class="topic_img" alt=""/>
本文中，程维分享了滴滴出行凭借强大的进化力从简单的打车软件，一路狂奔成为引领交通汽车产业变革的世界级公司背后的思考。叶杰平则讲述了滴滴出行如何以用户为导向，在人工智能和大数据领域的探索，不断优化用户体验。来源：科学复兴
在 GASA 大学·思享课一期中，滴滴出行创始人兼 CEO 程维以及滴滴副总裁、滴滴研究院副院长叶杰平分别为 GASA2017 级学员带来了独家思享课。
程维分享了滴滴出行凭借强大的进化力从简单的打车软件，一路狂奔成为引领交通汽车产业变革的世界级公司背后的思考。叶杰平则讲述了滴滴出行如何以用户为导向，在人工智能和大数据领域的探索，不断优化用户体验：
程维：滴滴的进化力
5 年前，我怀揣 80 万人民币，在中关村e世界租了一个很便宜的仓库作为办公室开始了自己的创业旅程，当初想法非常简单，只是希望做一款打车软件，解决一下用户打不到车的痛点。但是出发之后发现，这个市场竞争异常惨烈。
产品差异化小造成了大规模资本血战，几轮竞争合并后，我发现靠烧钱补贴创造了很大规模后，竞争环境虽然好了很多，但自己却欠了很多功课。我认为，公司并没有为用户创造更多的价值。也许正常的公司在运营、产品、服务上训练自己的核心能力，获得用户的认可以及足够大的规模，需要 10 年时间，但是资本的力量让我们 5 年就实现了，但并不是说就不需要补课了。
我每周一都与高管们开会，讨论用户体验，每次都发现还有很多挑战需要面对。多年来公司都是在竞争对手、政策、资本中快速、谨慎前行，不敢有一丝怠慢。公司成立不到半年，我们就被要求立刻下线 APP。接下来的日子里，公司遇到了无数挑战，每次都关乎生死，我带领团队一直努力着，不被资本、政策、竞争夭折。有时我会有一点点时间，会奢侈地往前看，想想未来还可以做些什么。
后来滴滴脱颖而出，融资额巨大，但我并不认为这是一件值得骄傲的事情，我们融资，用股份换粮食，如果没有感到很强的生存危机，我不会这样做。这是我真实的想法。
尤其是在与 Uber 合并，完成了 60 亿美元的融资额后，我感到了背后巨大的生存危机，我不想在创业阶段出现讲自己的故事。这是因为很多公司从写书开始走下坡路，因为在总结过去对未来帮助有多少是不一定的。
衣食住行是人类最基本的需求，在这里面“行”的改变是最缓慢的，所以滴滴出行的使命就是让出行更美好。最初滴滴做打车软件，把线下行业线上化，这个时候最需要的是很强的线下团队去教育司机。
到了发展的第二个阶段，滴滴出行开始招募司机，构建司机的教育体系，这期间，出现了市场化的出租车、一些顺风车，按照这个逻辑，我想把所有出行方式连接到线上，构建一个平台，最高效地满足用户的出行需求。
在公司早期，我视连接用户和司机为核心能力，未来的核心能力则是云端的交易引擎。滴滴所有业务抽象出来就是一个客户端和一个云端：客户端是用户表达自己的出行需求，或者司机表达自己的供应，云端引擎则需要在复杂的供需不平衡里尽量高效地撮合交易。云端引擎的效率在 Uber 进入中国之后日益凸显。其实，滴滴与 Uber 表面是补贴大战，双方花了很多钱，但实际上，核心在云端，云端的效率如果低了1%，整个花钱的效率会差很多。滴滴出行最终取胜，整体效率的提升非常关键。
创业第三年，我找到了机器学习专家叶杰平，后来他成为了滴滴出行副总裁兼研究院副院长，我们一起找了很多云计算大数据科学家加入，构建人工智能平台。原来人在定规则，做决策，这背后有一定组织上的挑战。滴滴这种撮合方式，有别于淘宝的人和商品的撮合以及百度的人与信息的撮合，机器在滴滴出行的业务里面应该起到决策的作用，而不仅仅是推荐。
机器学习的决策在滴滴出行的成长中经历了三个阶段：第一个阶段，人靠判断力与经验做决策，滴滴的运营会根据拿到的补贴券去发展司机；第二个阶段是机器辅助人做决策；第三个阶段机器自己做决策，比如，滴滴出行平台上每天有几十万纠纷，滴滴出行用机器学习解决司机诱导乘客取消订单的行为。
这种利用机器学习的方法还逐渐被应用在滴滴出行的日常管理中，比如人才招聘，以往的方式是依靠有经验的“老中医”来判断、决策，但慢慢地，滴滴出行会有组织地把可以被理解的数据沉淀下来，辅助人的最终决策。慢慢地，程维感知到，人工智能在很多领域可以超越人类，做更精准的决策。这种决策会提高整个系统的综合效率，综合效率的提升是竞争的关键。
