4月18日，人工智能**科学家、滴滴研究院院长何晓飞在滴滴出行与Udacity合作发布会上首次公开面对媒体，阐述了其对人工智能发展阶段的看法，并进一步解密人工智能技术如何落地应用在滴滴平台上，以及创造了什么成果。

　　何晓飞曾担任雅虎研究院科学家，回国后在浙江大学任教，2015年加入滴滴出行。石家庄网络优化获悉过去15年，他在机器学习、人工智能、计算机视觉等研究领域作出了卓越的贡献，同时是有科学领域“奥林匹克”之称的国际模式识别学会会士　　（IAPR Fellow）。

　　3月中旬，谷歌人工智能产品“AlphaGo”在围棋大赛中4：1战胜人类选手，引发业内热议。然而，从AlphaGo可以看到，很多人工智能产品目前还处于实验室阶段，距离现实应用还有一定距离。

　　何晓飞指出，人工智能技术在出行领域的应用探索，滴滴目前走在世界前列。AlphaGo通过自己与自己下棋取得无穷、无限的数据，而滴滴出行每天正常出行本身就可以产生海量数据，通过监控这些数据的产生，又能产生更多维度的数据。而通过与现实出行领域的“对弈”学习，滴滴研究院已经在多个维度取得了阶段性突破。

　　曾经质疑，但人工智能“奇点”已经来临

　　何晓飞指出，1950年左右人工智能概念被提出，引发**次人工智能的浪潮，随后出现了许多关于人工智能的影视作品。但几十年来，人工智能领域并未出现革命性产品，导致很多人，甚至做学术的研究人员自己，都不相信人工智能真的可以实现。

　　近几年是人工智能爆发的第二次浪潮，与**次浪潮不同的是，不管是普通大众还是业内专家，越来越多的人相信，人工智能真的可以实现了，“奇点”即将来临。而人工智能产品也逐渐走向大众，除了业内关注的谷歌AlphahGo之外，很多技术已经被应用到一线。

　　此外，10年前大家在讲人工智能的时候，被提到更多的是机器学习，因为人工智能太抽象，并且一直在被怀疑。现在，业内更多在谈论人工智能，而机器学习是作为人工智能领域的一个重要术语被业内熟识，当然，接下来更多专业术语会走向大众，包括监督学习、非监督学习等等。

　　何晓飞本人相信，在未来3年、5年甚至10年，人工智能会深刻改变生活中的方方面面。而现在，何晓飞带领的滴滴研究院团队已经在用人工智能技术，直接作用于出行平台、产品、技术的方方面面。

　　硬件技术的发展，也使人工智能“奇点”来临成为可能。此前CPU(中央处理器)用于数据计算，而GPU（图形处理器）被用于处理图形、游戏等领域，随着硬件普及，GPU可以大量用于数据处理，而通过云计算连接大量GPU/CPU之后，可以进一步满足人工智能需要的海量计算需求。

　　滴滴大脑如何跟出行“下棋”

　　在媒体描述中，AlphaGo会在夜深人静，计算资源闲置的时候，自己跟自己下棋，通过一次又一次的对弈，获取无限、无穷的数据规模，进而完成数据的挖掘、分析、学习，实现了“打败人类”。

　　而滴滴研究院的“数据大脑”，通过研究每天真实的滴滴出行平台上产生的数据，以及对这些数据如何产生进行二次追踪的数据，实现提高出行效率的结果。

　　目前，滴滴平台上每天产生超过50TB数据（相当于5万部电影），超过90亿次路径规划次数。在过去一年中，滴滴出行平台完成14.3亿订单，这相当于在中国平均每个人都使用滴滴打过一次车；累计行驶里程达128亿公里，相当于环绕中国行驶29万圈，累计行驶时间达4.9亿小时，相当于昼夜不歇的行驶56000年。

　　之所以每天产生90亿量级的路径规划数据，是因为每收到一个订单请求，系统会针对一个区域范围内的车主、用户做多次路径规划，并从中选择双方**的匹配选项。增加快车拼车产品之后，需要规划的路径次数成几何指数倍增，因为在原有规划基础上，又增加了各种变量。

　　所以滴滴“数据大脑”对弈的是现实出行的海量数据，通过对每天24小时不间断产生的新数据，以及检测这些数据本身产生的二度数据，包括ETA、路径规划、实际路线、匹配时间等等，进行研究、学习，*终实现订单匹配效率的提升，司机取得更多收入，乘客更加快捷出行。

　　何晓飞提到，大数据是石油一般的宝藏，滴滴拥有在全世界范围内，出行领域*完善的数据资料。挖掘滴滴数据宝藏需要机器学习、深度学习作为工具，机器学习是一个浅层模型，输入一张图片、一段语音，输出可能就是一只狗还是猫。而深度学习是多层的，类似于人的大脑有一个深层次的信息处理传播，像人一样去理解数据并且输出结果。滴滴研究院已经招聘了许多世界**的科学家在从事这个领域的研究。

　　*终要实现数据的“预测”功能，而非一直留在“监测”层面。

　　数据如何预测未来

　　何晓飞提到，滴滴的目标是建立一个移动的智能出行网络。这是一个完整的系统，其中包括随区域、时间变动的定价、订单的**匹配、根据供需预测之后的司机运力调度等等。

　　对于一个具体区域来说，滴滴“数据大脑”已经实现了，提前15分钟时间内可以实现超过88%准确率的预测，根据预测结果，就可以选择要不要对司机运力进行调度，使在附近的司机可以提前到达运力紧缺的区域，以缓解可能发生的拥堵。

　　即通过预测—干预，再次预测-再次干预。通过预测干预来缓解区域的运能紧缺，而非在紧缺之后再通过价格杠杆事后处理。这个思路与目前市面同类产品有本质区别。

　　以上预测加调度的模式是宏观视角，另外还有微观角度的预测。比如一个乘客发送订单之后，根据算法模型可以预测这个订单的成交率，这个模型中包括乘客历史数据的出行习惯，以及周围司机的出行习惯，进而得出本次订单能否成交的预测。

　　预测之后是干预，如果预测乘客订单成交率比较低，系统会采用反馈手段来激励司机的接单意愿，促进成交。

　　何晓飞认为，传统搜索引擎出来的结果是很多条的，但对于出行领域来说，人工智能运算的结果只有0和1，即乘客的出行能否达成。滴滴所有的数据、算法都在为了匹配用户和出行工具而努力。

　　在过去的一年，滴滴已经在多个数据维度产生很大的改变。以快车为例，乘客发单后平均ETA降到4分钟，节约了60%出行成本，在高峰时期增加5%订单成交的机会。对于司机来说，每小时订单成交量提高了20%，平均收入提升了30%~40%。

　　

　　接下来，技术创新会在滴滴平台上起到越来越大的作用，而滴滴出行，也要成为一个像Google、Facebook这样的科技驱动公司。