雷鋒網(wǎng)按：9 月 7 日，首屆人工智能計算大會(AI Computing Conference 簡稱 AICC)在京舉行。本次大會由中國工程院信息與電子工程學部主辦、浪潮集團承辦。除了邀請海內(nèi)外數(shù)十位知名專家圍繞 AI 計算創(chuàng)新作主題報告外，還設置了 AI+計算創(chuàng)新、AI+互聯(lián)網(wǎng)、AI+產(chǎn)業(yè)創(chuàng)新、AI+HPC 融合分論壇，有來自百度、微軟、阿里、騰訊、英特爾等業(yè)界人士分享了各自對 AI 的看法，以及各自企業(yè)在 AI 上的應用進展。

在 AI+互聯(lián)網(wǎng)論壇上，美團點評高級技術總監(jiān)王棟作為嘉賓以《人工智能在餐飲行業(yè)的應用場景》作了演講，就 AI 在餐飲行業(yè)中的潛在應用，以及美團的一些具體技術方案做了詳細講解。此外，王棟在接受媒體采訪時，就美團點評數(shù)據(jù)、業(yè)務方面的情況進行了解答。

王棟對 AI 在人工智能在餐飲行業(yè)應用場景的主要觀點及對未來的展望如下：

• 嗅覺、味覺口味識別是非常有潛力的方向；

• 人工智能在流量轉化優(yōu)化、配送調(diào)度機制、用戶營銷過程領域的應用成效顯著；

• 要全局協(xié)同優(yōu)化，打造外賣大腦：交易流量分配+配送履約+智能營銷；

• 自動化配送可能早于自動駕駛實現(xiàn)：場景可控，閉環(huán)反饋；

• 人工智能是使能技術：給餐飲行業(yè)帶來更好規(guī)模效應；用戶端+商戶端+平臺化。

以下為王棟演講內(nèi)容實錄，雷鋒網(wǎng)做了不改變原意的編輯：

我在美團點評負責外賣的算法和數(shù)據(jù)，今天講的題目不是很大，但大家會覺得這個事情有點突兀，咱們可以慢慢介紹一下。

我們先看一下對 AI 這件事情的理解，AI 其實現(xiàn)在主要是以深度學習為主，但早先包括規(guī)則、SVM 這些淺層網(wǎng)絡都出現(xiàn)過，這是因為我們用不同表達方式解決同一個問題，這個問題其實按照康德的說法應該分為對一個問題的解答分為三部分，第一是什么樣的問題，第二你怎么樣表達這個問題，第三才是問題真正的解決方案。

比如說我們用非常簡單的例子，我們原來可能知道，大家都用的是阿拉伯數(shù)字，但是實際上在歷史上，也經(jīng)常更長時間用的是羅馬數(shù)字，歷史上更長的時間是用的羅馬數(shù)字表示，如果運算非常大的乘法的時候用羅馬數(shù)字來做是不可想象的事情，不同的表示對應不同解決方案的難易程度。今天我們看 AI 做到很多應用的場景，包括阿法狗，或者是 Caffee 這樣一些比較前沿的方法，其實都是在深度學習框架下。但是這里仍然只是一種 AI 可能的解決方案。

然后我們看一下對于 AI 的問題，解決方案大概有這么幾個步驟，第一，要有一個明確的場景，這個場景本身是可以去明確定義的，沒有歧義；第二，要有足夠的數(shù)據(jù)，在通常的場景下，AI 深度學習必須有大量的數(shù)據(jù)；第三，要有足夠好的人員能把數(shù)據(jù)用起來；最后我們在應用場景里不斷對我們的目標和實的結果做持續(xù)反饋。只有通過這個才能更好了解到底這個解決方案和實際應用場景不匹配的點在哪里，以及怎么樣去改進，這是對 AI 這個方向簡單理解。

