近年来，随着消（xiāo）费互联网迈向纵深，产（chǎn）业（yè）互联网渐入（rù）佳（jiā）境，各（gè）行各（gè）业的数字化转（zhuǎn）型如火如（rú）荼。面对日（rì）趋复杂的环境，具备强大市（shì）场渗透力（lì）的数字化与智能化技术协同共进，在推动经（jīng）济（jì）发展、赋（fù）能小微企业、保（bǎo）障民（mín）生等领（lǐng）域将发挥巨大（dà）作用。在新兴技术阵营中，人（rén）工智（zhì）能（néng）释放的红利正让人们的（de）生（shēng）活（huó）变（biàn）得更加美好。

以日（rì）常“点（diǎn）外（wài）卖”为例，骑手、用户和商家分别构成（chéng）就业、民（mín）生、经济（jì）的缩（suō）影，如果人工智能可以实现对这（zhè）三大群（qún）体的赋（fù）能，就可以满（mǎn）足（zú）不同场景下的配送需求（qiú），提升配送效率和用户体验，从而实现“让外（wài）卖（mài）触（chù）达世界每个角落”的愿景（jǐng）。而人工智能（néng）之所以能发挥（huī）作用（yòng），离不开ICT基础架（jià）构的升级（jí）与深度学习框架的跃（yuè）迁。

科技（jì）力量改（gǎi）变外卖生态

一份外卖在（zài）30分钟内送达，已成为生活常态（tài）。但是，做到这一点（diǎn）并（bìng）不简（jiǎn）单：以（yǐ）一个骑手送5份订单为例，就要面向5个不同的商家和用（yòng）户，配送路线的（de）组合达到上万种（zhǒng）。而在热门的外卖平台上，高峰期外卖（mài）日订单量巨大，涉（shè）及（jí）骑手人数也众多（duō），实现30分钟送达的（de）目标，路（lù）线组合更是天文数字。同时，对于老年人（rén）和儿童用户来说，能通过语音操作无障碍完成（chéng）点外卖（mài）的全（quán）部流程（chéng），就更凸现了（le）人性化设计。

据美（měi）团（tuán）方面介绍，该公司的“技术助力生（shēng）活”项目，其中一（yī）项重要工作（zuò）就是寻求骑手调度的最优解。1万多名工程师在用人工智能技术提高效率的同时（shí），通过定期做骑（qí）手（shǒu）来（lái）体（tǐ）验送餐过程中的（de）痛点，不断优化解决方案。此外，该公司结合“智能交互（hù）”技术打造（zào）的服务引擎，具备语音能力，能让老年人和儿童（tóng）以便捷的交流（liú）方式获取服（fú）务。尤其当用户的需求（qiú）送（sòng）达公司（sī）的“超脑系统”后，这（zhè）一大规（guī）模、高复杂度（dù）的多人多点（diǎn）实时智能配送调度系统，将会进行快速计算，让用户获（huò）得超预期的服（fú）务体验。而（ér）从2016年起，美（měi）团就依托（tuō）更多智能化技（jì）术，开始（shǐ）研发特定场（chǎng）景（jǐng）下的无人配（pèi）送，在疫情（qíng）防（fáng）控期（qī）间得到检（jiǎn）验并取得进展。

在整个外卖生（shēng）态中，商户群体是（shì）美（měi）团赋能的（de）另一核心领域。据悉，在“美团商（shāng）家（jiā）大（dà）脑”中，有（yǒu）海（hǎi）量的用（yòng）户评价分析和知识关联，商家只需要一个SaaS收银系统专业版，就能定期获取用户的（de）情感曲线变化、消费水平、环境偏好及相似商（shāng）家等（děng）信息。同时，借助智（zhì）能分析，商（shāng）家还（hái）可以在服（fú）务现（xiàn）状、竞争力（lì）、商圈等层面得到洞察，为（wéi）从开店到店面运营管理（lǐ）提供决策参考。

面对难题提供解决（jué）路径

据介绍，外卖只是美（měi）团构建生活服务整体生态图景的一部分（fèn），科（kē）技赋能所（suǒ）涉及的纷繁场景远不止于此（cǐ）。近年来，美团组（zǔ）建（jiàn）了强（qiáng）大的人工智能技术团队，为商家选址、引流、外卖配（pèi）送（sòng）、经营管理、供应（yīng）链金（jīn）融、营销（xiāo）推（tuī）广等（děng）一整（zhěng）套（tào）服务（wù）体系提供（gòng）了强（qiáng）大的AI能力（lì）支撑。但随着用户快（kuài）速增长、智能（néng）业务不断升（shēng）级，以及AI模型规模与复杂度持续上升，该公司的业务系统（tǒng）面临（lín）愈发严峻（jun4）的（de）性能挑（tiāo）战，如何从基础（chǔ）设（shè）施重构、软件优化等角度化解挑战，是其必须面对的问题（tí）。

以开源深度（dù）学习（xí）框架（jià）TensorFlow的应用（yòng）为例：美团在（zài）英特尔（ěr）可扩展处理器的基（jī）础上，从多维度进（jìn）行深度改进，并采用了该（gāi）公司（sī）推荐的技术优（yōu）化方案。为进一步给（gěi）推荐系统等应用进行AI赋（fù）能（néng），美（měi）团使用（yòng）TensorFlow进行模型（xíng）训练，采取分（fèn）布（bù）式（shì）计（jì）算方式解决海（hǎi）量参数的模型计算和参数更新问题。但随着业务（wù）高速发展，不仅推荐系统模型（xíng）的（de）规模（mó）和（hé）复杂度也有（yǒu）所提升。还会暴（bào）露出（chū）一系（xì）列问题（tí）。性能瓶颈的凸显，会带来总（zǒng）体拥有（yǒu）成（chéng）本的飙（biāo）升，可能对上层业务造成负面影响。

为了解决性能瓶（píng）颈问题，有两条（tiáo）路径可供选择：一条是迅速（sù）扩大基础设（shè）施（shī）建设（shè）规模，但会增（zēng）加（jiā）成本（běn）压力，并（bìng）提升（shēng）系统的整体复杂度；另一条是从系（xì）统与软件层面进行优（yōu）化，具备更高的经济性与（yǔ）可行性。经过对TensorFlow框架与业务的分析定位，美团发现（xiàn）业务中的TensorFlow集群均衡负载与分布式集群的通信机制、延迟、单实例性能，都是亟需（xū）重点优化的方向，与英（yīng）特尔合（hé）作探索第二（èr）条路径势（shì）在必行。明确（què）方（fāng）向（xiàng）后，美（měi）团将TensorFlow系统构（gòu）建在基于（yú）英特尔可（kě）扩展处理（lǐ）器的服务器集群上，并（bìng）采用CPU进行TensorFlow模型训练，在（zài）推荐（jiàn）系统场景（jǐng）中还使用了TensorFlow PS异（yì）步训练（liàn）模式，支持业务（wù）分布式训（xùn）练需求。

据了解，美（měi）团（tuán）从单（dān）实例性能、分布式计（jì）算优化等多层面进行（háng）了全（quán）方位实践。新系统在支持能力层面（miàn），可做到千亿参数模型、上千Worker分布式训练（liàn）的近线性加速、全年样（yàng）本在1天内完（wán）成训练，并支持在（zài）线深（shēn）度学（xué）习的能力；各种架（jià）构和接口也更（gèng）友好（hǎo），得到了美团（tuán）业务部门（mén）的认可。