如何看待滴滴章文嵩称，滴滴面临的问题比 AlphaGo 复杂 100 倍？
首先，我们来理解一下 AlphaGo 是什么以及它的复杂性：
AlphaGo 是由 DeepMind 开发的人工智能程序，它在围棋这项棋类运动中击败了人类顶尖选手。围棋之所以被认为是具有挑战性的游戏，是因为：
巨大的搜索空间： 围棋的棋盘较大，每一步都有多种可能的选择，导致总的局面数量极其庞大，远超宇宙中的原子数量。AlphaGo 需要通过复杂的算法和强大的计算能力来搜索和评估这些局面。
深度学习与蒙特卡洛树搜索的结合： AlphaGo 结合了深度神经网络（用于评估局面和预测最佳走法）和蒙特卡洛树搜索（用于探索可能的走法并评估其长期结果）。这种结合是人工智能领域的一大突破。
规则明确，目标单一： 围棋的规则是固定的，目标非常明确——赢下比赛。虽然过程复杂，但其基本目标是可量化的、清晰的。
现在，让我们来看看滴滴所面临的复杂性，并将其与 AlphaGo 进行对比，从而理解章文嵩所言的“100倍”并非夸张，而是有其深刻的道理：
滴滴是一家全球性的出行科技公司，其业务涉及多个层面，每一个层面都充满了复杂性：
1. 海量的用户和司机：
AlphaGo： 面对的是固定的棋盘和规则，其“对手”是事先设定的程序（无论是自己还是人类棋手）。
滴滴： 面对的是数亿的真实用户（乘客）和数百万的真实司机。这些人有不同的需求、行为习惯、情绪、地理位置、时间安排等等。用户想要快速、便宜、舒适的出行，司机想要最大化收入、灵活安排时间、保证安全。这是一种动态的、高度不确定的、实时互动的关系。
复杂性来源：
用户行为预测： 乘客何时何地需要出行？从哪里到哪里？对价格、车辆类型有什么偏好？这些都受到天气、节假日、活动、突发事件等多种因素的影响。
司机匹配和调度： 如何在最短的时间内将最合适的司机匹配给乘客？如何优化司机的路线和空驶率？如何考虑司机的个人偏好和休息时间？
供需平衡： 在高峰期，需求远大于供给，如何快速调动司机？在低峰期，如何保证乘客能及时打到车？这需要动态的价格调整和激励机制。
2. 动态的实时匹配和调度系统：
AlphaGo： 它的决策是基于对棋盘局面的分析，计算出最佳的落子位置。这个过程是相对离线的，可以在服务器上完成。
滴滴： 需要一个高度实时的系统来处理海量的订单请求、司机位置信息、路线规划、交通状况等。这是一个持续不断、需要毫秒级响应的复杂工程。
复杂性来源：
超大规模的实时数据处理： 需要处理地理位置信息、用户请求、车辆状态、交通信号等海量数据，并进行快速的计算和决策。
动态最优解： 每一秒钟，情况都在变化，滴滴的系统需要不断地寻找当前最优的匹配和调度方案，而不是一个静态的最优解。
容错和稳定性： 系统必须保证极高的稳定性和可用性，任何的宕机或错误都可能导致大量的用户和司机受到影响。
3. 复杂的商业模式和生态系统：
AlphaGo： 其商业模式相对单一，主要是围绕其技术能力进行授权或应用。
滴滴： 滴滴的商业模式涉及：
平台服务费： 向司机收取一定比例的费用。
用户端定价： 根据距离、时间、供需关系等因素制定价格。
增值服务： 如顺风车、豪华车、快送、货运等多元化业务。
广告和数据服务： 利用平台数据提供营销和分析服务。
自动驾驶技术商业化： 这是一个新的、高投入的领域。
复杂性来源：
多方利益的平衡： 如何在乘客、司机、平台之间建立一个公平且可持续的利益分配机制，是一个持续的挑战。
市场竞争： 滴滴面临来自其他网约车平台、出租车行业、甚至出行领域的跨界竞争。
监管环境： 不同国家和地区的交通法规、劳动法规、数据隐私法规各不相同，滴滴需要在复杂的监管环境中运营。
战略决策： 如何在新业务上进行投入？如何平衡规模和盈利？如何应对宏观经济波动？
