美团网技术总监王栋，主攻搜索、推荐及数据应用方向。2009年博士毕业于清华大学人工智能实验室，研究机器学习算法及计算机视觉的中层语义表示问题。属于国内推荐系统的早期关注和研究者，目前关注O2O领域中的数据、算法及平台化问题，在美团工作的他，期望借助AI技术，满足大家吃喝玩乐的需求，同时助力商户理解其目标用户，发现并促成商机。9月7号的人工智能计算大会，王栋作为人工智能产业升级分论坛的演讲嘉宾，此次演讲的题目是《人工智能在餐饮行业的应用场景》。

AI听起来是个高大上的行业，而餐饮则一直是“民以食为天”，大家初听起来，可能觉得它们的结合有点突兀，其实这两者有很多可以互通的部分，今天我就和大家介绍一下。

今天的内容分为三个部分，首先是基本的背景介绍，关于今日的AI、餐饮行业，其次是AI在餐饮行业中应用的潜在场景，以及我们的技术方案，最后我会做一个简单的展望。

·AI，比你想象得更近，餐饮，比你想象得更大·

我们首先来看对AI的理解，现在的AI是以深度学习为主，但是早先是以规则学习为主，这其实是我们用不同的表达方式去解决类似的问题，按照康德的说法，对一个问题的解答可以分为三部分，第一，是什么样的问题，第二，你怎么表达这个问题，第三才是解决方案。怎么表示这个问题，是非常有趣的。举个例子，我们通常学习的是阿拉伯数字，但是历史上很长一段时间通用的是罗马数字，但是如果我们要进行一个非常庞大的计算，还采用罗马数字，这就不可想象了是吧。所以，同一个问题，不同的解决方案，对应的是不同的难易程度。今天，AI已经进入了很多应用场景，比如AlphaGo、Echo，它们都是在深度学习的框架下，但是这只是AI的一个解决方案。

第二我们来看一下，决定AI的解决方案有这么几个步骤，首先要有一个明确的应用场景，可以定义，没有歧义，第二是要有足够的数据，深度学习需要大量的数据来支撑，第三是要有好的人员，把这些数据用起来，同时也要有足够的计算能力，最后一点其实常常被大家忽略，就是我们在应用的过程中，对目标和结果进行持续的反馈。只有这样，我们才能了解解决方案是否匹配、如何改进。

对餐饮行业来说，2016年中国零售业销售数据中，汽车行业是4000亿，餐饮行业是3500亿，其实规模差不太多，美国那边也是类似，餐饮行业消费有5000亿的规模。另一个大的背景，是历史上，无论美国、日本还是韩国，都经历过从低收入到中等收入的提升过程，在这一过程中，服务业，特别是本地服务业，都有非常显著的增长。具体到外卖行业，最近三年确实增长很快，但整个流程其实还是比较复杂的。用户先在平台上找餐馆，下订单，平台再通知商家接单，通知骑手准备，其实是个很长的时间过程。而且用户下单一般都是三公里以内的餐厅，那么三公里以外的骑手，其实是没法调用的，这里就有个刚性的人员需求。如果再有恶劣天气，难度就更大。

全球市场外卖行业都迅猛发展，中国刚刚进行了一场“三进二”的角逐，百度外卖和饿了么合并，市场上就只剩下两个竞争者了，它们所拥有的市场，比其他国家任何一个同类平台拥有的都要大。结合国情也很好理解，我们城市多、人口密度高、中餐复杂的种类也不是披萨、意面可比的，外卖为商家在堂食之外提供了又一途径，可以说是城市发展中几方多赢的存在。

·量化“川菜究竟多辣”，预测“需要几个骑手”·

我们再来看AI在外卖场景中的应用。在纵横两个角度上，从纵向来说，遵循传统的对计算规模和计算资源的划分，最基础的是计算能力，上层一点是算法、框架、技术点以及应用场景。横向来看，则是感知和分析，理解与思考，如何下决策，最后是进行交互、研读市场。在餐饮行业，目前比较少涉及的其实是前面的部分，计算机如何进行位置的建模，在中间规划决策的部分，美团和点评都在做这方面的事情，而感知这部分，目前还是一个研究中的方向。