AI 應用場景

對于餐飲行業(yè)來說，大家可能都認為，汽車是非常 Fashion 的一個行業(yè)，有顛覆性的機會，可以看到汽車行業(yè) 4 千億，餐飲行業(yè)是 3500 億，數(shù)據(jù)差不多，美國的消費是 5 千億美元餐飲消費規(guī)模。

現(xiàn)在中國向消費升級這個方向發(fā)展，這塊也是有比較大的潛力。滴滴共享出行、包括像共享單車一樣現(xiàn)象級的產(chǎn)業(yè)，這個流程相對來說比之前的兩個更復雜一點。

餐飲行業(yè)首先涉及到用戶在平臺上進行下訂單，選擇哪家喜歡吃的菜，然后下單，下了單通知這個商家做接單，商家要去做，出餐，通過騎手要把這個餐送給用戶。所以這塊是一個非常長的時間要求，我們都不愿意自己的餐可能一個小時才能送到，都希望半個小時甚至更短時間能夠到自己的手里。但配送員能量是有限的，用戶點的餐往往都是在自己附近一公里，這樣意思是說，如果我們有三公里以外的配送騎手對解決這個問題是沒有幫助的。要求這么高，資源又這么少，又是一個剛性的資源，所以這個優(yōu)化是非常難做的。

服務的鏈條比較長，尤其遇上惡劣天氣，會是一個很要命的事情，這個導致服務行業(yè)要求及時配送，無論是天貓次日達，京東可以做到當天或者 6 個小時，甚至包括一些閃送小的創(chuàng)業(yè)企業(yè)其實都沒有解決這么大規(guī)模及時配送的優(yōu)化問題。

對配送來說，我們確實對這個也是有一個改善的，我們可以做一個區(qū)域劃分，每個配送員會有一塊相對熟悉的區(qū)域，這個區(qū)域內(nèi)他會做相關的配送。美團有 30 萬騎手每天完成一千萬單交付。

我們看全球外賣公司其實還是蠻多的，中國現(xiàn)在剛剛經(jīng)歷了一個 3 進 2 的角逐，餓了么和百度外賣進行合并，真正的在這個行業(yè)做的只有兩家，這個規(guī)模是遠遠大于其他競爭者的。比其他國家任何一個市場都要大，這個原因其實商業(yè)上可以理解，我們大部分是在城市，城市密度很高，同時中餐復雜程度不像西餐，不像吃披薩或者吃意面，只有三種選擇，我們菜的選擇是非常多的，通過電話訂餐是比較復雜的事情，同時商家現(xiàn)在租金成本在漲，而外賣是堂食之外對商家一個很好的補充，這種模式下外賣無論對用戶還是商家都是多贏的解決方案。

AI 技術方案

簡單的場景介紹之后看一下在餐飲行業(yè)，我們 AI 應該怎么去應用，這塊大概按縱橫兩個維度來看，縱的維度其實是遵循傳統(tǒng)關于計算規(guī)模、計算資源劃分、最基礎的底層基礎設施、數(shù)據(jù)和計算能力，再上層一點的是算法，各種各樣算法框架，包括技術方向，以及應用場景。

橫向來看會有大家通用的感知分析，類似于像視覺、聽覺，包括理解與思考，怎么樣去做一個決策，怎么樣去做一些存儲，去把這些數(shù)據(jù)經(jīng)過提煉得到答案，把這個答案用起來。最后是交互，怎么能夠做市場連讀，對餐飲行業(yè)來說，這是現(xiàn)在比較少有人去做的事情，其實這也在于前面計算機怎么去做位置建模，怎么樣建視覺和嗅覺的相關建模。也有一些小的創(chuàng)業(yè)公司在看這方面的機會，在中間智能匹配和規(guī)劃決策這一塊，更偏向于思考，美團點評其實有在做這方面的事情。

再具體一點來看，比如感知這一塊，這個現(xiàn)在目前還是一個可以研究的方向，無論是原材料產(chǎn)生還是做原材料加工過程，咱們把這個菜做成主食，或者設備商的工藝改進，這個都是可以利用 AI 方式去做顛覆的。

