86      美團網

美團點評王棟：AI 賦能餐飲行業，如何全局協同優化，打造“外賣大腦”？

雷鋒網按：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。除了邀請海內外數十位知名專家圍繞 AI 計算創新作主題報告外，還設置了 AI+計算創新、AI+互聯網、AI+產業創新、AI+HPC 融合分論壇，有來自百度、微軟、阿裏、騰訊、英特爾等業界人士分享了各自對 AI 的看法，以及各自企業在 AI 上的應用進展。

在 AI+互聯網論壇上，美團點評高級技術總監王棟作為嘉賓以《人工智能在餐飲行業的應用場景》作了演講，就 AI 在餐飲行業中的潛在應用，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，就美團點評數據、業務方麵的情況進行了解答。

王棟對 AI 在人工智能在餐飲行業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化、配送調度機製、用戶營銷過程領域的應用成效顯著；

要全局協同優化，打造外賣大腦：交易流量分配+配送履約+智能營銷；

自動化配送可能早於自動駕駛實現：場景可控，閉環反饋；

人工智能是使能技術：給餐飲行業帶來更好規模效應；用戶端+商戶端+平台化。

以下為王棟演講內容實錄，雷鋒網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據，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 其實現在主要是以深度學習為主，但早先包括規則、SVM 這些淺層網絡都出現過，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，第一是什麼樣的問題，第二你怎麼樣表達這個問題，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字，但是實際上在曆史上，也經常更長時間用的是羅馬數字，曆史上更長的時間是用的羅馬數字表示，如果運算非常大的乘法的時候用羅馬數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。但是這裏仍然隻是一種 AI 可能的解決方案。

然後我們看一下對於 AI 的問題，解決方案大概有這麼幾個步驟，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，要有足夠的數據，在通常的場景下，AI 深度學習必須有大量的數據；第三，要有足夠好的人員能把數據用起來；最後我們在應用場景裏不斷對我們的目標和實的結果做持續反饋。隻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裏，以及怎麼樣去改進，這是對 AI 這個方向簡單理解。

AI 應用場景

對於餐飲行業來說，大家可能都認為，汽車是非常 Fashion 的一個行業，有顛覆性的機會，可以看到汽車行業 4 千億，餐飲行業是 3500 億，數據差不多，美國的消費是 5 千億美元的餐飲消費規模。

現在中國向消費升級這個方向發展，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象級的產業，這個流程相對來說比之前的兩個更複雜一點。

餐飲行業首先涉及到用戶在平台上進行下訂單，選擇哪家喜歡吃的菜，然後下單，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，我們都不願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裏。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裏，這樣意思是說，如果我們有三公裏以外的配送騎手對解決這個問題是沒有幫助的。要求這麼高，資源又這麼少，又是一個剛性的資源，所以這個優化是非常難做的。

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業企業其實都沒有解決這麼大規模及時配送的優化問題。

對配送來說，我們確實對這個也是有一個改善的，我們可以做一個區域劃分，每個配送員會有一塊相對熟悉的區域，這個區域內他會做相關的配送。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，中國現在剛剛經曆了一個 3 進 2 的角逐，餓了麼和百度外賣進行合並，真正的在這個行業做的隻有兩家，這個規模是遠遠大於其他競爭者的。比其他國家任何一個市場都要大，這個原因其實商業上可以理解，我們大部分是在城市，城市密度很高，同時中餐複雜程度不像西餐，不像吃披薩或者吃意麵，隻有三種選擇，我們菜的選擇是非常多的，通過電話訂餐是比較複雜的事情，同時商家現在租金成本在漲，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

簡單的場景介紹之後看一下在餐飲行業，我們 AI 應該怎麼去應用，這塊大概按縱橫兩個維度來看，縱的維度其實是遵循傳統關於計算規模、計算資源劃分、最基礎的底層基礎設施、數據和計算能力，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，類似於像視覺、聽覺，包括理解與思考，怎麼樣去做一個決策，怎麼樣去做一些存儲，去把這些數據經過提煉得到答案，把這個答案用起來。最後是交互，怎麼能夠做市場連讀，對餐飲行業來說，這是現在比較少有人去做的事情，其實這也在於前麵計算機怎麼去做位置建模，怎麼樣建視覺和嗅覺的相關建模。也有一些小的創業公司在看這方麵的機會，在中間智能匹配和規劃決策這一塊，更偏向於思考，美團點評其實有在做這方麵的事情。