在餐饮行业，选什么样的材料，炒成什么样的菜，其实都是有可能通过AI进行颠覆的。如图所示，左边部分，现在有些食材，比如生菜，是可以在工厂中生产出来的，比在大棚中种植效率更高，当然目前成本还稍高一些，中间部分，IBM的超级计算机沃森能生成很多创意菜谱，右边部分，是我们的本土创新，拉面机器人、麻辣香锅机器人，都能迅速降低成本、提高效率。当然，目前右边部分的标准化做得还不够好，比如同样的辣度，有人觉得是五分辣，有人觉得是七分辣，理想状态下，辣度应该有一个统一的标准。进一步说，如果标准化足够好，“四川风味”能够被量化，到了北京经过改良后也能够保持标准化，那么对每个人来说，他就能够更清楚地知道这家餐厅是不是符合他的口味，而不是现在依靠平台、依靠用户评价来进行筛选。

更接地气的方面，我们现在做得更多的是理解和决策方面，“理解”是对用户和商户的理解，比如用户的历史订单和饮食习惯，商户的出餐速度和口味，为了促进用户购买，平台也会用到红包等手段，这都是可以通过AI进行改进的。“决策”方面，则是平台对于配送的安排，如何在线分配配送资源，进行调度。在这条线上，一段是用户，一段是商家，中间则是平台。如图所示，其中核心，一方面是流量精细/智能匹配、智能营销和商家生态的健康度。另一方面是配送路径、订单分配和配送准时率。

比如通过历史订单知道这位用户喜欢四川菜，能够分析出他嗜辣，那么有些湖南菜可能也适合他。未来我们希望做到的是，不仅通过数据进行分析，还能通过知识进行分析。此外，我们还利用AI进行监督学习，帮助商家筛选合适的头图和菜品图片，通过对图片的识别分析，判断这张图是否“美观”，后台能够进行怎样的美化，通过对用户的反馈分析，判断这张图是否“吸引”，要不要更换。

在配送方面，最早我们采取的是骑手抢单，骑手又要看手机、又要开电动车，还要兼顾送餐，非常痛苦，后来采取系统先自动分配一轮，如果不够理想，再由各分区站长进行人工干预，现在，我们已经可以取消站长的环节，完全实现自动化派单，骑手90%情况下会遵循安排，也说明了我们优化的效果。我们的分配会兼顾配送效率、用户体验、人工成本和骑手安全。未来，我们希望进行更宏观的规划，比如针对不同场景，运力应该如何储备，这其中既包括天气情况，也包括一到三个月内的人员流动，关系到整个劳动力市场。

在配送时间估计策略上，我们需要进行商户画像、用户画像、骑手画像和区域特征四方面的考虑（如图所示）。在解决这一问题上，我们尝试了两种方式，一种是机理建模，一种是数据建模，不过最后还是发现后者效果更好，因为我们的数据足够充分。在针对一个订单，判定给哪个骑手最优的时候，我们的算法必须达到毫秒级实时性，每日完成调用10亿次。在这方面，把订单给哪个骑手，和AlphaGo判断下棋如何落子，也具有异曲同工之处（如图所示）。

为了解决AI与餐饮结合带来的新挑战，我们需要先进行最基础的建设，这方面我们很幸运地拥有“美团云”，能为我们进行基础性的服务。在这些库的上面，我们利用数据才能展开各种各样的探索。我们拥有大量的业务，也就意味着我们能进行快速的迭代，更快地将我们的需求传达到底层模型的优化上。我们也希望让“美团云”为更多AI中小企业提供服务。

·推动嗅觉味觉AI识别，打造外卖大脑·

未来，对用户喜好，特别是餐饮上的嗅觉、味觉人工智能识别，我认为是很有价值的一个方向。通过交易流量分配、配送履约和智能营销，进行全局协同优化，打造外卖大脑，这是未来展望的第一点。其次，在自动驾驶非常火热的今天，我认为自动化配送可能早于自动驾驶率先实现，因为相对而言，这个场景更加可控，闭环反馈更完整。最后，通过人工智能，将给餐饮行业带来更好的规模效应，在用户、商户和平台的协作下，完成AI对餐饮行业的颠覆和革命。

本文为未来图灵（futureturing）原创文章，转载请申请授权并注明来源。

转载、合作事宜，请联系：

微信：zhuzhichao8818

邮箱：weilaituling@caishimv.com