食物生產(chǎn)工廠，有一些相對來講經(jīng)濟價值比較高的，類似于生菜這樣的設備，是可以在工廠里生成，去量產(chǎn)的。比我們現(xiàn)在大棚里的效率是更高的，當然現(xiàn)在成本還是要高一點。也有人合成牛肉，中間這塊其實是很有趣的事情。大概兩三年以前，IBM 說自己做了一個創(chuàng)意型菜譜，能夠通過 Internet 自己輸入很多菜譜，去生成做菜方式。

我們比較本土的創(chuàng)新的搟面條機器人或者做拉面機器人，這個現(xiàn)在都是蠻成熟的，包括麻辣香鍋機器人，可以很快降低成本，提高企業(yè)效率。右邊是我們做的比較差的，像標準化的口味，對某個人來說這個辣可能是 50% 的辣，對另外一個人可能是 70% 的辣，應該有一個標準在這里。包括每一種菜品，四川風味應該怎么做，到了北京經(jīng)過改良之后又是什么樣的情況，這個事情也是沒有人做的，如果這個事情做的很標準，意味著對每一個人來說，他可以知道每一家餐廳是否符合他的口味，而不是像現(xiàn)在經(jīng)過平臺篩選告訴他，這一家你是不是喜歡，這個是任重道遠的事情，我們今天也沒有做到。

對于更接地氣的做法是我們做的理解，理解是對用戶和商戶的理解，包括對交易或者用戶在線時候的一些歷史興趣，包括當前實施的一些通過點擊等行為表現(xiàn)出來的一些理解。對商戶本身出餐速度、口味有一些質量等方面的理解。

如果我們做的話一次性對用戶單個選擇，也可能有多次用戶的重復購買，這個里面信息是不一樣的，包括多次用到平臺的一些紅包，或者是促進用戶購買的手段，這個其實也是通過人工智能可以去做一些改進的。

對于決策這塊，對平臺來說，更多是剛才談到的配送，怎么能夠分配我們配送的資源，怎么樣更好的做調(diào)度。

把這個事情展開一點的話，左邊是用戶，右邊是商家，中間是平臺要做的兩件事情，核心的點，包括流量匹配、智能營銷，還有一個很重要的商家生態(tài)健康度。上面更重要的是配送路徑規(guī)劃，以及訂單究竟給哪個配送員。綜合起來要達到配送的準確度、及時度、滿意度和成本的平衡。

交易平臺的智能化

下面對于交易效率來說，可能希望能做更好的匹配、單次的匹配，更長遠的看也需要考慮商家生態(tài)。

交易平臺，從美團的歷史上來說大概經(jīng)歷了 4 個階段，目前是處在往人工智能時代過渡演進的過程當中，早先的時候就是一些比較簡單的人工運營規(guī)則，再往后我們做離線機器人方法，今天利用深度學習和在線學習，能夠做上下文的探索，能夠去感知到用戶偏好的變化，同時能夠在線的去探索，比如對用戶有幫助的新上的商家，將來希望更多的將增強學習和理解信息更好的用進去。比如說用戶喜歡吃辣，對川菜感興趣，也可能湖南菜他覺得挺適合的，這就不光通過知識驅動，更有效的達到目的，通過及時配送去做一些協(xié)同調(diào)整。

在現(xiàn)在我們 APP 的頁面，有搜索、平臺排序、場景推薦、個性化推薦，以及基本兜底的所有東西都可以在這兒找得到一個列表。這兒的目標叫單次的用戶轉化，各個模塊之間的功能肯定是有一些互補，更重要的是我們在單個的模塊里面去做更好的優(yōu)化，比如信息優(yōu)化，以及對用戶轉化率估計的優(yōu)化。

這塊我們用了一些深度學習技術，對于關鍵信息的展示這塊，展示樣式的優(yōu)化，我們用了一些增強學習的方法，對于在圖像呈現(xiàn)里面我們用了圖象處理的方法，用 CNN 包括相關性，我們之前用 DSSM、CTR 預估，對新商家冷啟動，我們同樣用了增強學習框架。

