我相信，哪怕“下半场”概念的持续走俏，当整个社会的技术基础设施向人工智能的底座切换，它被写入政府工作报告也只是时间问题。要知道，在过去数十年，当科技学术界在向公众描述未来时，对于“确定趋势”凝成共识的次数其实屈指可数——且远未达到今天学界对深度学习这条技术脉络高度认可的坚定态度。
这种共识当然会向政府等决策层传递。就像互联网时代，不少科技企业完成了对资源配置的重新释放，在即将大规模落地的人工智能时代，在对待更复杂的社会问题时，他们也有能力，通过AI为政府和其他社会组织赋能，通过数据的交融，合力将城市向更具智慧的方向演进。
其实谁都知道，世界的复杂度正如“沙堆实验”一般集聚，传统人力基于过往经验，早已显得疲惫不堪——譬如交通问题，早有人预言，隐匿于城市毛细血管的交通网络，有可能是第一个被搁置在人工智能底座的社会系统。
在迅猛的城市化发展中，交通是所有人的切肤之痛：在中国，有大约超过50个城市面临不同程度的拥堵，城市越大拥堵越严重，不只中国，交通问题是世界大型城市的共同顽疾，我看到的数据显示，欧盟境内每年因交通拥堵造成的经济损失达到了1000亿欧元——而也正因如此，在全世界的资本市场，出行领域的点滴创新，从来都会招致他们的敏锐嗅觉。
巨大的公共福祉背后，是颇为坚信的路径实现。众所周知，城市交通网络由人，交通工具和管理三个维度构成，且随时都在变化。
而这也意味着，当数据成为新经济的底层驱动力，解决交通这样的复杂社会问题，政府也势必对人工智能敞开怀抱。在我看来，通过“人工智能+社会治理”，用数据为城市“画像”，才是每天诞生的海量城市数据的最佳归宿。
具体到交通领域，无论约租车，移动地图，还是共享单车，实时公交，都将成为智慧城市升级路上的重要一环。
解决人口问题的智能方式
说到城市化，不妨先说一个我今天看到的案例：人口问题。
必须承认，将巨大人口卷入到整个世界经济的分工体系，是过去三十年中国增长奇迹的最大因素(事实上，愈到未来，中国人口红利优势就愈显著，全世界最发达的高铁系统就是最好佐证)。而在中国人口问题的另一端，如今社会学家的普遍达成的共识是：自由迁徙实则是解决城市化发展“不公”的最佳方案。
如你所知，在城市化历史进程的奔流中，你一定经历过那种看起来就充满不确定性的人口普查方法，面对频繁的流动，传统普查方式人力成本高企且往往并不精确。
其实政府完全可以仰仗更睿智的方式，譬如通过移动地图，要知道，百度地图每天响应450亿次定位请求，位置服务超720亿次，完全可以基于这些累计的定位数据，计算出每个用户的工作地和居住地(譬如在百度的算法中，当两个月在某个位置出现上百次;时间集中在9:00-19:00;连接的wifi固定，基本可以判断是在工作地)，然后通过划分区域位置边界，测算出某个区域的人口绝对值。
事实上，如今百度地图慧眼数据的预测准确率已达85%以上，这意味着，它完全可以为政府机构提供重要的辅助性数据资料。比如百度地图就依靠人口数据优势，以城市新流入常驻人口与全国所有城市新流入常驻人口均值比值为指标，发布了城市吸引力报告，2017年第一季度的报告显示：在人口吸引力排名Top10城市中，长三角、珠三角各占三席，人口吸引力突出，此外还包含北京、重庆、成都及郑州。
值得一提的是，百度还以城市拥堵指数和公交站点覆盖率为指标，同时发布了城市交通运行情况报告。城市拥堵方面，从主要城市拥堵排名Top10数据看，直辖市重庆、北京、上海三大城市入榜，天津是唯一未入榜的直辖市;其他入榜城市均为省会城市，其中哈尔滨以2.138的工作日高峰拥堵指数居榜首。而公交站点方面，在公共交通站点500米人口覆盖率排名前十的城市中，广东有深圳、东莞、佛山、广州四个城市上榜，北京作为北方唯一入选Top10的城市，排名为第七。
可以预见，这种基于真实流动状态的数据分析势必将影响决策。
人工智能+交通的路径实现
事实上，判别智慧城市的一大标准，即是各个领域决策层——尤其政府决策部门对于数据的驾驭程度。而欣喜的是，作为一次算法革命，深度学习以一种简练的网络模型得以解决过往极为复杂的社会难题，譬如交通。下面不妨从打车，公交，单车和地图等不同维度来拼接成“智慧交通”的全貌。