再具體一點來看，比如感知這一塊，這個現在目前還是一個可以研究的方向，無論是原材料產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。

食物生產工廠，有一些相對來講經濟價值比較高的，類似於生菜這樣的設備，是可以在工廠裏生成，去量產的。比我們現在大棚裏的效率是更高的，當然現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。

我們比較本土的創新的擀麵條機器人或者做拉麵機器人，這個現在都是蠻成熟的，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裏。包括每一種菜品，四川風味應該怎麼做，到了北京經過改良之後又是什麼樣的情況，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，而不是像現在經過平台篩選告訴他，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。

對於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曆史興趣，包括當前實施的一些通過點擊等行為表現出來的一些理解。對商戶本身出餐速度、口味有一些質量等方麵的理解。

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複購買，這個裏麵信息是不一樣的，包括多次用到平台的一些紅包，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。

對於決策這塊，對平台來說，更多是剛才談到的配送，怎麼能夠分配我們配送的資源，怎麼樣更好的做調度。

把這個事情展開一點的話，左邊是用戶，右邊是商家，中間是平台要做的兩件事情，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健康度。上麵更重要的是配送路徑規劃，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。

交易平台的智能化

下麵對於交易效率來說，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。

交易平台，從美團的曆史上來說大概經曆了 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則，再往後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同調整。

在現在我們 APP 的頁麵，有搜索、平台排序、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裏麵去做更好的優化，比如信息優化，以及對用戶轉化率估計的優化。

這塊我們用了一些深度學習技術，對於關鍵信息的展示這塊，展示樣式的優化，我們用了一些增強學習的方法，對於在圖像呈現裏麵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，這個事情對交易平台是非常重要的事情，分為這麼四層，首先最基本的數據，上層怎麼獲得我們的標注，獲得我們的特征？標注類似於在我們今天的場景下怎麼樣更好的解決問題，采用什麼樣具體的模型解決問題，我們怎麼樣在在線的情況下做實時數據更新，這個是非常傳統的一些做法。

特征交叉有連續特征、離散特征和細節處理，在深度學習之後，原始特征的處理還是需要的，我們也用一些圖像特征，之前我們傾向於用一些連續離散的特征，通過商家首頁的頭圖，我們其實可以了解更多關於商家的信息。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並不是非常精準，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。

上麵是我們怎麼樣輔助商家，幫助他做出更好的菜品顯示。有些選擇圖並不好看，我們怎麼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，美觀度做完以後其實發現這個事兒並沒有解決，有的圖雖然不那麼難看，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，怎麼樣看他對用戶是不是有足夠的吸引力，這個做完之後效果好很多。

標注和獎勵

對標注來說，因為我們是監督學習場景，但是正在向半監督或者強化學習過程當中，關於怎麼樣標注是有講究的。無論我們通過閉環學習方式還是說我們現在正在做反饋引入，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，包括加購之後有沒有取出來，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，但這個地方沒有區分開，標注會有一個錯誤，它會影響我們係統的表現。

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，我們嚐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，把點擊率和下單率嚐試了很多不同算法，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常用到的點擊率特征，配送距離特征等等連續的特征，大概一百多位放在一起，再去做連接，一層一層做優化，最後直到產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，這裏麵用一些圖像 OCR 技術會去做身份證識別，這個現在都是處於業務當中，用的時候去做，而不是說針對這個方麵我們需要做一個特別大的工作，所以這個是屬於一個內部的小項目。具體的做法其實也是非常標準的做法，做一些 FCL。

