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”。）

转载：国家“千人计划”专家为汕头发展献计

本节目原载汕头网络电视台--《橄榄网》8月6日的报导。

我们SVTC的主席范群博士，我们的清洁能源专家刘科博士，以及多位的国家“千人计划”专家，都来到广州归谷科技园，考察创业环境。

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。

人工智能、机器学习、深度学习

我们外行人常常搞不清artificial intelligence(AI)、machine learning(ML)、和deep learning(DL)的关系。本文内容取自nvidia的博客网站的介绍文章。Nvidia为无人驾驶技术提供数据操作平台，最近和Toyota、百度等等公司达成了协作关系。NVIDIA坐落在硅谷的Santa Clara。

人工智能(AI)、机器学习(ML)、和深度学习(DL)技术之间到底是什么关系呢？Google DeepMind开发的电脑围棋软件AlphaGo，在韩国以五局三胜赢了世界上最好的职业棋手，媒体用了所有这三个名词来报道AlphaGo，因为人工智能、机器学习、和深度学习都是AlphaGo赢赛的原因。但这三个名词是不同的，你可以把这三者想成同心圆的关系：AI在最外围，是人们首先听见的概念，DL的发展在最里面，是AI发展的核心动力，只应用在一部分的ML技术上，却驱动了整个AI界各层面的爆炸性发展和应用，如下图所示：

AI能够大发展的主要原因是图像处理器（GPUs）和存储技术大大发展了，能够又快、又便宜地同时处理大量信息，并且几乎是无限制地快速存储和访问这些数据，以及快速地综合分析各类数据的能力（称为大数据）。随着各种传感器的研发，收集到更多更广的数据资源，反过来又进一步促进大数据技术的发展...现在能够利用AI的行业已经相当广了。

起初，计算机开始发展出来的时候，AI科学家就梦想着计算机有一天能够具有人类智力的特点。收集数据，计算，分类等等，机器肯定比人来的快，于是有了ML的设想—一种让机器取得AI的途径。举个机器学习的例子：

我们的电子邮箱，起初使用时收到很多垃圾邮件。现在有一大堆都被自动送到另一个文件夹去了，因为你的电子邮件服务商开始让你的计算机学习辨认垃圾邮件了。他们先输入一些数据，指出某些垃圾邮件的特征。然后允许用户指出，哪些垃圾邮件它没有辨认出来，哪些并不是垃圾邮件--它有辨认失误。你若借着点击“spam”或“not spam”经常“教导”，你的计算机就会累积数据，“学会”在这方面更好地服务你。你如果经常不看某人寄来的邮件而直接删除，你的计算机也可能学会，把那人的邮件自动归类为垃圾邮件等等，这些都不需要你为它编程序！你的电脑还会在一定时期之后自动为你清除垃圾文件夹，所以你最好定期检查一下你的垃圾文件夹，以免遗失重要信件。

虽然计算机可以借着积累的数据“学习”辨认文字和图像，并根据辨认结果很快作出某些决定和行动，还是远远不能和人类智力相比。下一步是进入DL发展阶段，就是让计算机拥有深度的学习能力。

DL是采用某种复杂的算法系统，来实现ML，让ML来模拟人的大脑神经网络。人的大脑有很多彼此联络的神经元，每个神经元都和周围所有其它的神经元联络，让人能够毫不费力地联想、分析、判断。而模拟的人工神经网络只能有一些离散层次的联结，而且数据传播的方向是预先设计好的。

比如，你把一个图像破碎成许多小块，送进人工神经网的第一层，就是那些单个的神经元，处理后送给第二层，第二层处理后再送到第三层等等，最后综合结果，达到辨认出来的目的。每一层的神经元处理结果都产生一个指数，这个指数叠加到最后，越高就说明所得结论的把握越高。比如辨认六角形的红色停车标志，图景中有没有停车标志呢？机器能够给出一个百分数，告诉你辨认出来的几率有多大。

能够辨认一幅图画还不够，实现深度学习的DL阶段真正开始，全靠图像处理技术完善，就是GPUs出现，才算真正把人工智能的神经元设想实现。起初认错的几率比较大，需要增加人工神经元网络的规模和密度，还需要常输入正确答案，然后借着DL算法来处理许多的ML图像，并借着筛选结果，来“训练”计算机“学习”看很多图像，得出抽象的分析结果。