先说以滴滴为代表的出行平台。从几年前的“互联网+打车”到“用积累下来的数据提供更多价值”，滴滴算是移动互联网时代向人工智能时代跃迁的极佳样本。要知道，如今滴滴每日峰值订单超过2000 万单，每日处理数据超过 2000TB，相当于200 万部电影，海量数据包含路况，叫车信息，驾驶行为和车辆数据等多个维度。而无论是供需预测，路径规划还是平台派单，都是算法在起决定作用，毕竟在实时性的要求之下，其中变量已非人力调控可以满足，就像滴滴研究院院长何晓飞所言：“如果我们能搜集到更多的数据，未来有一天我们甚至能够知道每一位乘客，每一位司机的意愿。如果我们能够更加准确的甚至预测人的心理，那么我们可以把整个城市的交通管理的更加有秩序。”
再来看智能出行的基础：移动地图。事实上，少有人知的是，人工智能已渗透进百度地图的每一项基础业务，将其变成了一个基于大数据的人工智能出行平台。
官方数据显示，如今百度地图每日提供的位置服务超过720亿次，每日导航服务超过2亿公里，其自身也从单纯解决陌生地认路，演化到如今的智能导航。从出行前的时间预测和不同需求的个性化路线选择，到出行中精准的实时避堵路线推荐，它都以一种模拟“老司机”思维方式的思路：通过建立交通大脑，记忆数百亿次不同用户的出行旅程，将智慧“反哺”到每一次用户的具体出行之中。
其实不难发现，所谓新司机和老司机的差别，即是掌握的交通信息渠道和本地驾驶经验。而基于高性能流式计算，现在的百度地图可以做到分钟级别的路况更新，某个地方发生拥堵，不到一分钟就会被识别。此外，百度还可以精确推算全国路网的动态车流关系，实现未来一小时的路况预测，这种路况预测模型，包括了日期，时间，天气，路段路况和区域路况等多个维度，并辅之以棋局态势感知和区域路况态势感知的神经网络算法。
颇值一提的是，百度地图还通过聚合群体智慧，通过数据积累对本地经验路线了如指掌：通过人工智能对比用户路线和规划路线，找出差异，统计用户最多走法，如老司机一般得到局部经验路线，提供更优方案。而“老司机经验+个性化偏好”的智能化设定，无疑可以充分满足不同用户的差异化出行需求。总之，百度交通大脑的智慧源自每一位用户，而它又以更高智慧回馈给他们。
与政府打造智慧交通网
当然，在移动地图之外，人工智能同样可以用于如今炙手可热的共享单车身上。
我个人看来，更好地优化车辆配置，是需要共享单车平台共同面对，也是让交管部门较为疑虑的问题，诚如大数据专家涂子沛所言，共享单车首先要回答一个问题：一座城市究竟需要多少辆公共自行车?“要得到这个答案，必须结合城市人口、公交系统、私家车、道路等各项数据，进行计算。其中最重要的估算手段，是把城市里每一个人的家庭住址和其工作地点在数据库层面打通，从而掌握每一个人在城市中最日常的流动，即上班族的‘潮汐’特性。”
其实在人工智能处理交通数据这件事上，相比于共享单车，目前较为成熟的也许是并不惹眼的实时公交领域——要知道，每日至少两次的高频应用，让各种实时公交应用的累积数据并不亚于打车类软件：就像滴滴让人们习惯了“掐点”坐车，通过大数据与深度学习，实时公交应用也可以实现公交数据的实时整合，让用户能清晰获取每日赖以出行的公交车信息，如现在走到哪了，是否正在堵车，什么时候到站，甚至整条线路的实时通行状况，以此决定什么时候离开办公室或者家前去等车比较合适。毫无疑问，这种基于人工智能的资源匹配，对于城市公共交通出行效率，出行选择率以及城市承载率都意义深远，也势必得到决策部门的重视。
嗯，在人工智能的加持之下，科技企业与政府数据的共享，无疑是能否促进智慧交通网络的关键——要知道，中国各级政府掌握着全社会信息资源的80%，拥有海量且高质量的数据，当它们与科技企业的数据和人工智能相结合，产生的正向社会效应将难以估量。
就拿交通来说，一座城市每天产生数千万交通数据，其实交通部门也在寻求与百度这种人工智能技术完备的企业合作，百度地图交通云已与深圳市，成都市，三亚市等13家交警部门，以及江苏省，辽宁省，四川省和河南省等共10家省市级交通部门开展交通大数据共享及信息联合发布合作，在道路拥堵分析，出行通勤分析，人群热力和人口迁徙分析等内容上，通过人工智能将数据价值最大化。
在我看来，除了前文所述的实时资源匹配，提升日常交通疏导效率，“人工智能+交通”的更大福祉，是这些数据能够回馈到城市建设之中，利用数据进行城市线管规划，交通拥堵成因进行分析，对异常道路进行数据挖掘，并将数据用于交通管理调度及相关决策，辅助宏观交通规划。
毕竟，说到底，所谓“智慧城市”的全部秘密，不外乎搭建数据平台，再通过人工智能的赋能，向公众提供更好的服务平台——这需要科技企业与政府的充分联姻，而可以预见的是，当整个社会的公共决策变得越来越复杂，这种联姻也就越来越重要。
