當出行平台遇到人工智慧，將如何改善人類交通系統

02-05

我相信，哪怕「下半場」概念的持續走俏，當整個社會的技術基礎設施向人工智慧的底座切換，它被寫入政府工作報告也只是時間問題。要知道，在過去數十年，當科技學術界在向公眾描述未來時，對於「確定趨勢」凝成共識的次數其實屈指可數——且遠未達到今天學界對深度學習這條技術脈絡高度認可的堅定態度。nn

這種共識當然會向政府等決策層傳遞。就像互聯網時代，不少科技企業完成了對資源配置的重新釋放，在即將大規模落地的人工智慧時代，在對待更複雜的社會問題時，他們也有能力，通過AI為政府和其他社會組織賦能，通過數據的交融，合力將城市向更具智慧的方向演進。

其實誰都知道，世界的複雜度正如「沙堆實驗」一般集聚，傳統人力基於過往經驗，早已顯得疲憊不堪——譬如交通問題，早有人預言，隱匿於城市毛細血管的交通網路，有可能是第一個被擱置在人工智慧底座的社會系統。

在迅猛的城市化發展中，交通是所有人的切膚之痛：在中國，有大約超過50個城市面臨不同程度的擁堵，城市越大擁堵越嚴重，不只中國，交通問題是世界大型城市的共同頑疾，我看到的數據顯示，歐盟境內每年因交通擁堵造成的經濟損失達到了1000億歐元——而也正因如此，在全世界的資本市場，出行領域的點滴創新，從來都會招致他們的敏銳嗅覺。

巨大的公共福祉背後，是頗為堅信的路徑實現。眾所周知，城市交通網路由人，交通工具和管理三個維度構成，且隨時都在變化。

而這也意味著，當數據成為新經濟的底層驅動力，解決交通這樣的複雜社會問題，政府也勢必對人工智慧敞開懷抱。在我看來，通過「人工智慧+社會治理」，用數據為城市「畫像」，才是每天誕生的海量城市數據的最佳歸宿。

具體到交通領域，無論約租車，移動地圖，還是共享單車，實時公交，都將成為智慧城市升級路上的重要一環。

nnnn

解決人口問題的智能方式

說到城市化，不妨先說一個我今天看到的案例：人口問題。

必須承認，將巨大人口捲入到整個世界經濟的分工體系，是過去三十年中國增長奇蹟的最大因素（事實上，愈到未來，中國人口紅利優勢就愈顯著，全世界最發達的高鐵系統就是最好佐證）。而在中國人口問題的另一端，如今社會學家的普遍達成的共識是：自由遷徙實則是解決城市化發展「不公」的最佳方案。

如你所知，在城市化歷史進程的奔流中，你一定經歷過那種看起來就充滿不確定性的人口普查方法，面對頻繁的流動，傳統普查方式人力成本高企且往往並不精確。

其實政府完全可以仰仗更睿智的方式，譬如通過移動地圖，要知道，百度地圖每天響應450億次定位請求，位置服務超720億次，完全可以基於這些累計的定位數據，計算出每個用戶的工作地和居住地（譬如在百度的演算法中，當兩個月在某個位置出現上百次；時間集中在9:00-19:00；連接的wifi固定，基本可以判斷是在工作地），然後通過劃分區域位置邊界，測算出某個區域的人口絕對值。

事實上，如今百度地圖慧眼數據的預測準確率已達85%以上，這意味著，它完全可以為政府機構提供重要的輔助性數據資料。比如百度地圖就依靠人口數據優勢，以城市新流入常駐人口與全國所有城市新流入常駐人口均值比值為指標，發布了城市吸引力報告，2017年第一季度的報告顯示：在人口吸引力排名Top10城市中，長三角、珠三角各佔三席，人口吸引力突出，此外還包含北京、重慶、成都及鄭州。

值得一提的是，百度還以城市擁堵指數和公交站點覆蓋率為指標，同時發布了城市交通運行情況報告。城市擁堵方面，從主要城市擁堵排名Top10數據看，直轄市重慶、北京、上海三大城市入榜，天津是唯一未入榜的直轄市；其他入榜城市均為省會城市，其中哈爾濱以2.138的工作日高峰擁堵指數居榜首。而公交站點方面，在公共交通站點500米人口覆蓋率排名前十的城市中，廣東有深圳、東莞、佛山、廣州四個城市上榜，北京作為北方唯一入選Top10的城市，排名為第七。

可以預見，這種基於真實流動狀態的數據分析勢必將影響決策。

nnnn

人工智慧+交通的路徑實現

事實上，判別智慧城市的一大標準，即是各個領域決策層——尤其政府決策部門對於數據的駕馭程度。而欣喜的是，作為一次演算法革命，深度學習以一種簡練的網路模型得以解決過往極為複雜的社會難題，譬如交通。下面不妨從打車，公交，單車和地圖等不同維度來拼接成「智慧交通」的全貌。

