当然，深度学习系统的识别能力是一种强大的工具，但也面临着计算过程不被解释的“黑盒子“问题。这种模式以端到端的方式呈现出计算结果，但是输入和输出的实际决策过程，人们却看不到，也不一定能够直观理解。
翻开Drive.ai官网能够看到，创始团队成员来自全球各地，有美裔、印度裔、拉丁裔各种肤色，这也说明了Drive.ai自身的全球化定位。
八位核心创始成员都是吴恩达的学生
据了解，Drive.ai于去年4月份拿到了美国加州的无人驾驶路测牌照，目前该公司已经投入了尼桑、奥迪和福特三个平台的车型在进行路测。
Drive.ai的传感器配置使用了9个高清摄像头、2个毫米波雷达、6个Velodyne VLP16激光雷达，这套成本看起来可能不便宜，但王弢告诉钛媒体，这只是出于数据收集需要做的“更全面”的考虑，当实际应用的时候，根据不同场景，还会不同程度的成本缩减空间。
“Drive.ai 是多个传感器融合之后建立的模型。例如雨夜的场景，摄像头可能受到的限制比较多，但是激光雷达受到的影响可能就会小一些，而毫米波雷达受到的影响可能更小。”
李宏玮表示，她在很早的时候就看过被通用公司收入麾下的Cruise团队，而且也把硅谷的自动驾驶创业项目都看过一遍，于6个月前开始接触Drive.ai，做尽职调查，正是因为她看到，Drive.ai在技术上更加成熟，，它的方案离商业化也更近一些。
业内之所以称这家团队有华人背景，关键人物之一正是本文中接受采访的王弢，他出生于中国江苏无锡，在新加坡念完高中和本科，之后进入斯坦福大学。
王弢也对行业以“测试里程论英雄”的现象发表了看法， 他认为自动驾驶的瓶颈并不在于测试里程有多少，而是有没有足够丰富的数据类型和环境信息，以及对数据的高效率保存和标注。
关于中国团队，Dirve.ai 联合创始人王弢表示，中国是一块很大的市场，在发展无人驾驶技术方便也十分积极，肯定会在中国进行深耕布局，但具体的策略和时间表会在合适的时机透露。
纪源资本管理合伙人李宏玮告诉钛媒体，
王弢介绍了他们目前的数据利用有三大特点：
这也是大部分技术厂商选择传统机器学习算法做感知的原因，因为一旦系统发生了故障或者错误，能够弄清楚原因何在。
而且，深度学习的“黑盒子”问题是一个行业性问题，学界也都在积极围绕这个命题进行讨论，Drive.ai也在联合学界和产业界共同解决这个问题。
纪源资本的李宏玮也对钛媒体表示，如果Drive.ai要走向中国市场，他们会提供中国本土市场需求以及政府支持等方面的资源。
深度学习和冗余设计
“它（Drive.ai）选择的场景是可以标准化的，在这个场景里面再优化技术难点，会是一个渐进式的过程。所有场景里面难度最大的是城市无人驾驶，而短期内我觉得能够起来更快的，会是专用市场。”
在应用领域上，Drive.ai要做的是应用于有限地理环境内的全栈式技术供应商。全栈式是说，这套自动驾驶方案不仅包括车辆的无人驾驶系统，还包括车辆与行人、车辆与车辆间的交互系统。
经过两年多的发展，Drive.ai目前的团队规模在70人左右，公司定位是一个全栈式的技术供应商，利用利用深度学习技术，提供SAE（美国汽车工程学会）L4等级的自动驾驶技术系统方案。
而有限的地理环境则包括商业中心、封闭园区，以及共享出行等。这也是目前自动驾驶初创团队都在考虑的方向，因为大规模的乘用车消费市场对于车规级和成本的要求都十分之高，而封闭环境、有限环境下的商业应用领域则门槛相对较低。
在产品方向上，Drive.ai显然也没有走一条需要跟主机厂商“陪跑”的前向开发路线，这需要跟随一辆车型3-5年的开发周期，Drive.ai提供的一个自动驾驶方案的后装套件。“理论上只要有协议接口，都能用我们的方案实现自动驾驶。”王弢说。
“据我所了解，行业内的一些团队标注一个小时的数据大概需要800个小时的时间，我们半自动化系统的标注效率可以提高十几倍。”王弢告诉钛媒体。
有限地理环境内的全栈式技术供应商