前段時間，馬化騰和朱嘯虎這兩位大佬在伴侶圈就所投資的共享單車項目互懟，在行業引發軒然大波——其中一個焦點就是智能鎖之爭，馬化騰吐槽沒有智能鎖的ofo都是啞終端，這個在兩位大佬的互懟中是事實。

摩拜單車的slogan是“全球智能共享單車行業首創者和領導者”，它的第一部單車就加載了智能鎖，智能鎖里面有SIM卡和GPS芯片，進而可聯網和定位。ofo在去年11月才走出校園正式進入城市，為了快速搶占市場采取了低成本的機械鎖，進而快速連接海量自行車、進入超過100座城市，不過卻存在馬化騰所說的“啞終端”問題，進而帶來了較高的維護成本、倒霉于短途出行數據的收集。

正是因為此，ofo在近日與中國電信和華為共同研發基于NB-IoT技術的 “物聯網智能鎖”并正式應用到ofo小黃車上，進入智能鎖時代。有人說ofo此舉是回應馬化騰關于ofo“啞終端”的吐槽，實則否則。豈論什么行業，做平臺的核心都只比拼一點，那就是連接效率。共享單車平臺也不例外，如果智能鎖效率更高，到了適當的階段，ofo付出更高成本引入智能鎖提高平臺運營效率就是水到渠成。ofo在將“啞終端”變為“會說話的終端”的同時，還在引入更多智能技術來提高單車運營辦理能力。

用人工智能進行單車調度

日前，ofo頒布頒發將谷歌TensorFlow人工智能系統和卷積神經網絡技術應用于出行需求預測，進而更好地布放單車，讓用戶隨時隨地有車可騎。TensorFlow是谷歌研發的第二代人工智能開源系統，其采取數據流圖(data flow graphs)，主要用于數值計算，全世界所有開發者都可取用。卷積神經網絡技術即CNN則是眼下日趨普及的深度學習的主流實現方式，它模擬動物神經網絡工作原理，可以進行大型圖像處理，同時也被應用在諸多主流AI場景中。百度將Deep CNN技術應用在語音識別中，使得識別錯誤率相對下降了 10%；騰訊則基于Deep CNN技術打造了深度學習平臺Mariana……

ofo宣稱其對CNN技術的應用在共享單車行業屬于首創，它的具體做法是，將智能鎖返回的騎行和定位數據形成熱力圖，不只是可以展示用戶騎行軌跡、車輛分布網絡，還有差別區域的需求熱度。通過對熱力圖進行網格化分析，就可以提取差別時段同一區域或者同一時段差別區域的圖像相關性特征，進而精準預測下一個時段某一區域內會出現的需求數，從而為運營調度提供更好的決策。

ofo熱力圖

事實上，用人工智能+大數據技術的預測能力來治理交通已有很多成熟應用。

阿里云與杭州、廣州等城市合作“城市大腦”智能調度紅綠燈；去年百度地圖開展“預防踩踏變亂”研究，通過路徑搜索數據與目標地點的人口密度的關聯計算，預測特按時間在特定地方的人群聚集狀況，將結果開放給交通辦理部門進行預防疏導。“人流預測技術”還可被用作商業，進一步幫手店鋪選址、公交選站、促銷選點，甚至幫手政府了解區域房屋空置率。在出行行業，滴滴也成立了大數據部門，成百上千的工程師在研究如何做好訂單調度以提高平臺的全局效率。由此可見，ofo通過CNN和TensorFlow應用人工智能技術進行共享單車調度并非為了智能而智能。

在許多人印象中要確保用戶有車可騎，最重要的是要讓自行車有定位能力進而可以讓用戶通過手機定位找到車。這個思路是錯的，因為共享單車自己就是解決短途出行，讓用戶為了騎行1公里走500米甚至300米去找車的體驗都是欠好的。只有讓用戶在視野范圍內發現車而且可用才是最佳體驗，要做到這一點，唯一可行的措施是調度，一個城市20%的地方有80%的短途出行需求，通過智能分析找到這20%的地方（可能是變動的），進行更多的投放、更好的維護，就可以大幅優化用戶找車體驗。

要做到這一點就要靠調度。憑借運營人員主不雅觀判斷或者人工分析再進行調度是不行的，，一方面，人工分析意味著要為每個城市甚至每個區域配置調度分析人員，憑經驗主不雅觀判斷很容易不準，進而不符合出行需求變革，還會增加后臺調度人力成本；另一方面，人工調度倒霉于精細化運營。

精準預測特按時段差別區域、同一區域差別時段的出行需求，再進行智能調度就是一個一定的趨勢。不只是可以省卻大量的運營人力，還可盡量滿足真實出行需求進而提升用戶體驗。還有，智能調度可以細化到城市的毛細血管，對單車的整理可以從月/周粒度細化到日甚至半日。因此，ofo將智能技術應用到后臺調度的做法將會成為行業趨勢，這也迎合了人工智能賦能各行各業的趨勢。

共享單車終將進入NB時代