4. 涉及的变量和不确定性远超围棋：
AlphaGo： 围棋的规则是确定的，每一步的后果是可以被计算和模拟的（虽然计算量巨大）。
滴滴： 滴滴面临的是真实世界的复杂性：
天气变化： 恶劣天气会影响出行需求和司机出勤。
交通拥堵： 实时交通状况千变万化，影响派单效率和用户体验。
突发事件： 如交通事故、社会事件、疫情等，都会对出行市场产生巨大影响。
人类行为的非理性： 用户和司机的情绪、决策可能并不总是理性的，而是受到很多外部因素影响。
法律法规的变动： 政府政策的调整可能对平台的运营模式产生根本性影响。
5. 自动驾驶的挑战：
滴滴也在积极布局自动驾驶技术，这又增加了另一个层面的复杂性。自动驾驶不仅仅是算法的优化，还涉及到：
硬件的集成和可靠性： 需要大量的传感器、计算单元，并且这些硬件需要在极端环境下保持稳定工作。
场景的无限性： 真实道路上的场景比围棋局面复杂得多，包括行人、非机动车、各种突发情况、复杂的交通规则等。
安全性是第一位的： 任何一个小小的失误都可能造成严重后果，因此对安全性的要求是极高的。
大规模部署和运营： 如何实现自动驾驶车辆的大规模生产、维护、运营和商业化，是一个巨大的挑战。
为什么说“复杂 100 倍”？
这个“100倍”并非一个精确的数学计算，而是一种形象的比喻，用以强调滴滴所面临的挑战的量级和维度与 AlphaGo 完全不在一个层面。
维度上的差异： AlphaGo 主要是一个算法和计算密集型问题，其核心在于如何在大规模搜索空间中找到最优解。而滴滴则是一个集成了算法、数据科学、工程技术、运营管理、用户体验、市场营销、法律合规等多个维度的问题。
不确定性层级的差异： AlphaGo 处理的是可预测、可模拟的确定性（虽然计算量大），而滴滴处理的是海量的、高度不确定性的人类行为和外部环境。
动态性和实时性层级的差异： AlphaGo 的决策相对“静止”，而滴滴的系统需要在瞬息万变的实时环境中不断做出响应和调整。
利益相关者的数量和复杂性： AlphaGo 的利益相关者是开发者和围棋爱好者，而滴滴的利益相关者是用户、司机、投资者、政府、竞争对手等，其利益诉求差异巨大且相互制约。
总结：
章文嵩的这句话，恰如其分地概括了滴滴作为一家平台型、服务型、科技驱动型公司所面临的巨大挑战。它不是在贬低 AlphaGo 的成就，而是为了强调滴滴业务的人性化、社会化、实时化和多元化的复杂性。
AlphaGo 的目标是在一个高度抽象和规则化的环境中追求“完美”的策略，而滴滴的目标是在一个复杂、动态、充满不确定性和人为因素的真实世界中，为无数用户提供高效、安全、便捷的出行服务，同时还要顾及平台的可持续发展和多方利益的平衡。这种复杂性，从技术到运营，从用户到社会，都远远超出了 AlphaGo 所解决的围棋博弈问题。
网友意见
同意上面 @卷积云 答案中“避重就轻”的说法。
诚然，章文嵩是技术大牛，有资格对各种复杂问题进行研究和发表言论。
但关键在于，吃瓜群众是不会在乎问题是难是易，你让他们在乎也没有这个技术背景和时间去深入了解。
对于 AlphaGo，群众的情绪是被开创性的成功所鼓舞，并在当时引发了 AI 新一轮大火。而对于最近的滴滴，群众的情绪是由”大数据杀熟“、”美团加入出行市场“等事件所带动起来的，总体是负面偏多。
然后以人类的”快速“思维模式联想，”滴滴“不说解决啥有效解决方法，反而说这说那，是不是心里有鬼，要找各种借口了。而且对于普通群众来说，滴滴能做的事情，美团、Uber等一堆公司都能做，而 AlphaGo 能做的事情，目前较有名的是腾讯绝艺在苦苦追赶，可以说是一览纵山小的态势。那么两者”对比“，”结果“也很明显了...
