国，父亲在一家公寓做维修工，母亲为公寓剪草。到周末我们就进到人家的办公室作清洁。我们住在Milpitas地区，那里有很多科技公司，我负责吸尘和把垃圾拿出去。当然我们也清洁公司总裁的办公室，我当时坐在总裁的转椅上，心想我以后不要做我父母所做的工作，我要做好一些的工作。而且这显然是可能的，这个人不就有个自己的办公室吗？
V: 哇，您那时就受了启发，知道自己将来要作个CEO？那时您几岁？
W: 我那时12岁，还不知道我能作CEO，但知道我将来不要作办公室的清洁工…一步步来的。
V: 您终于达到了自己的目标。请您说说现在您在公司里的工作。
W: 是的，目标达到了，可以说是幸运吧，我不会否认这里面有运气的成分。在湾区长大很好，90年代的科技繁荣直接影响到我，让我有了今天。
V: 所有的初创公司都经历到风浪和起伏，您有没有撞到墙，然后必须登墙越过来？
W: 有，我们整个团队都坚持过来了。我给你一个例子：我们要在佛罗里达的Space X举行重要的演示，可是我们的无人机基站在运输过程中丢失了，有个后勤环节没有落实好。结果我们需要马上解决这个问题。我对我的团队说，唯一的解决办法是租一部卡车，连夜开车送过去一套备用的基站。结果我们租了一部卡车，三个人上车，日夜不停地越野驾驶，跨越美国去参展。
V: 那一定是很大的压力。
W: 也是挑战，我喜欢雇用这样的人，他们不把上班看为9点到5点的事情，而是看为要达到一个目标，他们个人的理念和公司的目标一致。…结果这三个人驾车跨越美国。我说，既然驾车跨越美国，为何不顺便在路途中停几站，为其它有兴趣的公司作演示？
V: 哈，真正的机会主义者。
W: 既然已经花了这么多钱嘛，干脆利用机会！
V: 那次有没有得到什么商机？
W: 有啊，我们正在和某些大的石油公司洽谈。
V: 你们的空中机器人安防服务看起来很酷。当我们想到安防工作的时候，我们会想到传统的做法，雇佣安防人员去巡逻等等。吴先生，当您去到使用传统安防体系的公司时，您如何劝服他们改用你们的无人机安防系统？
W: 其实我们不只是和其它的安防机器人公司竞争，我们竞争的对象其实是现在的用户，希望改变他们的工作习惯。这些用户都是采纳我们早期技术的一些公司，我们重点是要争取他们。我们希望那些和我们有共同理念的公司，能够真正看到使用这套系统的好处，能够根据我们的产品特点来建立他们的安防体系。有许多确实如此做了，很积极热情地建立他们的安防系统。其中一个理由就是，这个产品确实很吸引人，和机器人一同工作，很新颖。他们很愿意用无人机来作安防工作，他们非常支持我们。反过来，我们总是跟进他们，给他们看我们新技术发展。尽管他们从最开始不是我们的顾客，那不要紧，重要的是他们对这项新技术很热心。当他们有了足够的认识，就会和我们成交，让我们来服务他们的其它设施。
V: 您认为夜莺安防公司5年的前景如何？
W: 我们有不同的路径可走。我看到因为数据互联网的作用，当你越来越多地在客户场地实施无人机安防体系，我们的无人机会越来越有智慧。我们会收集越来越多的数据，我们聚集这些数据来教我们的无人机如何在大的商用场地执行任务。数据量越大，无人机系统部署得越多，我们的无人机安防任务执行就越快速有效，越有智慧，我们的业务就会像滚雪球一样越滚越大。
V: 在这过程中你看到前面会有什么样的挑战？
W: 有两样挑战。一样显然是销售，你需要把产品放在客户的实用场地，这非常重要。让我们的客户看到这如何能够省钱。我给他们一个选项，可以不雇佣人工安防人员。我也给他们能够在夜间工作的能力，只有超人能够做到在夜间飞上高空做看守设施的工作。
V: 到目前为止，你们所承担的最大风险是什么？
W: 我想，最大的风险是直接和用户作交易。
V: 为什么呢？
W: 当我们开始和客户的安防巡逻队、和中间商谈的时候，我们发现没有人真正了解我们想要做什么。他们不了解我们的产品。当我们分享了我们的理念之后，有的很认同，当然最终我们需要有专门的销售人员，来照顾和服务我们的客户，而不是由技术公司来做。我相信我们最终的目标是，客户打电话给我们，直接和我们谈，让他们开始体验我们的产品。我想要拥有这全部的过程，只有直销能够做到。当然我们也不排斥中间渠道，而且很快我们会有中间渠道。当我们的技术越来越成熟，最后还是要打开中间渠道的。
V: 目前对于夜莺安防公司，你最担心的是什么？
W: 目前最担心的是公司的安全防卫问题。另一个最担心的是产品的可靠性问题。可靠性来自大量的测试，我们从头到尾作各个环节的测试。我们在总部亲自作测试，我们测试系统的夜间运作。目前仅有的七家无人机公司获得了美国航空局的夜间飞行与多机飞行许可证，夜莺是其中之一。除了我们之外还有Google的Project Wing 。
V: 所以，对于客户来说，这些都是很新鲜的尝试，但一定也会担心吧？
W: 会的。我们必须面对顾客的拒绝。
V: 有很多顾客拒绝你们吗？
W: 当然。这产品很新嘛，我必须向他们证明这产品好用。不光向他们解释，还要为他们证明出来，然后给他们时间考虑，说服那些主管销售的人或管理设施的经理，请他们来看演示，挺不容易。
V: 您是夜莺安防公司的总执行长，您是发觉这工作越来越容易，还是每次都有不同的挑战？
W: 每次的挑战都不同，但每次的挑战都有共通性，所以还是越来越容易的。挑战无非是人事上的、很令人头痛，无论大小公司，你总会遇到个性很强的人。有些人寻求某些特定的角色，可是没有那么多职位给你，你必须管理这些冲突。这些人是公司成立的最初动力，会觉得他们有权说话。所以即使是小公司，也充满了政治。但我会汲取功课，雇用合适的人去做工，来降低那方面的挑战。
V: 祝你们好运！看来您的目标很好，我们衷心祝愿你们成功。
Subscribe to:
Posts (Atom)