簡單說一下 CTR、CVR，這個事情對交易平臺是非常重要的事情，分為這么四層，首先最基本的數(shù)據(jù)，上層怎么獲得我們的標注，獲得我們的特征？標注類似于在我們今天的場景下怎么樣更好的解決問題，采用什么樣具體的模型解決問題，我們怎么樣在在線的情況下做實時數(shù)據(jù)更新，這個是非常傳統(tǒng)的一些做法。

特征交叉有連續(xù)特征、離散特征和細節(jié)處理，在深度學習之后，原始特征的處理還是需要的，我們也用一些圖像特征，之前我們傾向于用一些連續(xù)離散的特征，通過商家首頁的頭圖，我們其實可以了解更多關于商家的信息。這個標注信息第一作為底層原始特征，第二作為中層表示，作為一些標簽會加進來。

除了做菜譜，因為有時候商家標菜的信息并不是非常精準，需要幫他糾正過來，或者他有可能會做不正當營銷，我們都可以通過一些方式解決。

上面是我們怎么樣輔助商家，幫助他做出更好的菜品顯示。有些選擇圖并不好看，我們怎么樣告訴他這個圖效果不好，這塊其實做了兩點，第一是美觀度，美觀度做完以后其實發(fā)現(xiàn)這個事兒并沒有解決，有的圖雖然不那么難看，也很美觀，但是用戶覺得不敢進去。所以第二，我們又做了一波，怎么樣看他對用戶是不是有足夠的吸引力，這個做完之后效果好很多。

標注和獎勵

對標注來說，因為我們是監(jiān)督學習場景，但是正在向半監(jiān)督或者強化學習過程當中，關于怎么樣標注是有講究的。無論我們通過閉環(huán)學習方式還是說我們現(xiàn)在正在做反饋引入，比如我們點擊購買、評價、甚至瀏覽商家的長度，是不是有可能去做一個購物車的加購，包括加購之后有沒有取出來，有些用戶反饋，對商家有一個評價，對配送人員有一個反饋等等，如果我們對它不加細分的話，有些人對配送質量不滿意，對商家質量是滿意的，但這個地方?jīng)]有區(qū)分開，標注會有一個錯誤，它會影響我們系統(tǒng)的表現(xiàn)。

還有一個問題是代理標注，也有我們手中拿到的點擊下單都不是用戶對這個菜是否滿意的最根本反映，我們嘗試用各種各樣不同信號去模擬用戶真正對這個菜喜歡的程度。

模型設計上，我們優(yōu)化目標綜合考慮了很多種，點擊率、下單率、下單金額，把點擊率和下單率嘗試了很多不同算法，其實也有一個演化的過程。

最近我們在做 DNN 的 CTR 預估，右邊我們會有一些原來經(jīng)常用到的點擊率特征，配送距離特征等等連續(xù)的特征，大概一百多位放在一起，再去做連接，一層一層做優(yōu)化，最后直到產(chǎn)生一個點擊或者購買決策，這個是最近做的工作，效果還不錯。

同時我們其實也有幫助商家去做一些優(yōu)化，包括幫助我們自己的 BD 在線下做商家談判的時候有效果的提升，這里面用一些圖像 OCR 技術會去做身份證識別，這個現(xiàn)在都是處于業(yè)務當中，用的時候去做，而不是說針對這個方面我們需要做一個特別大的工作，所以這個是屬于一個內(nèi)部的小項目。具體的做法其實也是非常標準的做法，做一些 FCL。

配送調(diào)度算法的核心問題

下面我們可以看一下我們現(xiàn)在做的訂單的指派問題或者配送的問題。這個問題更簡單的看，左邊我們有不同的用戶在不同的時間，他會去點不同的商家，這時候就需要多個配送員有選擇的把這些訂單滿足用戶需求時間的情況下交到用戶的手里面，但是很多的配送員在路上已經(jīng)有訂單了，已經(jīng)在去或者送的過程中，這個時候我們應該把新增的訂單分配給這些配送員，應該怎么分配？分配給哪些人，先送哪個，后送哪個？這是里面所要解決的核心問題，這個問題分四步。