先說以滴滴為代表的出行平台。從幾年前的「互聯網+打車」到「用積累下來的數據提供更多價值」，滴滴算是移動互聯網時代向人工智慧時代躍遷的極佳樣本。要知道，如今滴滴每日峰值訂單超過2000 萬單，每日處理數據超過 2000TB，相當於200 萬部電影，海量數據包含路況，叫車信息，駕駛行為和車輛數據等多個維度。而無論是供需預測，路徑規劃還是平台派單，都是演算法在起決定作用，畢竟在實時性的要求之下，其中變數已非人力調控可以滿足，就像滴滴研究院院長何曉飛所言：「如果我們能搜集到更多的數據，未來有一天我們甚至能夠知道每一位乘客，每一位司機的意願。如果我們能夠更加準確的甚至預測人的心理，那麼我們可以把整個城市的交通管理的更加有秩序。」

再來看智能出行的基礎：移動地圖。事實上，少有人知的是，人工智慧已滲透進百度地圖的每一項基礎業務，將其變成了一個基於大數據的人工智慧出行平台。

官方數據顯示，如今百度地圖每日提供的位置服務超過720億次，每日導航服務超過2億公里，其自身也從單純解決陌生地認路，演化到如今的智能導航。從出行前的時間預測和不同需求的個性化路線選擇，到出行中精準的實時避堵路線推薦，它都以一種模擬「老司機」思維方式的思路：通過建立交通大腦，記憶數百億次不同用戶的出行旅程，將智慧「反哺」到每一次用戶的具體出行之中。

其實不難發現，所謂新司機和老司機的差別，即是掌握的交通信息渠道和本地駕駛經驗。而基於高性能流式計算，現在的百度地圖可以做到分鐘級別的路況更新，某個地方發生擁堵，不到一分鐘就會被識別。此外，百度還可以精確推算全國路網的動態車流關係，實現未來一小時的路況預測，這種路況預測模型，包括了日期，時間，天氣，路段路況和區域路況等多個維度，並輔之以棋局態勢感知和區域路況態勢感知的神經網路演算法。

頗值一提的是，百度地圖還通過聚合群體智慧，通過數據積累對本地經驗路線了如指掌：通過人工智慧對比用戶路線和規劃路線，找出差異，統計用戶最多走法，如老司機一般得到局部經驗路線，提供更優方案。而「老司機經驗+個性化偏好」的智能化設定，無疑可以充分滿足不同用戶的差異化出行需求。總之，百度交通大腦的智慧源自每一位用戶，而它又以更高智慧回饋給他們。

nnnn

與政府打造智慧交通網

當然，在移動地圖之外，人工智慧同樣可以用於如今炙手可熱的共享單車身上。

我個人看來，更好地優化車輛配置，是需要共享單車平台共同面對，也是讓交管部門較為疑慮的問題，誠如大數據專家塗子沛所言，共享單車首先要回答一個問題：一座城市究竟需要多少輛公共自行車？「要得到這個答案，必須結合城市人口、公交系統、私家車、道路等各項數據，進行計算。其中最重要的估算手段，是把城市裡每一個人的家庭住址和其工作地點在資料庫層面打通，從而掌握每一個人在城市中最日常的流動，即上班族的『潮汐』特性。」

其實在人工智慧處理交通數據這件事上，相比於共享單車，目前較為成熟的也許是並不惹眼的實時公交領域——要知道，每日至少兩次的高頻應用，讓各種實時公交應用的累積數據並不亞於打車類軟體：就像滴滴讓人們習慣了「掐點」坐車，通過大數據與深度學習，實時公交應用也可以實現公交數據的實時整合，讓用戶能清晰獲取每日賴以出行的公交車信息，如現在走到哪了，是否正在堵車，什麼時候到站，甚至整條線路的實時通行狀況，以此決定什麼時候離開辦公室或者家前去等車比較合適。毫無疑問，這種基於人工智慧的資源匹配，對於城市公共交通出行效率，出行選擇率以及城市承載率都意義深遠，也勢必得到決策部門的重視。

嗯，在人工智慧的加持之下，科技企業與政府數據的共享，無疑是能否促進智慧交通網路的關鍵——要知道，中國各級政府掌握著全社會信息資源的80%，擁有海量且高質量的數據，當它們與科技企業的數據和人工智慧相結合，產生的正向社會效應將難以估量。

就拿交通來說，一座城市每天產生數千萬交通數據，其實交通部門也在尋求與百度這種人工智慧技術完備的企業合作，百度地圖交通雲已與深圳市，成都市，三亞市等13家交警部門，以及江蘇省，遼寧省，四川省和河南省等共10家省市級交通部門開展交通大數據共享及信息聯合發布合作，在道路擁堵分析，出行通勤分析，人群熱力和人口遷徙分析等內容上，通過人工智慧將數據價值最大化。

在我看來，除了前文所述的實時資源匹配，提升日常交通疏導效率，「人工智慧+交通」的更大福祉，是這些數據能夠回饋到城市建設之中，利用數據進行城市線管規劃，交通擁堵成因進行分析，對異常道路進行數據挖掘，並將數據用於交通管理調度及相關決策，輔助宏觀交通規劃。

畢竟，說到底，所謂「智慧城市」的全部秘密，不外乎搭建數據平台，再通過人工智慧的賦能，向公眾提供更好的服務平台——這需要科技企業與政府的充分聯姻，而可以預見的是，當整個社會的公共決策變得越來越複雜，這種聯姻也就越來越重要。

李北辰/文（知名科技自媒體，致力於用文字優雅的文章，為您提供談資與見識；微信公號：李北辰）