近年来，随着消费互联网迈向纵深，产业（yè）互联网渐入佳境，各行各业的（de）数字化转型（xíng）如火如荼。面对日趋复杂的（de）环境，具（jù）备强大市场渗透力的数字（zì）化与智能化技术（shù）协同共进，在推动经济发展、赋能小微企业（yè）、保障民生等领域将发挥巨大作用。在新兴技术阵营中，人（rén）工智能释放的红（hóng）利正让人们的生活变得更加美好。

以日常“点外（wài）卖”为例，骑手、用户和商家分别构成（chéng）就业、民（mín）生、经济的缩影，如果（guǒ）人工（gōng）智能可以实现（xiàn）对这三大群体的赋（fù）能，就可（kě）以满足不同场景下的配（pèi）送需求，提升（shēng）配送效率和用户体验，从（cóng）而实现“让外卖触达世界每个角落”的愿（yuàn）景。而（ér）人工智能（néng）之所以能发挥作用，离（lí）不开ICT基础（chǔ）架构（gòu）的升（shēng）级与深度学习框架的跃（yuè）迁。

科（kē）技力量改变外卖生（shēng）态

一份外卖在30分钟内送达，已成为生活常态。但是，做到这一点并（bìng）不简单：以一（yī）个骑手送5份订单为（wéi）例，就要（yào）面向5个不同的商家和用户，配送路线（xiàn）的组合达（dá）到上万种（zhǒng）。而在热门的外卖平（píng）台上，高峰（fēng）期外（wài）卖日订单量巨大，涉及骑手人（rén）数也众（zhòng）多，实现30分钟（zhōng）送达的目标，路线组合更是天文数字（zì）。同时，对于老年人和儿（ér）童（tóng）用（yòng）户来说，能通过语音操（cāo）作无障碍完（wán）成点外（wài）卖的全部流（liú）程，就更（gèng）凸（tū）现（xiàn）了人性化设计（jì）。

据美团方面介绍，该公司（sī）的“技术助力生活”项目，其中一项重要工作就（jiù）是寻求骑手调度的最优解。1万多（duō）名工程师在用（yòng）人工智能（néng）技（jì）术提（tí）高效（xiào）率的同时（shí），通过定期做（zuò）骑（qí）手来体验送餐过程（chéng）中的（de）痛点，不断优化解决方案。此（cǐ）外，该公司结合“智能交互”技（jì）术打造的服务引（yǐn）擎，具备语音（yīn）能力，能让（ràng）老（lǎo）年人和（hé）儿童以便捷（jié）的交流方式获取服务。尤其（qí）当用户的需求送达公司的“超脑系统”后，这一大规模、高复（fù）杂度（dù）的多人多点实时智（zhì）能配送（sòng）调度系统，将（jiāng）会进（jìn）行快速计算，让用户（hù）获得超预期的服务体验（yàn）。而从2016年起，美团就（jiù）依托（tuō）更多智能化技术，开始研发特定场景下的无人配送，在（zài）疫情防控期间得到检验并取得进展（zhǎn）。

在整个外卖生态中（zhōng），商户群（qún）体是（shì）美团赋能的另一核心领域（yù）。据悉，在“美团商家大脑”中，有海量的用户评价分析和（hé）知（zhī）识关联，商家只需要一（yī）个SaaS收银系统专（zhuān）业版，就能定期获（huò）取用户的情（qíng）感曲线变化、消费水（shuǐ）平、环境（jìng）偏好（hǎo）及相似商家（jiā）等信息。同时，借助智能（néng）分析（xī），商家（jiā）还可以在服务现状、竞争力、商圈等（děng）层（céng）面得（dé）到洞察，为（wéi）从（cóng）开店到（dào）店（diàn）面运（yùn）营管理提供决策参（cān）考。

面对难题提供解决路径

据介绍，外卖（mài）只是美团构建生活服务整体生（shēng）态（tài）图景（jǐng）的一部分，科技赋能所涉及的纷繁场景远不止于此。近年来，美（měi）团组（zǔ）建了强大的人工智能技术（shù）团队，为商家选址、引流、外卖（mài）配送、经营管理、供应链金融、营销推广等一整（zhěng）套服务（wù）体系提供了强大的AI能（néng）力支（zhī）撑。但（dàn）随（suí）着用户快速增长、智能业务不（bú）断升级，以及（jí）AI模型（xíng）规（guī）模（mó）与复杂度持续上升，该公司的业务（wù）系（xì）统面临愈发严（yán）峻（jun4）的性能（néng）挑战，如何从基础（chǔ）设施重（chóng）构、软件（jiàn）优化等角度化解挑战，是（shì）其必须（xū）面对（duì）的问题。

以开源深度学（xué）习框架TensorFlow的应用（yòng）为例：美（měi）团在英特尔可扩展处（chù）理器的基（jī）础上，从（cóng）多维度进行深度改进，并采用了该公（gōng）司推荐的技术（shù）优化方案。为进（jìn）一步给推荐系统等应用进行（háng）AI赋能（néng），美团使用TensorFlow进行（háng）模型训练，采取分布式计算方（fāng）式解（jiě）决海量（liàng）参数的模型计算和参数更新问题。但随着业务高速（sù）发（fā）展（zhǎn），不仅推荐系统模型的（de）规（guī）模（mó）和复杂度也有所提（tí）升。还会暴露出一系列问题（tí）。性能瓶颈的凸显，会带（dài）来总体拥有成本的飙升，可能对上层（céng）业（yè）务造成（chéng）负面影（yǐng）响。

为了解决性能瓶（píng）颈（jǐng）问题（tí），有两条路径（jìng）可供选择：一条是迅速扩大基础设施（shī）建设规（guī）模，但会增加成（chéng）本压力，并提升系统的整体复杂度；另一（yī）条是从系统（tǒng）与软件层面（miàn）进行优化，具备更（gèng）高的经济性（xìng）与可（kě）行性（xìng）。经过对TensorFlow框架与业务的分析定位，美团发现业务中的TensorFlow集群均衡负（fù）载与分布式集群的通信机制、延迟、单实例性能，都是亟需重（chóng）点优化的（de）方向，与英特尔合作探索第二条路径势在必行。明确（què）方向后，美团（tuán）将TensorFlow系统构建在（zài）基于（yú）英（yīng）特（tè）尔可扩展处理器的服务器集群上，并（bìng）采用CPU进行TensorFlow模型训练，在推荐系统场景中（zhōng）还使（shǐ）用了TensorFlow PS异步训练模式，支（zhī）持业务分（fèn）布式训练（liàn）需求。

据了解，美团（tuán）从单实（shí）例性能、分布式（shì）计算（suàn）优化等多层面进行了（le）全（quán）方位实践。新系统在支（zhī）持能（néng）力层面，可做到千亿参数模型（xíng）、上千Worker分布式训练的近线（xiàn）性加速（sù）、全年样本在（zài）1天内完成训练，并支持在线深（shēn）度学习的能力；各（gè）种（zhǒng）架构和接口也更友好（hǎo），得到（dào）了美团业务部门的认可。