面向未来，我认为，目前滴滴出行还处于巨大浪潮的早期。这个领域几个大变革在未来5、10 年是交汇的，它们是共享、新能源与智能。毋庸置疑，在出行这个赛道上有苗头，但是没有爆发。
共享经济。原来汽车产业链和交通模式并不是最高效的、互联网出现后，出现了更高效的模式。在原有的模式中，车厂鼓励大家买车，但车的总量是根据供应决定的，很快就形成了瓶颈。大家都买车，造成了城市里的车非常多，车的总量根据路的供应决定的，这样很快到了瓶颈，城市的道路决定人不能拥有那么多车，但是人还是想拥有那么多车，所以有了摇号、限行、增加停车位，都是限制买车，但并没有更好的解决问题。
另一方面，汽车是低效的工业品，只有5% 的时间是在生命周期里，城市需要为大量的闲置汽车建造停车场。和共享单车一样，我们需要一个运营商，大家只要使用就可以。这样整个城市，最终可以实现汽车统一被运营，少量的共享汽车满足更多人的需求，白天车在路上行驶，晚上去郊外充电，然后我们把剩下的钱用来做绿地、做学校，也许可以改变 100 多年以来汽车的产业链和使用方式。
新能源。新能源的交叉点即将到来。新能源综合使用成本会越来越低，但家庭智能汽车的到来会晚一些，因为购买、使用新能源汽车算下来更贵，而且充电不方便。但是滴滴出行平台上的很多车，每天开 200 公里，每一公里虽然省一点点钱，但算下来，会比家庭汽车早两到三年迎来新能源的临界点。我希望在滴滴出行的体系里，到 2020 年，会有 100 万辆全职运营的新能源汽车，并为其搭建新能源智能体系，然后我们再把这个体系开放给家庭汽车。
智能。除了人与车需要连网以外，滴滴出行还在尝试把越老越多的“路”和“灯”连网，目前我们在济南、成都、武汉尝试，把传统的红绿灯连网，实现综合调度。现在很快在年底实现在上千个城市投入使用。在道路改进方面，我希望越来越多的潮汐车道在城市投入使用。更多的新应用，比如无人驾驶都会促进智能在现实生活场景中爆发。
想象力不止于此，解决交通问题，本质上需要解决三维空间与二位空间资源方面的矛盾，只有把出行升级到三维才可以从根本上解决供需矛盾。
也许我们有生之年会有飞行汽车出现，并对它制定相应的道路规则。迪拜开始飞摩托车了。前进的速度比我们想象得还要快。马斯克的无聊公司（The Boring Company）就在通过打造地下隧道网络建立多维空间，来解决交通拥堵问题。出行是一个很长的赛道，且变幻莫测，阶段性胜利之后，创新乏力是非常危险的，最终你的进化力决定了你可以走多远。
叶杰平：滴滴在人工智能和大数据领域的探索
我 2015 年 10 月份加入滴滴，刚好两周年，我 2015 年的暑假回国探亲的时候，顺便访问了一下滴滴，见到程维、柳青、张博等，回到美国就决定加入滴滴，接触滴滴之前看过了很多滴滴新闻，以为营销驱动、资本驱动，不需要太多的技术，跟司机一匹配就可以了。
来了之后我发现里面核心的 AI 特别重要，而且当初我在程维办公室，他说这个技术会越来越成熟。而且 AI 会创造极大的用户价值改变出行，后来决定加入滴滴。
先给大家最新的一个数据，滴滴是我们非常年轻的，今年 6 月份刚过完 5 周岁，从出租车开始到一站式的出行平台，现在每一天完成的订单量超过 2500 万，用户数量是 4.4 亿。
大家都知道，在人工智能时代，数据是石油燃油，滴滴最大的财富应该是有海量的交通数据，滴滴是一个大数据公司，人工智能公司。在滴滴的每一辆运行的车，每两到三秒钟会给我们传递信号，我们有整个轨迹数据，还包括其他的一些驾驶行为，司乘互相的评价等数据。
我每天新产生的数据数是 70TB，这么大海量的交通数据给我们提供巨大的潜力，也是越大的挑战，每天我们处理做非常巨大的 4500TB，大量的数据采集、数据分析、数据分析等等，我们希望用数据提高出行的安全、体验效率，巨大的数据背后有巨大的挑战，现在每天的路径规划，A到B应该怎么走，应该怎么导航，非常核心的一个功能，每天量是 200 亿次，然后我们需要知道司机在哪，乘客在哪里，每天的定位数是 150 亿，而且这些数据会随着我们每天订单量的增加而不断增加。这对我们整个系统的实时性，算法性能的要求都是非常高。