第一，先估計單個配送員給定目標的時候，他配送時間大概什么樣子的，這是非常粗略的估計，因為我們并沒有執(zhí)行他實際路徑優(yōu)化。第二，我們知道大致時間之后，再去做細致路徑的規(guī)劃，這個時候，我們其實相當于有一個訂單，比如有 10 個，或者 20 個訂單，我們給配送員發(fā)，到底給哪個配送員。

第三，我們怎么樣做全局優(yōu)化的前提是要有一個合適的目標和一個約束，這個其實也是在剛才所說的之后，有一個比較好的決策目標。

最后真正的執(zhí)行優(yōu)化，有一些細節(jié)優(yōu)化的點，這個也是經(jīng)歷了大概四步的階段，最早的時候也是人工，騎手搶單，一方面開著電動車，一方面盯著視頻，比較著急。后來優(yōu)化了，我們首先是分配，分區(qū)域、分范圍，每一個范圍之內(nèi)有一個站長，站長并不需要自己去送餐，他的任務是在高峰期的時候給騎手打電話，分配定單，后來經(jīng)過系統(tǒng)長期運作，我們能夠比較好的把這個事情自動完成，今天能夠做智能派單，做騎手的路徑規(guī)劃，騎手 90% 的情況下遵循我們的建議。

這個情況下我們兼顧配送的效率，用戶的體驗、人力成本、騎手安全，我們希望做到針對不同的場景，包括運力規(guī)劃。甚至更長遠一點，一個月內(nèi)看到三個月對運輸什么樣的要求，同時需要做一些交易協(xié)同。

配送時間這個事情也已經(jīng)比較復雜了，這個流程是這樣的，首先騎手接單，他要去到行使到商家，他要去取餐，之后再行駛到用戶這邊，在商家這邊其實有一些問題，有可能不一定有足夠時間做菜，騎手到了店以后要等做餐，有可能這一騎手對這個店不熟悉，他要找，或者等半天，都有一個時間損耗。行駛的時間是比較好估計的，到了那邊可能寫字樓不讓騎手進，或者寫字樓很高，他可能要等，都是不確定的因素。

同時我們還有用戶畫像，用戶對交付時間要求是不是非常著急，有的用戶可能沒那么著急。有一些區(qū)域，在路上行駛的時候，在 12 點的時候是不是交通擁堵，這些信息加在一起是非常大的量。

我們嘗試了兩種方法建模，一種是機器建模，每個小部分單獨的做模型，然后再估計，另外一種是數(shù)據(jù)系統(tǒng)建模，數(shù)據(jù)系統(tǒng)建模比較好，數(shù)據(jù)量比較大，所以采用數(shù)據(jù)建模方式。有了時間估計之后，我們要做配送路徑優(yōu)化，這個目標針對一個訂單，給一個訂單的時候我們分派給哪個騎手，這個問題其實也是一個非常難。

我們首先是用快速搜索，到底朝哪個方向可以走，配送給哪個騎手是可行的，然后我們再做一個稍微清晰的回歸模型，最后我們再去做迭代優(yōu)化的執(zhí)行，看一步兩步三步，在優(yōu)化里面是不是有快速搜索，這里面有這個領域的知識，我們可以做高效分析。

其實這塊效果目前能做到 99.9% 近似最優(yōu)，也不是完全做 100% 的最優(yōu)，這個也是在時間和效果的平衡。這塊比較顯著改進的一個點，去年的時候我們只能做到 99%，意味著每天 1%，大概有 10 幾萬單是有問題的?，F(xiàn)在我們已經(jīng)把它縮小到一萬單。