所以，这明显不是同一类问题的两个东西被拿出来到比较，我想绝大部分时间里都没啥问题，只是在这个特殊时间里，群众就很可能不会如章文嵩所想的那般去分辨和对比咯。
没看懂 他这个2秒撮合一次，一天86400秒，所以要考虑 43200步是个什么意思。
如果是派单撮合这个事情，也不涉及路径规划，搜索空间是不可能比围棋来的大的。派单撮合这个事情 从产生场景 频率人数上比起互联网广告的撮合都小不止一个数量级。偷换概念或者表达有问题。
说滴滴的算法比alphago 复杂100倍 这个我是信的，把问题解法搞复杂不是很难的事情。
把滴滴派单这个问题的复杂度比围棋复杂度高100倍。这个我是不信的。
棋盘 19x19,每个位置 无子，黑，白 三个状态，解空间是 3^361次方 约等于 9^180次方。
即便是每2秒撮合一次，哪怕方圆十公里 有一千万出租车司机空载 和一千万个用户要打车，解空间也就是 10^7 * 10^7=10^49 次方。
噢~~~ 我知道他想说啥了。他是这么比较两个问题的，他说的是滴滴调度的面临的问题比棋盘空间复杂。他这个2秒一步是指2秒搓合一次，改变调度状态。假如 这个调度是调度全城的车辆出行，要优化道路容量提高平均时速 那从路网复杂度的角度来讲路网是完爆棋盘的。但是 滴滴调度的这个问题并不是，这里被偷换概念了。首先滴滴调度并不影响路上行驶的其他车辆，他只搓合出租车（快车等），而且这个调度也不是没有最优解。衡量调度水平就是看出租车平均空载率。
我随手搜了两个数据 2015年 北京出租车 6.6万辆
2013年 北京出租车 日均接单15.
假设 滴滴在北京一天要调度 100万辆车 ，每辆车一天接30单，也就是一天要撮合3000万次
（这就意味着北京2300万人口的话每人每天得打1.5次车了）
你无论这么折腾 也就是这么多乘客这么多单，所以极限情况，滴滴调度的解空间也就是3000万单*100万车，算上要考虑始发和终点 也就是这个6*10^12数量级了。离棋盘还远着呢。。。
空驶率是要看调度效率和乘车供求关系的，全职出租车（半全职快车）为例实际上供给是可以认为是固定的。如果需求减半 空驶率肯定是下降的，那么如何提高需求提高人们的打车意愿，降低等待时间和费用，提升客户体验才是提高效率降低空驶率的关键。大家抱怨滴滴派单体验不好，正是反映问题到了根上。
这个时候说什么算法比alphago复杂？
要么是真糊涂，要么是揣着明白装糊涂。要么是蠢，要么是坏。
很纳闷，为什么我几年前来到知乎，就遍地是诉诸权威的神逻辑，到现在了丝毫无改善，每次答题还要再反驳一次？
这位章大师，假设他真是能力超群，这能保障他不闭眼睛说瞎话，为利益集团发声么？没吃过猪肉，总见过猪跑，郎咸平总认识吧？
其实这题根本没有反驳的必要，因为问题的复杂性高和你公司本身的实力毫无关系（虽然问题都属于马尔可夫决策过程）。打个比方，一个庸医可以去治癌症，一个明医也可以去治感冒。癌症显然比感冒更复杂，然而我们能说治疗癌症的庸医其医术就比治疗感冒的明医高么？显然，治感冒的医生要和治感冒的比，治癌症的医生要和治癌症的比，这才有可比性。
AlphaGO的NB之处不仅在于他打败了人类，还在于他吊打所有其他的围棋算法——在完全相同的围棋规则、完全相同的棋谱数据的前提下（印象中现在腾讯依然被吊打）。如果滴滴和谷歌共享同样的数据，然后他们的算法创造的盈利是谷歌的N倍，那我当然可以承认滴滴的技术领先全球。但是，显然滴滴不可能这么做，所以现阶段的一切，包括拿“目标难以明确”打马虎眼，我都只能认为是滴滴的自吹自擂，因为缺乏任何参照体系。
