Waymo依靠Alphabet和谷歌的技术优势，将神经网络系统和机器学习法等人工智能技术引入到自动驾驶汽车的改进之中，大大降低了自动驾驶的出错率。

　　在亚利桑那州的凤凰城的郊区，Waymo的小货车已经完全不用人工操纵方向盘，已经实现全面的自动驾驶模式。这些车内有“大脑”控制，拥有一系列复杂的神经网络。这听起来有点可怕，但该公司表示这一系统绝对安全。

　　如今，随便一个人买来摄像头和激光雷达传感器装在车上，就美其名曰自动驾驶车。然而，对于自动驾驶领域而言，最核心也是最重要的是如何使自动驾驶车像人类一样掌控汽车或者比人类的驾驶技术还要好？

　　在Google的I/O开发者大会上，Waymo的CEO约翰?克拉夫西克（John Krafcik）就透露了这样一种信息：我们的自动驾驶汽车看得更远、具有更强得感知能力、反应比人还要灵敏。

　　一直以来，Waymo致力于使自动驾驶完全摆脱对人的依赖，实现完全自动化。

　　最近，他们在研究一种叫做“自动化机器学习”的人工智能项目。在这一项目中，他们利用神经网络技术来完善自动驾驶技术。

　　Waymo的工程师们不仅对汽车如何识别路上的物体进行建模，还研究人类的行为对汽车的影响。 他们使用深度学习法对在公路上和模拟环境下的行车数据进行解读、预测和响应。

　　Waymo在自动驾驶领域处于领先地位，它已经在公路上行驶了600万公里，模拟环境下行驶了50亿英里。在此过程中，Waymo收集了大量的数据和信息。Waymo还和菲亚特克莱斯勒和捷豹路虎两大汽车制造商达成了合作。德米特里·多尔戈夫（Dmitri Dolgov），Waymo的首席技术官表示：自动驾驶对于性能和精度要求很高，这方面的行车经验就很重要。

　　深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

　　深度学习也是机器学习的一种，能够运用神经网络的不同的感知层来分析不同的抽象数据，是提高自动驾驶汽车感知能力和性能的极佳方案。

　　Google 的Brain 小组的专家也和多尔戈夫手下的工程师们共同研究能够提升自动驾驶精确性的方法。

　　之前，自动驾驶系统错误率较高，不能很好地分辨汽车、交通信号和新人。在实时情况下，做出相应的速度较慢。

　　为改进这一问题，Google在系统的识别能力提升方面下了很大的功夫。AI的工程师们将机器学习法与神经网络技术相结合，并将其运用到自动驾驶技术中，以挖掘两者的技术优势。

　　多尔戈夫表示，人们能一眼分辨出猫和狗，但是如果让人们讲出得出这一结论的原因就复杂多了。对于深度学习法来说亦是如此。教会机器从传感器数据中挑出行人要比讲述原理和编码要简单许多。

　　Waymo利用自动化程序和不同人的标签分类来训练系统的神经网络。训练完成后，这些巨大的数据库还需要被删减和压缩，并在真实的行车环境中应用。这一过程，就像图片的压缩一样，对于全球自动驾驶系统基础设施的建造十分关键。

　　使自动驾驶车在白天能对过路的行人做出响应很容易，但是让其察觉并对一个横穿马路的行人做出反应相对较难。

　　如果行人停在路的中央分道区怎么办？Waymo的自动驾驶车会谨慎地做出反应，因为行人一般会站在中央分道区等侯。但是，如果没有中央分道区怎么办？Waymo的车也可以识别出来行人的非正常行为，并尽量放慢速度，让行人穿过去。

　　通过机器学习法的嵌入，Waymo可以识别出行人的正常和违规行为，防止因行人闯红灯或违规横穿马路时撞到行人。

　　另外，神经网络系统需要大量的数据和技术来支撑和训练。作为Alphabet的子公司，Waymo可以利用谷歌的数据中心来训练其神经网络系统。具体而言，Waymo可以使用谷歌强大的云计算硬件系统，即TPU处理器（tensor processing units），这足以支撑Waymo这一伟大的技术研发计划。通常，这一工作是由商用的GPUs来完成的，通常时Nvidia. 但近几年来，谷歌也研发出自己的硬件和软件系统。相比之下， TPUs 远比CPUs要快许多。

　　如果Waymo能够建立机器学习模型，并使其具备神经网络系统的车能够在路标不清晰的街道上行驶，那么Waymo的自动驾驶汽车范围将不会局限于凤凰城的郊区，而是更多的开放的道路。 今年，Waymo还计划在美国亚利桑那州建立全面无人驾驶出租车业务。