同时，我们这个系统对算法的精度要求也是比其他很多的行业，很多的方向要求要高很多，一个算法精度在与 99.9%，就非常理想，非常高，当然滴滴的产品，这么大能量，这么大的数据值 0.1% 的误差都会导致成千上万个司机乘客的体验受到伤害。所以我们的目标是每一个产品，希望每一个算法都做到极致，希望找到每个乘客出行的体验。
我们希望基于我们海量的交通数据有一个智慧的交通大脑。中间还是我们有海量的交通数据，有算法，现在人工智能的话，大家都知道需要三个核心的要素：海量数据、模型算法、强大的计算能力，所以现在是三个“大”：大数据、大模型、大计算平台。
人工智能今年刚好 60 周年，几个高峰低谷，这一波浪潮最核心的几点。一是大数据，我们现在采集数据的能力和量，比前面几次人工智能浪潮要大很多。有了海量数据之后，我们能建非常复杂、非常大的模型，以往的模型在我读模式的时候，一个模型仓储（参数）可能几百、几千，目前的仓储量一般都是几十亿、几百亿，十年前都是不可相信的，这么大的模型必须有大数据。有了这么大的数据算法算不动就需要几十年，所以非常重要的，需要非常大的计算平台，非常高效的计算，比如说机器学习的出现。
滴滴刚好符合这个场景，我们有海量的交通数据，非常多的应用场景，在滴滴研究院，我们积累了很多前沿的算法，我们有国内比较领先的计算平台，我们需要人才，我们过去两年滴滴研究院积累了很多的 AI 方面的工程师，用技术大数据改善用户出行。
这里头我列了一下过去两年我们在大数据、AI 方面的一些比较成功的典型的应用场景，交易引擎在滴滴最核心的一部分就是订单的匹配，乘客跟司机如何做，这个有点类似于 Google 搜索，刚才 Will（程维）提到跟搜索非常不一样的地方，搜索我们给一个排序用户还是可以选择的，我们做最优的匹配，我们就给优惠券，这个难度，精度的要求就会比传统的搜索要高。还有一点不一样，时效性，Google 搜索、百度搜索隔 5 分钟，有可能隔一个月再搜索可能都是类似的结果，实时性要求没有那么高，但是在滴滴的场景非常不一样，因为司机是时时刻刻在动，你隔了 5 秒钟这个司机可能上了高速，可能过了交叉路度，可能过了这个河，如果过了 5 秒钟他过来接你，这个路径距离可能完全不一样。滴滴产品对于实时要求比很多其他行业高很多，目前我们订单分配是每两秒钟做一次订单分配，我们会把两秒钟之内所有的需求，所有的司机放在一起做一个最优的匹配。
这里匹配的话，就有一个匹配度的问题，只不过不算最优的匹配，这里面牵扯到很多的技术。大家可能认为距离你最近的司机应该是匹配度最高的。滴滴最早期是用的直线距离，因为这个最简单，只要知道定位，定到两点就可以做出来直线距离，这个显然不是太合理，因为过了一条河直线距离会很近，后来技术的演进之后，后来就开始有路径规划，路径规划就会找到司机实际过来接你的距离。当然，滴滴的产品是特别复杂，因为我们需要考虑实时路况，需要考虑到我们每一天做 200 次的路径规划，而且路径规划是点跟点之间路径规划，北京来说有上百万个点，在毫秒级别计算大量的路径规划这个挑战是巨大的。
刚刚讲到的是直线距离，后来是路面距离，其实路面距离也不是固定的，同样的A到B，星期六和星期五时间路径完全不一样，最理想的是我们估算出来A到B精确行驶的时间，用行驶的时间作为司机乘客的匹配，这时间定义的一天那是更难的一个问题，因为预估实际A到B的时间需要找未来，因为你要计算如果这个司机过来接你，未来路况会怎么样，他会过哪几个十字楼，他可能碰到的红灯还是绿灯，因为是红灯还是绿灯就不一样。路上可能会经过十几个甚至上百万个十字路口，每个路口都有一些不确定性，如何把这么多不确定性都考虑进去，估算出来比较精准的时间，这是比较大的挑战。
滴滴在一天的话 ETA，这个方向我认为是在大数据 AI 比较成功的一个应用的案例，虽然说我们还有很多，前面还有很大的发展潜力去不断的提高，过去两年的话，我们的误差大幅降低。
我们提高了将近 100% 到 200% 误差下降，利用大数据和人工智能一天误差下降了 100 个点。
