近日，《人物》杂志一篇有关外卖骑手工作状况的报道引发广泛关注，展示了在不断加速的算法控制下，外卖骑手如何被迫与时间赛跑。

外卖智能配送系统背后的逻辑是什么？是算法迫使外卖骑手们顶着超速风险高速飞驰吗？算法世界与人类的关系又是如何？

为了解答这些问题，澎湃新闻（www.thepaper.cn）记者采访了人工智能决策公司杉数科技联合创始人、香港中文大学（深圳）数据科学学院副教授王子卓，物界科技CTO、前顺丰人工智能首席科学家刘志欣和一位外卖配送平台的前核心技术人员。

主要涉及机器学习和运筹优化两大技术。机器学习算法用于预测每一个订单的配送时间、路程以及超时后消费者的可能反应；优化算法则在订单接入之后，根据平均时间快、骑手配送距离短等目标，给出优化的分配方案。

智能配送任务包括了对时间和空间的预测、分单和路径规划等要素，主要涉及到统计学、机器学习、运筹优化等问题。外卖订单有明显的峰谷和一定的随机性，主要表现在下单时间随机、商家与消费者的空间位置随机。它的另一个特点是时效要求非常快，需要动态调度，让外卖小哥尽可能多的接单，高效地完成配送工作。

智能配送系统主要涉及深度学习、大数据、机器学习和时长预估技术。智能调度系统的核心目标是提高外卖平台物流运营效率，其中效率与公平是派单的两大支柱。智能调度系统通过学习骑手的送餐数据，划定骑手等级，并阶梯化各级骑手目标单量，从而为每个骑手做出一张能力画像，将运单分配给最合适的骑手。

在外卖的午间与晚间高峰，系统会以运单效率为第一准则，在高峰期优先对高等级骑手分派订单，以提升配送效率。数据显示，系统每秒处理订单的峰值可以达到 80 单。到了外卖的平峰期，系统则会在考虑效率的基础上，强调公平性。通过大数据分析，做到骑手单量的均衡，确保同等级、同团队骑手所分配的运单量在一定时间跨度内大体相当。

除了在骑手订单数量上做到均衡以外，为避免骑手工作负荷不均，系统还会对运单类别进行均衡，使长单与短单、易送单与难送单在各个骑手运单中的比例大致都一样。

这是根据具体的问题来制定的。比如希望人均效能高，或者服务好，又或是成本最低。可能有一些因素作为模型的约束项，也有可能是一个多目标优化的问题。这些原则或者任务目标都可根据不同的场景、不同的问题来建模和优化。

作为制定者可以在建模过程中体现出一些进一步的考虑，以服务时效为例，是否可以在时效要求中加一些弹性余量？或者调整一些权重或参数？这些从技术上来说，都是有一定的空间去实现的。

对于快递公司而言，时效的满足率是最看重的指标，甚至优先于成本和利润。在这种情况下，决策方案提供商在设计派单方案时，会首先保证时效性，在此基础上帮助降低成本、增加收入。但也有公司会考虑到其他因素，例如追求收益、利润和客户满意度等目标。在与滴滴合作时发现，司机的满意度也很重要。

原则是全局效率最优。效率意味着配送时长、成本之间的权衡。这个权衡和运营的阶段有关。在新的区域一般倾向于保证服务质量，对于成熟的区域，在做到服务质量的前提下降本。

对于智能调度有一个很核心的因素是ETA（Estimate Time of Arrival，预计送达时间），也就是从 A 地点到 B 地点的时间。这个时间的来源有导航，有骑手历史的移动轨迹的数据。通过逐年不断的数据积累，算法可以学习到骑手在这两点移动需要消耗的时间。这个时间可能是用违法来达成的，但是系统不感知，会认为这个指标可达成。

智能调度系统会进行动态学习，例如完成一天工作之后，系统总结出订单的实际用时、最后满足率、客户取消或者投诉数等。这些数据会继续反馈给系统，用于更新参数，未来的优化就可以更加准确。

如果骑手的配送时间变快，系统会判断这段路程的所需时间可以缩短。在未来派单时，系统可能会调整预计送达时间。但这取决于派单中优化目标，如果一味地以时间最短为目标，就可能出现文章里说的一些情况（订单单均配送时长越来越短）。

每家公司的实现方法都不一样，我也无从了解其他公司都是怎么去实现这件事情的。

关于配送时间的预估，一种方法是，把外卖小哥的工作数据收集起来，结合GIS信息，重新复盘，从中去抽取特征、统计或者学习模型需要的参数，然后再不断地迭代。

但是这个方法它背后会不会带来一些问题，特别是这些方法模型不可避免需要依赖真实世界中采集的数据，这些数据的真实有效性值得思考，比如系统发现有些任务完成得比较快，因此调整参数希望更多的任务按照这样的效率来完成，但是一开始的时候完成的比较快的任务实际是有偏差的，甚至是因为逆行等行为产生的，这样是否对模型带来一些误导。数据是算法的基础，数据的真实有效性非常重要，我们值得花很大的功夫来提高数据采集的质量。算法并不是故意要反人性的。

主要是通过机器学习，记录派单效率高的模型，生成新的算法，算法不断迭代优化派送逻辑。智能调度系统通过分析餐厅历史出餐数据，骑手接单时，系统会优先指向出餐更快的餐厅，让骑手减少在餐厅等餐的时间。

算法是在数字世界里面建模，但是真实物理世界和数字世界是有鸿沟的，有很多不可控变量。尽量减少真实世界和数字世界的鸿沟是一项很重要的工作，包括数字孪生技术和体系，也包括技术人员和管理团队进入一线操作来体验现实的真正场景。

智能调度还是需要的，因为它能够提升行业的效能，对整个社会是有帮助。此外，需要在智能调度系统中更多地考虑人的因素。一方面可以调节参数和权重，给人留下余量的空间。另一方面，可以把人针对环境的行为作为模型的因素之一，结合大量的规划和仿真，找到更好的模型表达方式。对于一些不可控因素或者突发因素，需要结合仿真来看后果。

算法只是一种工具，决策者希望通过算法达到一个目标，而工程师负责找到满足目标的最佳方案。这个目标很多时候并不是做算法的人来定的，更多是由业务部门或者企业管理层制定的。