为什么叫滴滴出行，而不是滴滴打的？背后是更大的野心

图片由「东方IC」提供

4月25日晚，滴滴出行副总裁、滴滴出行研究院院长叶杰平，和北大人工智能创新中心主任、曾经的“百度七剑客”之一雷鸣一道，在北大举办了AI公开课。叶杰平就人工智能和滴滴出行进行了探讨，分析了相应技术的发展，如何影响产业，现状及未来趋势、对应挑战与机遇。同时，他分享了滴滴的大数据，以及大数据和人工智能在滴滴的应用。

大数据在交通领域的核心价值

中国国内车辆密度已经很高，依托这一大背景，共享经济正在崛起。共享单车的战火越烧越旺，ofo与摩拜大战处于风口浪尖。在这背后，无论是资方还是创业者，大家达成的共识是：缓解交通拥堵最为有效的方式是让现有的车实现共享。滴滴也不例外，作为一个可以实现司机和乘客两边的信息互通的平台北大人工智能公开课，它借助自身掌握的实时信息，做出比较智能的决策来提高出行的效率、缓解拥堵。

有数据才有分析，交通领域的数据产量巨大。日常生活中，物流运输公司、公交一卡通、GPS定位、车联网、路网监控、电子地图导航应用等，无一不在将信息进行数据汇总分析，以此实现交通优化管理。

大数据的终极核心价值在于“资源优化配置”。要实现大数据的核心价值，需要两个重要的步骤，第一步是通过“众包”的形式收集海量数据，第二步是通过大数据的技术途径进行“全量数据挖掘”，最后利用分析结果进行“资源优化配置”。滴滴研究院大脑的核心是机器学习，依靠背后的算法和计算平台整合整个城市的交通数据，做出实时的智能决策。

在工业界解决一个实际问题，最重要的是抓住数据特征。随着计算机的处理能力的日益强大，你能获得的数据量越大，你能挖掘到的价值就越多。滴滴的优势在于它拥有极大的数据样本量，每天新增的数据量超过70TB，同时也在做很多的预测、模型，等等。每天处理数据，其中包括90亿的路径规划，130亿的精准定位数据。滴滴面临的挑战就在于从海量的交通数据里面找出有用的信息，来改变大家的出行，比如说提高出行效率、改善出行体验和安全性，而这也是滴滴大数据的核心价值。

叶杰明表示，机器学习的第一步，需要迅速找到部分数据特征建立最简单的模型。通过不断实验，对问题的理解变得更加深刻，特征挖得更好更丰富后，发觉效果已经比经典算法规则提高了很多，这说明机器学习肯定在未来会颠覆传统的规则。后续数据量的增加会让这个模型变得更完善，随着数据的体量越来越大，深度学习的威力便显现出来。把一个东西真正做到非常实用的时候，它的特征选取、公式复杂程度已经远超我们一开始想象的可理解性规则。百度最初在做搜索引擎排序时，也面临着相同的困难。

深度学习在很多领域已经有非常成功的应用了，比如说在图像、文本、语音等方向。在交通方面其实还很少，叶杰平认为深度学习在交通的数据方面还是非常有前景的。它还有很大的提高空间，数据越大，威力越大，这必将成为一个大的趋势。在过去一年半左右的实践过程中，大数据不仅支撑了滴滴的核心模块，如智能派单、ETA、路径规划等，还可以用来极大地提高司机的服务质量。这点在滴滴APP首页便可见一斑。

所以我们说，基于大数据分析的结果，进行资源优化配置北大人工智能公开课，才是大数据应用的落地点和真正价值。

未来五年大交通产业的机遇与挑战

交通出行行业的发展需要多方合作。滴滴在整个出行行业的渗透率还很低，大部分数据仍在滴滴之外的。未来的大趋势是交通数据实现一定程度上的共享，只有当各方数据实现连通，整合起来才能够发挥更大的价值，帮助人们更加精准地做出决策。

发展智慧交通的关键在于数据整合之后如何实现落地？我们需要借助大数据来解决实际的交通问题，比如红绿灯、城市的规划建设等。滴滴的数据在济南的红绿灯实验已经能看到巨大的潜力了。这项目在济南的经十路已经上线一个多月，数据显示，经十路早晚高峰期的交通延误时间均下降了超过10%。

但如果要达到更佳的效果，仍需更多方面配合合作，更精准地反映当时完整的交通情况。滴滴的数据量在增加，也在持续和出租车公司、公交公司、政府合作，未来甚至会与传统的路上检测的数据整合起来，以此达到更好的效果。

关于智能交通，现在国外研究比较多的叫做网联车。车跟车是相连的，车跟路上的一些设备也是相连的，以此来做出更加精准的决策。如果所有车都能实现连通，我们就能够更精准地预测车距是否合理，来提高交通安全度。其次网联车也能做到更精准的定位。当然在未来还有可能会包括无人驾驶。

现在对于机器学习和人工智能的需求存在一个非常大的缺口。在社会上存在两大问题：第一，人才的稀缺性。人才需求远远大于供给，供需严重不平衡，导致稍微擅长人工智能的人在社会招聘方面就非常抢手。这个圈子并不大，基本都是互相推荐。第二，我们进入这个时代之后，我们学习的模型也好，知识也好，生命周期比以前短了。人工智能的学习需求将是持续的。

本文到此结束，希望对大家有所帮助。