DL是某种用来筛选结果的特别算法，不同的AI任务有不同的变量。现在在某些AI情况下，使用了DL的ML已经比人还强了。比如辨认血液中的某些癌指标，辨认磁共振图像扫描中的血相和肿瘤等等。Google开发出来的AlphaGo一遍遍地与自己下棋，使用了DL技术的ML不住地筛选并记住比较优化的棋局步骤，最后赢了世界上最好的棋手。

DL可以用在很多ML的领域中。DL能够把各种任务划分成细小的任务，使机械辅助成为可能，比如无人驾驶车辆，检查身体等等。AI因为DL和ML技术而大大发展，这些工作在不久的将来都必定会因为AI得到突破。

下面是NVIDIA公司的CEO黄仁勋（Jensen Huang）博士解释DL的概念。他后面演示了VR电脑游戏。因为NVIDIA是一个DL平台，所以应用是很多的，家居啊，运输啊等等。从讲演开始大约19分钟左右，黄总裁开始解释无人驾驶技术，很有趣。AI车辆不仅了解车辆周围的情形，也了解司机和乘客的状况，必要时发出警告。不用说，AI车辆能够完全自行驾驶。



NVINDIA最早研制自动驾驶技术的合作伙伴是奥迪汽车。

无人驾驶车辆的研发状况

到2021年，无人驾驶车辆的时代将要开始。美国的《商业内幕》网站（Business Insider）列出了19家目前正在积极研发无人驾驶车辆和技术的公司，其中有的已经宣告他们的全自动无人驾驶车辆届时将在美国实际投入使用。（当然是假定必要的法律规条制定到位和实施。）

Tesla

参与了这场研发竞赛的公司包括：

Tesla的目标是2018年具备全面的无人驾驶技术。首席执行官Elon Musk 2015年9月就宣布了这个决心，但是2018年美国从法律上只怕还没那么快让无人驾驶车辆上街。

Uber是共享经济的前锋，已在宾州匹兹堡推出了使用无人驾驶车辆的试点计划，用的就是福特的Fusion型号，媒体报刊今年作了不少详细报道。Uber的首席执行官Travis Kalanick一度受邀进了川普内阁的工商咨询委员会呢。

Google拥有最大的交通路况和人脉资讯，也参与了无人驾驶技术的研发。它的前项目领头人Chris Urmson曾在2015年的一个讲演中提到2020年完成期限。Google旨在逐步推出半自动的驾驶功能，据说最后目标还是要生产出全自动的无人驾驶车辆。

Toyota的目标也设在2020年，他们在2015年宣布投资10亿在人工智能和机器人上，成立了专门的研究所（TRI）来改进车辆。TRI坐落在硅谷的Palo Alto，今年三月份美国工商杂志《福布斯》报道，他们初次成功完成无人驾驶接送的试验，如同机器人保姆和车夫，非常安全可靠。

via GIPHY

BMW

BMW目前的7系列型号已经具有一些半自动功能来增加安全性。公司打算把一个全电动、能够无人驾驶的汽车型号引进中国。

Volvo旨在增加车辆的安全性，准备在2020年之前在所有的车上装备半自动的安全功能，并推出全自动驾驶的车型。今年，这家公司已开始在瑞典作实际的自动驾驶试验：找一个家庭试用XC90s，收集其驾驶数据，然后安装到100辆XC90s型号，给其他的人测试和使用...据称Volvo也打算在中国测试呢。

Nissan决心在2020年之前生产出实际可用的自动驾驶车辆，他们已经具备了一些必要的先进技术。这两天有消息宣布，他们的电动Leaf型号将配备按钮启动的全自动泊车功能。

Ford 自动驾驶车辆

Ford将于2021年推出一批自动驾驶车辆，参与Uber的车辆共乘（或称叫车服务Hailing service）系统。这批车辆将没有方向盘、刹车、和油门，谁都可以用，不必是有钱人的奢侈专利。最近，Ford和中国的百度联手，投资硅谷先进的激光雷达系统和传感器公司Velodyne，开发自动驾驶和共乘通讯的新技术。