決策目標及約束

對于決策目標來說，我們可能有這么幾個，首先要去看決策什么東西，其實我們就是把訂單在什么時間點優(yōu)化，配送給每個配送員，約束的條件有騎手配送箱容量，用戶期望送達時間、出餐時間、騎手交付時間、騎手行駛速度，優(yōu)化目標肯定是多個目標的綜合，同時又是一個大規(guī)模的實時優(yōu)化的問題，有數(shù)千配送區(qū)域，數(shù)十萬騎手，本身又是秒級計算完成的速度，目標沖突，這個對公司成本是沒法承受的。

另外一個是有強隨機性的問題，可能用戶突然在某個地方下了訂單，導致我們之前最優(yōu)解變得不解，這時候我們要改優(yōu)化結果，這是非常大的一個挑戰(zhàn)。

訂單優(yōu)化算法的關鍵，第一我們結合了問題特征，包括搜索機制，我們有一些訂單是可以合并的，有些地理位置信息可以做簡單約束，在搜索機制上，我們有很多問題特征搜索和機制搜索。同時右邊可以看到，可以考慮一個訂單，每次都去循環(huán)做一下，這樣效率其實不是特別高，會浪費一部分資源。我們一批訂單大概 10 個、20 個我們再做優(yōu)化，或者我們做局部更新，某一個小局部用戶相關的商家更新。

還有我們將來考慮一段時間內(nèi)可能出現(xiàn)訂單的預測，比如說某棟寫字樓人比較多，經(jīng)常有人點各種各樣的訂單，我們提前預判，其實對系統(tǒng)優(yōu)化強隨機性的改進，其實是會比較有效。所以，大概這么幾個關鍵的點。

我們其實也是批量更新之后，做了一個更細致的優(yōu)化。我們怎么樣去做粗過濾，明顯不符合目標的騎手可以快速排除，我們用隨機優(yōu)化方法，包括最后怎么樣把訂單合并之后再用經(jīng)典的算法去做到改造以后的最佳匹配在線解法，這樣復雜度降低。

同時我們會做優(yōu)化，這個方法用在線方法做不太現(xiàn)實，我們做了很多模擬平臺建設。

總結和展望

總結一下，我們確實有很多業(yè)務應用問題，同時解決業(yè)務的應用問題需要做底層基礎建設，美團本身有自己的云服務，美團云為了提供很多底層的基礎建設，包括資源調(diào)度、計算資源、數(shù)據(jù)訪問各種協(xié)議，底層我們都不需要擔心。像我們自己內(nèi)部自研的關于 NLP 的算法，包括傳統(tǒng)的 LDA，PSA 這樣一些模型，我們事先都有底層實現(xiàn)。我們需要做的就是在這個庫上面去做更多應用探索，無論是計算機視覺應用，還是我們今天沒有提到的安全，無論對用戶安全還是對我們自己平臺安全來說都有很多應用，這也是在我們平臺的云上其實都是可以做到。

美團云本身其實也提供一個產(chǎn)品云矩陣，這個跟在座講的大部分解決方案是有類似程度的，但是我們比較好的一個點是我們本身有非常大規(guī)模的業(yè)務，能夠在需求當中快速迭代，能夠快速迭代，意味著我們能夠快速的把需求傳導到底層優(yōu)化模型和數(shù)據(jù)上。包括全棧 GPU 主機、深度學習的平臺，現(xiàn)在也是處于對外開放的狀態(tài)。我們剛才所說到各種驗證，各種識別，各種應用，其實也都是一個全面開放的態(tài)度，可以跟外界合作，包括中小型做 AI 的公司，可以把他們的應用放在美團云上給第三方提供服務。

這個是關于我們美團做的餐飲行業(yè)的應用和基礎建設的介紹。總結起來關于嗅覺、味覺口味識別這個方向我個人認為是非常有潛力的方向，同時我們在流量轉化優(yōu)化、智能營銷、公司用戶訪問，以及營銷過程配送機制調(diào)度方面我們確實取得了一定成績，這個和我們業(yè)務的應用分不開的。如果做一個簡單展望，我們認為首先在外賣這塊，配送和外賣本身兩個部門協(xié)調(diào)，怎么樣去做智能營銷，這三個其實可以更多的協(xié)調(diào)和打通。

