听得见的代码？滴滴程序员这次玩得有点高级

听得见的代码

普通人很难看懂代码，却有机会听懂代码。

在微信小程序“代码变音乐”里，选择滴滴的“口罩检测”、“智能派单”等功能，点下“生成音乐”按钮，它们背后密密麻麻、艰涩难懂的代码，在“转换机”里流转，经由映射，便被转为风格各异的音乐。

“智能派单”对应的音乐欢快激昂，“失物找回”映射而成的音乐悦耳悠扬，“疲劳提醒”代码转成的音乐则大气舒畅……

这5段台前可感知的音乐，是由滴滴的5个常用功能映射而来。在1024程序员节这个特殊的节日，滴滴的几个程序员们组成了一个兴趣小组，在两三天的业余时间内将滴滴App背后的代码变成了音乐，并制作成小程序，让程序员敲出的代码变成了公众能感知到的语言。

在这个小程序里，用户还可以自行新建代码或者选择随机一段代码，一键将其映射为音乐。普通人不识代码，却也能借由代码之手，创造音乐——这是来自程序员们的浪漫。

服务是技术捧出的浪漫

如果你经常用打车软件，可能会发现每个平台的派单速度、远近、效率都不一样。

事实上，派单系统是各大平台的核心技术之一。乘客发单后，应该派给周边的哪个司机？哪个司机接单速度最快？最佳行驶路径是哪条？怎么能让总行驶时间最短？

这并不是静态的问题——车辆永远在不停地移动，可能几秒后这个司机就通过一个路口，或行驶到了高速路。不仅如此，每一次派单的决策也将影响未来的司机分布。这需要预测未来情况，并且快速地对司机和乘客进行动态、实时匹配。

智能派单正是滴滴的核心技术之一。这项技术在程序员手中，经历了层层迭代。

早期，平台派单算法的目标急迫而朴素，就是在确保用户体验的基础上，同时让2秒钟之内更多乘客被应答。

到了2016年，算法优化的目标变得更加长远——比如能不能在更长时间内优化提升效率？比如在1小时或者1天？本质上，派单是序列决策问题，系统做出的每一个决策都能影响未来司机的分布。举例来说，一个司机接一个乘客可以认为是一个动作，动作带来的结果是，这个司机过了一段时间到了乘客目的地，这个动作导致状态发生变化，这也是类似AlphaGo的强化学习问题。

2017年滴滴开发了一套基于强化学习的智能派单匹配系统，把目标从2秒钟最优改成了1天最优，2017年上线时就在确保乘客接驾体验的基础上，进一步提升了全局成交率和司机的收入。

但此时滴滴还只能模拟简单的时间、空间信息，不能模拟更加动态的复杂信息，比如天气，一个区域如果下雨，会对派单会产生很大的影响，就需要把这些信息都包括进来。 2018年，滴滴进一步开发一套基于深度强化学习的方法V-Net，能尽可能多地把潜在有价值的信息包含起来，建立深度学习模型，能进一步优化用户体验。2019年10月，滴滴基于强化学习的网约车派单解决方案获得了2019年度INFORMS Daniel H. Wagner Prize，这是这个奖项22年以来第一次颁给中国公司。

从全局视角出发，由算法综合考虑接驾距离、口碑值、拥堵情况、安全等因素，自动将订单匹配给最合适的司机接单，让乘客接驾时长最短，让司机有更好的收入，滴滴通过将数学、机器学习及仿真问题进行了创新性结合，非常新颖地应对了一个运筹学难题，wagner奖的评审委员会发表了如此评价。

代码音乐小组正在请同事帮忙润色音乐

如果说“智能派单”是平台运营的硬性 的基础，那“行程分享”和“疲劳驾驶提醒”等功能，就是滴滴在穷尽科技手段，降低安全事件的发生概率，是软性的关怀。

自2016年6月起，滴滴率先推出行程分享功能，乘客上车后可将乘车信息一键发送给好友，好友可通过链接直接查看乘客的实时位置，确保乘车安全。2019年滴滴平台已有2.3用户添加了“紧急联系人”，用户进行了10.3亿次“行程分享”。

疲劳驾驶是城市交通严重事故的主要原因之一。自2019年7月开始，滴滴利用深度学习和模型压缩技术，在车载智能硬件（桔视）中搭建了疲劳驾驶预警系统，能自动处理与分析图像，检测司机在不同时间间隔内眼睛睁闭、打哈欠的频率、频次、持续时长等，通过语音提醒、强制下线等功能防止疲劳驾驶。截至目前，该疲劳驾驶预警系统已经经过了九次迭代。

此外，滴滴还在全国300多个城市陆续上线“遗失物品送回”功能。这些功能背后，贯穿着滴滴的技术史上多次技术跃迁——基于大数据和AI技术，提升用户接驾效率，并做安全和平台治理的关怀。

当生活朝着平稳的轨道前进，技术带来的改变潜移默化，润物无声。到了疫情这样的社会安全重要关头，技术却能发挥关键担当。

新冠肺炎疫情汹涌，1 月 20 日，官方确认新冠肺炎可人传人，滴滴1月22日便紧急组织十多人投入技术开发，最终只用了23小时，就上线了智能识别司机师傅是否规范佩戴口罩的功能。算法克服了人脸姿态变化、光照造成的图像差异、驾驶员帽子等对脸部的部分遮挡等问题，识别准确率超过98%。