事實上，判別智慧城市的一大標準，即是各個領域決策層——尤其政府決策部門對于數據的駕馭程度。而欣喜的是，作為一次算法革命，深度學習以一種簡練的網絡模型得以解決過往極為復雜的社會難題，譬如交通。下面不妨從打車，公交，單車和地圖等不同維度來拼接成“智慧交通”的全貌。

　　先說以滴滴為代表的出行平臺。從幾年前的“互聯網+打車”到“用積累下來的數據提供更多價值”，滴滴算是移動互聯網時代向人工智能時代躍遷的極佳樣本。要知道，如今滴滴每日峰值訂單超過2000 萬單，每日處理數據超過 2000TB，相當于200 萬部電影，海量數據包含路況，叫車信息，駕駛行為和車輛數據等多個維度。而無論是供需預測，路徑規劃還是平臺派單，都是算法在起決定作用，畢竟在實時性的要求之下，其中變量已非人力調控可以滿足，就像滴滴研究院院長何曉飛所言：“如果我們能搜集到更多的數據，未來有一天我們甚至能夠知道每一位乘客，每一位司機的意愿。如果我們能夠更加準確的甚至預測人的心理，那么我們可以把整個城市的交通管理的更加有秩序。”

　　再來看智能出行的基礎：移動地圖。事實上，少有人知的是，人工智能已滲透進百度地圖的每一項基礎業務，將其變成了一個基于大數據的人工智能出行平臺。

　　官方數據顯示，如今百度地圖每日提供的位置服務超過720億次，每日導航服務超過2億公里，其自身也從單純解決陌生地認路，演化到如今的智能導航。從出行前的時間預測和不同需求的個性化路線選擇，到出行中精準的實時避堵路線推薦，它都以一種模擬“老司機”思維方式的思路：通過建立交通大腦，記憶數百億次不同用戶的出行旅程，將智慧“反哺”到每一次用戶的具體出行之中。

　　其實不難發現，所謂新司機和老司機的差別，即是掌握的交通信息渠道和本地駕駛經驗。而基于高性能流式計算，現在的百度地圖可以做到分鐘級別的路況更新，某個地方發生擁堵，不到一分鐘就會被識別。此外，百度還可以精確推算全國路網的動態車流關系，實現未來一小時的路況預測，這種路況預測模型，包括了日期，時間，天氣，路段路況和區域路況等多個維度，并輔之以棋局態勢感知和區域路況態勢感知的神經網絡算法。

　　頗值一提的是，百度地圖還通過聚合群體智慧，通過數據積累對本地經驗路線了如指掌：通過人工智能對比用戶路線和規劃路線，找出差異，統計用戶最多走法，如老司機一般得到局部經驗路線，提供更優方案。而“老司機經驗+個性化偏好”的智能化設定，無疑可以充分滿足不同用戶的差異化出行需求。總之，百度交通大腦的智慧源自每一位用戶，而它又以更高智慧回饋給他們。

　　與政府打造智慧交通網

　　當然，在移動地圖之外，人工智能同樣可以用于如今炙手可熱的共享單車身上。

　　我個人看來，更好地優化車輛配置，是需要共享單車平臺共同面對，也是讓交管部門較為疑慮的問題，誠如大數據專家涂子沛所言，共享單車首先要回答一個問題：一座城市究竟需要多少輛公共自行車?“要得到這個答案，必須結合城市人口、公交系統、私家車、道路等各項數據，進行計算。其中最重要的估算手段，是把城市里每一個人的家庭住址和其工作地點在數據庫層面打通，從而掌握每一個人在城市中最日常的流動，即上班族的‘潮汐’特性。”