从剑桥深度学习实验室走出的 Wayve，已经成为端到端自动驾驶深度学习领先者。与英国最大的杂货零售商和包裹配送公司开展商用试点，Wayve 将 AV 2.0 技术部署在城市送货车上，为伦敦最后一英里配送业务引入智能。这些穿行于复杂城市道路的自动驾驶货车，还将提供规模化的车队数据，用于训练 Wayve 的人工智能模型。
2017年初创成立，Wayve 快速发展背后的支撑是 Azure 的超级计算基础设施、先进的机器学习以及大规模和端到端神经网络技术，对 PB 级视频数据（每年数百万小时的驾驶数据）进行变换器模型训练，突破自动驾驶的智能决策水平。
大型语言模型的爆火，让 Wayve 意识到自动驾驶和大型语言模型之间有许多相似之处。从根本上说，它们都是大型的、高数据量的、复杂的决策问题。
为实现与大型语言模型一样能够根据所见（输入）实时输出决策的人工智能系统，Wayve 正在超越传统自动驾驶开发方法的手工编码规则和高清地图，结合神经网络中的驾驶数据来解决传感和运动规划问题（通常被描述为自动驾驶的端到端方法），使用 Azure 机器学习开发出一个在每一层都由数据驱动的自动驾驶系统，无需根据环境重新设计也能够实现持续优化。
具体而言，“我们不是手动编码系统应如何运行，而是通过深度学习驾驶体验来教导系统如何使用数据驾驶，训练我们的模型了解驾驶模式、人类的行为和反应，”Wayve 首席执行官兼联合创始人 Alex Kendall 解释。
基于 Azure 机器学习引领下一代自动驾驶，Wayve 成为首个在 100 个城市部署人工智能自动驾驶技术的公司，让车辆能够在普遍而非特定的交通环境下学会驾驶。
自动驾驶的复杂性在于，道路交通永远不会处于完全相同的场景。交通流量、行人、天气，甚至当地的驾驶文化，都会给自动驾驶系统带来惊人的数据变量。这就是为什么最佳方法是建立大规模的基础性神经网络，而非在一个理想、结构化的环境中设计和制造自动驾驶车辆。
Wayve 使用自监督学习训练的神经网络，能够处理非常多样化的数据集。然而车辆从摄像头或雷达中每分钟收集的数据量达到了几个 TB，模型训练带来算力压力。
Wayve 与微软合作，利用 Azure 超级计算基础设施 进行规模化的训练。通过将各个机器的学习成果分布在整个网络中，且水平扩展机器学习能力，以纳入训练周期所需的尽可能多的计算节点，现在，Wayve 的训练数据吞吐量提高了 50 倍，大幅缩短了模型训练时间。
最终，Wayve 能够在 PB 级视频数据上训练数十亿个变换器模型的参数。这是自动驾驶领域尚未触及的规模，而 Wayve 正在突破这个界限。
随着与微软的合作不断深入，Wayve 正在投资更多的计算基础设施。Wayve 使用前沿的生成式 AI 来生成、重新模拟或创建经验，以进行规模训练；利用 Azure 的弹性扩展仿真平台，既能创建合成训练数据、新的经验，又能支撑训练多代理强化学习系统。
与微软 Azure 的合作，Alex Kendall 认为有三项关键收益：
Alex Kendall 对与微软的合作十分满意：“当这些巨大的力量汇聚在一起时，将会创造出一个可以普及到全球各地的自动驾驶解决方案。在将其部署到公共道路之前，通过验证，我们的系统达到了期望的性能水平。”
▲ 本文翻译自微软全球案例中心