第一點，自動化配送、自動駕駛是很牛的事情，其實通過自動配送，甚至局部的車解決配送的問題有可能比車更早實現(xiàn)，還是剛才最早提到的觀點是一致的，這個問題表示和應用場景，這里面配送小車的速度比汽車要低很多，意味著對硬件的成本要求也會低很多。

第二點，這里面我們所采用的路徑相對來說是固定的，不像車可能什么地方都要去跑，從這兩點上來說我們的可行性更大一些，而且本身每天跑的量很大，我們有很多數(shù)據(jù)積累，我們預測這件事情是會比自動駕駛更早實現(xiàn)。

第三點，無論剛才所說到的很多人工智能應用，還是對我們餐飲行業(yè)現(xiàn)在已經(jīng)做的和將來有可能展開的應用來說，都是非常好的一個帶有規(guī)模效應利器，相信這塊將來會有更多應用領域。

演講結束后，王棟接受了包括雷鋒網(wǎng)在內(nèi)的媒體采訪，以下為采訪內(nèi)容實錄：

提問：剛剛聽了您的演講，講了算法、基礎建設中的很多問題，在您看來美團目前亟待解決和優(yōu)化的問題有哪些？有沒有一個優(yōu)先級。

王棟：首先產(chǎn)品是有一個比較明確的落地場景，之前大家談技術還是蠻多的，實際上AI的技術到今天還沒有非常的成熟，無論是語音還是圖像，都沒有一個很好的實際解決方案，只能是在受限的場景下用技術和長期協(xié)同去解決一個問題。所以，如何找到適用的場景是非常關鍵的。我們也有在做一些外賣的自動點餐，比怎么樣讓機器人幫助你在電商那兒買衣服是更容易的做的事情，包括配送小車也比自動駕駛更容易做的事情，關鍵在于你能不能用技術去打磨產(chǎn)品，更能滿足人們的需求。

提問：從技術架構來說，美團最需要優(yōu)化的有哪些？技術架構要完善的話，挑戰(zhàn)在哪兒？

王棟：我們主要是在做應用這一層，底層有美團云的同事，如何做到更高并行的優(yōu)化，無論是訓練還是在線上跑預測的階段，這是一個比較大的挑戰(zhàn)，甚至包括我們底層既有GPU，也有FPGA，在什么樣的場景下去用合適的解決方案把它們結合起來，在整體的成本、實際實現(xiàn)的效果上有一個比較好的折中，這是需要花能力去做的事情。

第二，針對不同的應用場景以及資源的調(diào)度，其實也還是在資源管理的這一層，從架構上來說，怎么樣做的更好。

第三，前兩步都做好了，是不是有可能在用戶端做一些端計算，把計算的算力在兩邊進行平衡，服務器端和客戶端做一個平衡，端計算和云計算結合起來。這是在架構方面。

說到技術的挑戰(zhàn)，對語言的理解、推理其實是很關鍵的問題，人比較擅長，但是機器并不擅長。也有人提到怎么樣在記憶方面突破現(xiàn)有的結構，把記憶和存儲能夠更好的融合起來，在計算的時候能夠更好的去調(diào)用，這是從技術上比較大的挑戰(zhàn)。模型上我們現(xiàn)在更多用的是監(jiān)督模型，怎么做到半監(jiān)督、全監(jiān)督，大規(guī)模的獲取數(shù)據(jù)。

提問：美團跟大眾點評合并以后，數(shù)據(jù)這一塊是怎么合作的？美團點評的數(shù)據(jù)優(yōu)勢是怎么體現(xiàn)的？

王棟：可以類比 BAT，他們各自都有不同的優(yōu)勢，百度信息的數(shù)據(jù)量是比較大的，騰訊在社交和游戲方面的數(shù)據(jù)量是比較大的，阿里有很好的交易數(shù)據(jù)，對美團來說我們的用戶優(yōu)勢是在于本地的電商服務這個領域。

