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，开奖，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，开奖，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。