配送調度算法的核心問題

下麵我們可以看一下我們現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裏麵，但是很多的配送員在路上已經有訂單了，已經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，應該怎麼分配？分配給哪些人，先送哪個，後送哪個？這是裏麵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，他配送時間大概什麼樣子的，這是非常粗略的估計，因為我們並沒有執行他實際路徑優化。第二，我們知道大致時間之後，再去做細致路徑的規劃，這個時候，我們其實相當於有一個訂單，比如有 10 個，或者 20 個訂單，我們給配送員發，到底給哪個配送員。

第三，我們怎麼樣做全局優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後，有一個比較好的決策目標。

最後真正的執行優化，有一些細節優化的點，這個也是經曆了大概四步的階段，最早的時候也是人工，騎手搶單，一方麵開著電動車，一方麵盯著視頻，比較著急。後來優化了，我們首先是分配，分區域、分範圍，每一個範圍之內有一個站長，站長並不需要自己去送餐，他的任務是在高峰期的時候給騎手打電話，分配定單，後來經過係統長期運作，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，包括運力規劃。甚至更長遠一點，一個月內看到三個月對運輸什麼樣的要求，同時需要做一些交易協同。

配送時間這個事情也已經比較複雜了，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，之後再行駛到用戶這邊，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，騎手到了店以後要等做餐，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，有的用戶可能沒那麼著急。有一些區域，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。

我們嚐試了兩種方法建模，一種是機器建模，每個小部分單獨的做模型，然後再估計，另外一種是數據係統建模，數據係統建模比較好，數據量比較大，所以采用數據建模方式。有了時間估計之後，我們要做配送路徑優化，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，然後我們再做一個稍微清晰的回歸模型，最後我們再去做迭代優化的執行，看一步兩步三步，在優化裏麵是不是有快速搜索，這裏麵有這個領域的知識，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，也不是完全做 100% 的最優，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，去年的時候我們隻能做到 99%，意味著每天 1%，大概有 10 幾萬單是有問題的。現在我們已經把它縮小到一萬單。

決策目標及約束

對於決策目標來說，我們可能有這麼幾個，首先要去看決策什麼東西，其實我們就是把訂單在什麼時間點優化，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，優化目標肯定是多個目標的綜合，同時又是一個大規模的實時優化的問題，有數千配送區域，數十萬騎手，本身又是秒級計算完成的速度，目標衝突，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，導致我們之前最優解變得不解，這時候我們要改優化結果，這是非常大的一個挑戰。

訂單優化算法的關鍵，第一我們結合了問題特征，包括搜索機製，我們有一些訂單是可以合並的，有些地理位置信息可以做簡單約束，在搜索機製上，我們有很多問題特征搜索和機製搜索。同時右邊可以看到，可以考慮一個訂單，每次都去循環做一下，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可能出現訂單的預測，比如說某棟寫字樓人比較多，經常有人點各種各樣的訂單，我們提前預判，其實對係統優化強隨機性的改進，其實是會比較有效。所以，大概這麼幾個關鍵的點。

我們其實也是批量更新之後，做了一個更細致的優化。我們怎麼樣去做粗過濾，明顯不符合目標的騎手可以快速排除，我們用隨機優化方法，包括最後怎麼樣把訂單合並之後再用經典的算法去做到改造以後的最佳匹配在線解法，這樣複雜度降低。

同時我們會做優化，這個方法用在線方法做不太現實，我們做了很多模擬平台建設。

總結和展望

總結一下，我們確實有很多業務應用問題，同時解決業務的應用問題需要做底層基礎建設，美團本身有自己的雲服務，美團雲為了提供很多底層的基礎建設，包括資源調度、計算資源、數據訪問各種協議，底層我們都不需要擔心。像我們自己內部自研的關於 NLP 的算法，包括傳統的 LDA，PSA 這樣一些模型，我們事先都有底層實現。我們需要做的就是在這個庫上麵去做更多應用探索，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台安全來說都有很多應用，這也是在我們平台的雲上其實都是可以做到。