最后说两点感想。第一点，这位章大师的自创“名词”在我看来十分混乱，比如其对“开放”的定义，一会儿好似指算法是否有明确目标，一会儿又好似指信息是否完全（因为星际争霸等游戏显然有明确目标）。第二点，我虽然没怎么接触过派单问题，但是他嘴里的“复杂度”有种忽悠的感觉，就像有答案里提到的，乌鲁木齐出租车的动态和你北京出租车的动态有毛关系？
附微博原文：
鉴于章先生的学术能力和技术背景，在下更愿意理解为这是一次错误的类比，而不是说他不懂技术或者别的。
章文嵩先生的目的是要强调：派送不难，难在调度，难在找到最优解。刚好AlphaGo是介绍高难度技术跟最优解的良好媒介，就拿来用了。
但是，章先生的类比的确很不恰当。
- 时间段选择有问题。派单能产生相互影响的跨度有限，今天0:01的时候派单跟今晚23:59派单几乎不会有任何的联系了。
- 复杂度对比标准出错。如果按照章的说法，2秒配对一次，相当于围棋落子一次。那么落子361次就相当于大约12分钟的派单任务量。在不考虑每次派单跟每次落子的难度不同的前提下，AlphaGo相当于可以做到，把12分钟以后的那一单怎么派考虑在内了。滴滴的派单是不是真有这么高的预测能力？是不是需要这种能了？这是一个疑问。
- 最优解的意义不大。市场需要的不是你的技术多么先进，而是你的技术可以解决多少问题，花多少钱。如果为了实现最优解，滴滴需要比AlphaGo难度高一百倍的技术和计算。但是，实现近似最优解的是目前的技术稍加改进就能完成的，甚至目前的技术能力已经是可以接受的。市场需要的不是最先进的技术，而是最实用的技术。不是说派送系统不需要优化，而是不需要优化到找到最优解。在接近最优解之后，为了最后的一点点提升，需要投入的技术和金钱是非常惊人的。如果滴滴没有考虑过要完成这个任务，就没必要说出来了。
奥数比高考数学难多少倍，对于一个不准备通过竞赛进入大学的学生而言，没什么参考意义。
如果滴滴不需要最优解方案，只需要近似值就可以，强调最优解的难度，对于滴滴没什么意义。
别的就不说，要考虑43200步的算法比最多361步的算法复杂100倍。就这个说法，还有什么需要讨论、辩驳的呢？！
如果是按某种辨识知识，每次只是重复决定当前该如何，如果不考虑历史因素，那43200步的复杂度和单次的复杂度是一样的，如果需要考虑历史因素，其实也就是两种情况，考虑上次和全部考虑，考虑上次这还是常次项表达式的复杂度，根本不在AI的范畴之内，而如果要考虑全部历史，这个复杂度，根本不可能。
发表这个言论的根本就是混淆了系统和算法的概念，无论你如何考虑，撮合一单的复杂度都不能用两秒一次则一天就要考虑43200步来衡量。
从系统的角度看，滴滴肯定要比狗复杂的多的多的多，但就单次撮合的复杂度来说，滴滴就是不用AI一样搞得定，无非就是一个资源多属性加权综合的问题。
这根本就是两类问题，滴滴要解决的问题复杂，导致系统及其复杂，这种情况下每单的处理反而不能复杂，否则根本无法保证客户体验，但解决这种系统复杂度的，依靠的显然不是什么AI，而是软件工程方法和相关技术。当然现在实力强了，可以加强每单的处理优化。
围棋的规则、系统简单至极，但无法切割成一步一步独立进行优化，这才是典型的AI处理的问题
类似的话题
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有