General Motors和Lyft联手，也投资建造电动的全自动无人驾驶汽车互联网，服务大众用戶。根据據最近的報導，ＧＭ与硅谷的创新公司Cruise Automation合作开发無人駕駛汽車，今年一月Chevy Bolt型号已经开始在密歇根州的生产线上组装．车顶有好几十个攝像头和传感器。装好后运到旧金山安装软件和测试调整，然后送交试点运行计划。

Daimler是奔驰牌汽车的生产厂家。他们也设下了2020年的目标，生产无人驾驶的运输大卡车。他们在2016年7月已有第一辆自动驾驶的大卡车在公路上完成了自行驾驶任务，估计到2020年这卡车是可以实际投入使用的，解决长途驾驶人员疲劳和危险的问题。

还有Audi A7，2015年自行驾驶了550英里；北京的搜索集团百度公司，要在中国为汽车行和自动驾驶的合作伙伴提供软件平台，帮助他们搭建自动驾驶系统，打开共享经济的道路；Honda从2015年就一直在旧金山测试他们的无人驾驶车辆，有些半自动的安全驾驶警告功能已经安装在2016 Acura和Civi型号上；

Hyundai也在努力发展他们车辆上的无人驾驶功能，比如探测器发出紧急自动刹车指令，要安装在新车的型号上。嘿，恐怖分子绝对没办法用这样的车作案！

汽车供应商Bosch现正研发和生产的产品包括雷达传感器，和一切新的无人驾驶技术所需要的汽车零部件。世界上其它正在研发和试验无人驾驶汽车技术的还有欧洲的第二大汽车生产厂家，法国的PSA Groupe，中国的LeEco和与其合作的美国初创公司Faraday Future，而Apple，已经把力量集中在自动驾驶软件的开发上。

福特汽车的智能交通

根据2017年消费者电子展消息，福特公司已和美国最大的电信营运商AT&T，以及车辆技术公司Delphi联手，发展Vehicle-to-Anything (V2X) communication技术，并开发崭新的V2X技术平台。下面是福特公司的总裁兼首席执行官Mark Fields的话：



“福特将在5年之内开始批量生产“全自动驾驶”车辆。也就是说，没有方向盘要把握，没有油门需要踩，也没有刹车，因为不需要一个司机。实际上，我们相信自动驾驶车辆将要对社会产生显著的影响，这影响相当于一百多年前福特开始有汽车组装生产线的影响。当我们回顾过往，我们如何对人们的生活产生了巨大影响，我们知道在前面的一百年中，自动驾驶车辆将要再次改变世界的运转。”

当然，福特不是唯一研发自动驾驶系统的公司。目前在旧金山硅谷地区，這些无人驾驶车辆已经在大量的前期实验過程當中。下面是研发「可持续交通系统」的Lauren Isaac讲演，对未來智能交通共享作了描述--毕竟，不需要司机最终导致不需要个人拥有车辆--共享经济是技术发展的大趋势。

狮子鱼碰上创新技术

用无人机专门寻找和捕捉狮子鱼，卖到餐厅，作成美味，是初创公司American Marine Research Company的构想和目标。祝他们成功！

根据《科学美国人》的报道，狮子鱼本来栖息在印度洋海域，可是1985年进入大西洋南部（很可能是水族馆扔进海里去的），大量繁殖，严重侵犯威害到其它海生动物和鱼类。2013年，狮子鱼蔓延到加勒比海和在墨西哥湾，栖息密度已经远超其原产地，而且增速毫无减缓的趋势，很难铲除。

《今日美国》报道说，四位年轻刚刚毕业的学生，分别从麻州理工学院、普林斯顿大学、康乃尔大学、欧文研究生院走到一起，初创公司来接受这个挑战。他们去到佛罗里达州的西部，研制专用的无人机。狮子鱼没有天敌，他们要为狮子鱼制造人工的天敌。无人机必须能够准确分辨鱼种，免得错捕其它鱼类。另外，这狮子鱼的刺剧毒，必须安全除去毒刺、才能在市场销售和制成美食。

搜索网上新闻，水下机器人Guardian LF1已经被发明出来，能够潜入水下400英尺捕捉狮子鱼，一次捕捉10条，效率很高。一家非盈利组织RSE（Robots in Service of the Environment）在百慕大4月19日举行的狮子鱼饮食大赛上展示了Guardian LF1。


看来，狮子鱼碰上新的科学技术，必然要被消灭。