最近我們也有在基礎的用戶數(shù)據(jù)上面去做一些獲取，包括用戶的基本屬性，比如說做一些金融方面的應用，基礎數(shù)據(jù)是繞不過去的，這個是數(shù)據(jù)方面在做的事情，我們本身也有騎手，騎手每天在街上跑，有很多對場景、對地圖的覆蓋，幫助在內(nèi)部做很好的運營，提升我們的運營效率，這個也是很好的數(shù)據(jù)。

我們也有很多線下的 BD，我們會有非常實時的及時的店家信息的更新。這個不僅是我們自己在用，高德也會公開用到我們的數(shù)據(jù)。這是美團技術數(shù)據(jù)的核心。

提問：美團的特點是有很多種的業(yè)務線，哪一塊業(yè)務線在您看來是目前跟友商相比是特別超前的？比如打車有滴滴、易道，新零售美團和阿里的河馬先生也很像。

王棟：我們更多的是從用戶的使用場景來看。比如打車這件事情，之前很多人也很奇怪，為什么美團會做打車，但是如果你想到 Uber 也去做外賣，我們反向跨界也不是不可以想象的事情。

有兩個點，一個是和場景結合，用戶到一個地方可以很快的利用美團本地的運輸能力快速的達到目的地。第二，即使是在本地的用戶，他想去吃東西，幾個人一起去吃飯，就需要打車，這并不是很難的操作，我們選好了店，就可以去打車。這個將來是有可能統(tǒng)一的，而且會帶來商家和打車業(yè)務模式的結合，有可能會有更優(yōu)質的解決方案，幫助商家去做營銷。所以，從這個角度來講，打車并不是一件不可想象的事情。

至于您剛才說到的新零售，阿里的邏輯很好理解，因為線上做的差不多，沒有空間了，成長潛力不大，要在線下做用戶的獲取，對我們來說邏輯也是類似的。所以這是基于業(yè)務理解和用戶場景的判斷。

提問：能不能介紹一下美團云用到的一些 AI 技術，包括場景方面的應用情況？

王棟：美團云本身是美團的總集成，不光是內(nèi)部的系統(tǒng)運維，還有采購，比較新的 AI 這一塊，都有持續(xù)的在投入。之前也做一些網(wǎng)絡相關的應用，所以他們在文本的處理，包括對用戶的信息騷擾這方面也有做很多的過濾，這是在用戶的層面上做的，包括 OCR，也有外部內(nèi)部各種應用的匹配。

人臉識別我們有用到 Face++，也有可能用到我們內(nèi)部自研的技術，在整體上本身內(nèi)部在用，另外一方面也會作為一個公開的平臺提供給外部去調(diào)用，也可以給外部的用戶足夠多的選擇。

說到人臉，我們其實會用到實名認證，在酒店行業(yè)我們可以去做房態(tài)預估，包括商家給的圖片去判斷是什么樣的房型，今天晚上會不會住滿人，最近這一段有可能這個地方都比較清淡，所以沒有必要做非常多的線上營銷活動。入住率高將來可能會非常貴，我們可以通過提前預訂的方式把預訂資源拿到。

這也是需要很多預測能力的，美團云也有提供，像我們今天所說的底層的 IaaS、PaaS、SaaS 都有涉及，確實美團本身應用的場景是非常多的，酒店、旅游、餐飲等其他新興的業(yè)務，對AI技術的需求本身是巨大的。我們在做好自己事情的同時，要么結合自己的力量，要么結合外部的力量，打造更好的技術。

提問：人臉識別的技術用的是誰的？

王棟：我們自己內(nèi)部也有資源。調(diào)用的時候看業(yè)務方的場景，比如金融這塊精度要求非常高，曠視的可能更多一些。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。