這個是關於我們美團做的餐飲行業的應用和基礎建設的介紹。總結起來關於嗅覺、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化、智能營銷、公司用戶訪問，以及營銷過程配送機製調度方麵我們確實取得了一定成績，這個和我們業務的應用分不開的。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調，怎麼樣去做智能營銷，這三個其實可以更多的協調和打通。

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，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，這裏麵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，這裏麵我們所采用的路徑相對來說是固定的，不像車可能什麼地方都要去跑，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，我們有很多數據積累，我們預測這件事情是會比自動駕駛更早實現。

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現在已經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模效應利器，相信這塊將來會有更多應用領域。

演講結束後，王棟接受了包括雷鋒網在內的媒體采訪，以下為采訪內容實錄：

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化的問題有哪些？有沒有一個優先級。

王棟：首先產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，隻能是在受限的場景下用技術和長期協同去解決一個問題。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，比怎麼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，關鍵在於你能不能用技術去打磨產品，更能滿足人們的需求。

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

王棟：我們主要是在做應用這一層，底層有美團雲的同事，如何做到更高並行的優化，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，甚至包括我們底層既有GPU，也有FPGA，在什麼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度，其實也還是在資源管理的這一層，從架構上來說，怎麼樣做的更好。

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，端計算和雲計算結合起來。這是在架構方麵。

說到技術的挑戰，對語言的理解、推理其實是很關鍵的問題，人比較擅長，但是機器並不擅長。也有人提到怎麼樣在記憶方麵突破現有的結構，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用，這是從技術上比較大的挑戰。模型上我們現在更多用的是監督模型，怎麼做到半監督、全監督，大規模的獲取數據。

提問：美團跟大眾點評合並以後，數據這一塊是怎麼合作的？美團點評的數據優勢是怎麼體現的？

王棟：可以類比 BAT，他們各自都有不同的優勢，百度信息的數據量是比較大的，騰訊在社交和遊戲方麵的數據量是比較大的，阿裏有很好的交易數據，對美團來說我們的用戶優勢是在於本地的電商服務這個領域。

最近我們也有在基礎的用戶數據上麵去做一些獲取，包括用戶的基本屬性，比如說做一些金融方麵的應用，基礎數據是繞不過去的，這個是數據方麵在做的事情，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，幫助在內部做很好的運營，提升我們的運營效率，這個也是很好的數據。

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據。這是美團技術數據的核心。

提問：美團的特點是有很多種的業務線，哪一塊業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，新零售美團和阿裏的河馬先生也很像。

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，為什麼美團會做打車，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，這並不是很難的操作，我們選好了店，就可以去打車。這個將來是有可能統一的，而且會帶來商家和打車業務模式的結合，有可能會有更優質的解決方案，幫助商家去做營銷。所以，從這個角度來講，打車並不是一件不可想象的事情。

至於您剛才說到的新零售，阿裏的邏輯很好理解，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。所以這是基於業務理解和用戶場景的判斷。

提問：能不能介紹一下美團雲用到的一些 AI 技術，包括場景方麵的應用情況？

王棟：美團雲本身是美團的總集成，不光是內部的係統運維，還有采購，比較新的 AI 這一塊，都有持續的在投入。之前也做一些網絡相關的應用，所以他們在文本的處理，包括對用戶的信息騷擾這方麵也有做很多的過濾，這是在用戶的層麵上做的，包括 OCR，也有外部內部各種應用的匹配。

人臉識別我們有用到 Face++，也有可能用到我們內部自研的技術，在整體上本身內部在用，另外一方麵也會作為一個公開的平台提供給外部去調用，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，在酒店行業我們可以去做房態預估，包括商家給的圖片去判斷是什麼樣的房型，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，美團雲也有提供，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、旅遊、餐飲等其他新興的業務，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，要麼結合自己的力量，要麼結合外部的力量，打造更好的技術。

提問：人臉識別的技術用的是誰的？

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

最後更新：2017-10-08 02:06:03

  上一篇： 美團百度外賣餓了麼集體被訴！原因竟然是……

  下一篇： 人民幣中間價十連升，華為首超蘋果成為第二大手機品牌，美團回應外賣員車禍頻發