Waymo依靠Alphabet和谷歌的技術優勢，將神經網絡系統和機器學習法等人工智能技術引入到自動駕駛汽車的改進之中，大大降低了自動駕駛的出錯率。

　　在亞利桑那州的鳳凰城的郊區，Waymo的小貨車已經完全不用人工操縱方向盤，已經實現全面的自動駕駛模式。這些車內有“大腦”控制，擁有一系列復雜的神經網絡。這聽起來有點可怕，但該公司表示這一系統絕對安全。

　　如今，隨便一個人買來攝像頭和激光雷達傳感器裝在車上，就美其名曰自動駕駛車。然而，對于自動駕駛領域而言，最核心也是最重要的是如何使自動駕駛車像人類一樣掌控汽車或者比人類的駕駛技術還要好？

　　在Google的I/O開發者大會上，Waymo的CEO約翰?克拉夫西克（John Krafcik）就透露了這樣一種信息：我們的自動駕駛汽車看得更遠、具有更強得感知能力、反應比人還要靈敏。

　　一直以來，Waymo致力于使自動駕駛完全擺脫對人的依賴，實現完全自動化。

　　最近，他們在研究一種叫做“自動化機器學習”的人工智能項目。在這一項目中，他們利用神經網絡技術來完善自動駕駛技術。

　　Waymo的工程師們不僅對汽車如何識別路上的物體進行建模，還研究人類的行為對汽車的影響。 他們使用深度學習法對在公路上和模擬環境下的行車數據進行解讀、預測和響應。

　　Waymo在自動駕駛領域處于領先地位，它已經在公路上行駛了600萬公里，模擬環境下行駛了50億英里。在此過程中，Waymo收集了大量的數據和信息。Waymo還和菲亞特克萊斯勒和捷豹路虎兩大汽車制造商達成了合作。德米特里·多爾戈夫（Dmitri Dolgov），Waymo的首席技術官表示：自動駕駛對于性能和精度要求很高，這方面的行車經驗就很重要。

　　深度學習的概念源于人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。

　　深度學習也是機器學習的一種，能夠運用神經網絡的不同的感知層來分析不同的抽象數據，是提高自動駕駛汽車感知能力和性能的極佳方案。

　　Google 的Brain 小組的專家也和多爾戈夫手下的工程師們共同研究能夠提升自動駕駛精確性的方法。

　　之前，自動駕駛系統錯誤率較高，不能很好地分辨汽車、交通信號和新人。在實時情況下，做出相應的速度較慢。

　　為改進這一問題，Google在系統的識別能力提升方面下了很大的功夫。AI的工程師們將機器學習法與神經網絡技術相結合，并將其運用到自動駕駛技術中，以挖掘兩者的技術優勢。

　　多爾戈夫表示，人們能一眼分辨出貓和狗，但是如果讓人們講出得出這一結論的原因就復雜多了。對于深度學習法來說亦是如此。教會機器從傳感器數據中挑出行人要比講述原理和編碼要簡單許多。

　　Waymo利用自動化程序和不同人的標簽分類來訓練系統的神經網絡。訓練完成后，這些巨大的數據庫還需要被刪減和壓縮，并在真實的行車環境中應用。這一過程，就像圖片的壓縮一樣，對于全球自動駕駛系統基礎設施的建造十分關鍵。

　　使自動駕駛車在白天能對過路的行人做出響應很容易，但是讓其察覺并對一個橫穿馬路的行人做出反應相對較難。

　　如果行人停在路的中央分道區怎么辦？Waymo的自動駕駛車會謹慎地做出反應，因為行人一般會站在中央分道區等侯。但是，如果沒有中央分道區怎么辦？Waymo的車也可以識別出來行人的非正常行為，并盡量放慢速度，讓行人穿過去。

　　通過機器學習法的嵌入，Waymo可以識別出行人的正常和違規行為，防止因行人闖紅燈或違規橫穿馬路時撞到行人。

　　另外，神經網絡系統需要大量的數據和技術來支撐和訓練。作為Alphabet的子公司，Waymo可以利用谷歌的數據中心來訓練其神經網絡系統。具體而言，Waymo可以使用谷歌強大的云計算硬件系統，即TPU處理器（tensor processing units），這足以支撐Waymo這一偉大的技術研發計劃。通常，這一工作是由商用的GPUs來完成的，通常時Nvidia. 但近幾年來，谷歌也研發出自己的硬件和軟件系統。相比之下， TPUs 遠比CPUs要快許多。

　　如果Waymo能夠建立機器學習模型，并使其具備神經網絡系統的車能夠在路標不清晰的街道上行駛，那么Waymo的自動駕駛汽車范圍將不會局限于鳳凰城的郊區，而是更多的開放的道路。 今年，Waymo還計劃在美國亞利桑那州建立全面無人駕駛出租車業務。