供需预测在很多场景下都有使用，我们打不到车，其实不是因为我们缺司机，而是司机分配不足、供需不足，比如说这个区域发单量比较多，但是司机可能比较少，旁边一个区域司机量很大，但是乘客量很少，我们有效率特别高的司机，也有特别低的司机，还有很多新司机，他们不是特别清楚，每一天不同时刻应该在什么地方。所以就建立一套系统叫供需的预测，我们会预测未来，比如说 15 到 30 分钟，北京的每个区域大概有多少人发单，多少个司机，缺多少个司机，如果能提前预测，比如说这个区域再过一个小时可能会缺 50 辆车，我们会把周围剩余的司机调度过来，当过 15 分钟，半个小时发单的时候，司机已经在周围了，用传统的方法实时看到哪一个地方缺司机，你跟司机说这个时刻距离 5 公里缺司机，司机一般不愿意去，因为他一般开过去空驶时间耗油，另外一方面运力和供需是动态的，等司机开过去的时候，可能这个区域已经不缺司机了，所以一定要用 AI、大数据提前做预测，一定要提前 15 到 20 分钟预测未来供需分布。
还有一个是拼车，如果比如说北京城市大家都愿意拼车，去年顶级的杂志上有一篇文章，讲述了一位大学教授做过很多的数据分析，他们在做扭矩的数据，如果两两大家都愿意拼车，两两拼成，这样司机的需求数减少一半，我们的路况会极大的改善，我们的环境污染会极大的改善，而且拼车是滴滴常年以来少数有规模效益的，更多人愿意拼车，拼车的概率就会增加，拼车之后的体验绕的路会减少，目前滴滴在大量的推拼车，我们可以两拼也可以三拼，小巴是 6 座拼车。
我们平台上有司乘判责，因为有这么多的订单，每天还会有一些冲突，这个比例是很小的，司机乘客会有冲突，比如说乘客取消到底是乘客先取消，还是司机打电话诱导他取消，这个需要判责，传统上有冲突的时候，首先司机会受到伤害，他很有可能回答电话到客服，如果有一个引擎，有一个模型，利用大数据模型，利用实时的，当这个冲突发生的时候，就能够还原当时的场景，能够判断出这个冲突是司机的责任，或者说乘客责任，这样司乘的体验，他们在商量之前我们就解决这个问题，会极大的降低客服压力。
还有一个安全问题，我们始终把安全放在 NO.1，最近我们也在摸索如何用大数据，如何用 AI 来提高我们的司乘的安全。如果你打开滴滴的首页，其实这背后已经有非常多的算法在支持大家的出行，比如说我们定位你现在在哪，这是你的起点，出发点我们会做一个预估，很多出行场景有规律性，早上打开 APP 有可能上班，中午打开 APP 有可能吃午饭，晚上打开可能我要回家，很多场景有规律性，我们可以利用历史数据，我们今天发了一个 PPT 是建立一个模型为预测乘客可能去的目的地，如果预测的目的地比较确定的话，我们就可以直接把这个写出来，我们预测准确的话，现在精度超过大概 90%，覆盖率为 40%，这样有很多的用户打开 APP 就不需要输入起点，不需要输入目的地直接发给你好了，这样极大的提高乘客的体验。
这里还有一个难点，这个难的地方是推荐上车点，大家都知道你发动之后，用过滴滴的话，司机如何有效的尽快的接到这个乘客，这是一大痛点，经常如果你在陌生的地方，你不知道在哪上车，司机给乘客打一个电话问在哪，我们有一个团队利用大数据，利用算法来做精准的推荐，哪一个点在你周围上车体验会更好，这里上车点会结合乘客的历史数据，实时的情况，也会考虑周围的，比如说你家有打车的话，你会考虑他历史打车的情况，所有这些首页的话，我们希望通过算法，通过 AI 来提高司机乘客的体验。
下面讲一下派单的效率，派单需要非常实时，我们会把两秒之内所有的乘客，所有的司机放在一起做一个最优的匹配，这里核心是匹配度的问题，匹配度可以是路径规划，或者更好的是某一天预估时间，时间一天预估在滴滴是非常重要的，因为用户需要具体的情况，比如说我希望 8 点到清河，我打车需要看一下目前状况需要多久，大概多少钱，这样可以提前做安排。预估价是多少，如果预估价偏高的话，比如说 10 块钱有点贵，如果偏低的话，本来预估 10 块钱，后来 100 块，非常快。我们希望预估出来，这方面我们过去两年做了非常多的工作，首先第一步我们需要用估值，滴滴路况也是最好的，我们有海量的数据，我们每一秒钟只要滴滴在开的道路我们就知道路，我们还会有大量的历史数据，因为上个礼拜五和这个点类似，我们可以结合实时的数据，再结合海量的历史数据做一个比较精准的，我们还会预测未来，未来路况的情况。有了路况之后我们就会结合海量的大数据，轨迹数据，实时的历史还有其他行为的数据建一个系统。
目前我们进行路径规划，一天的时间情况怎么样，这个系统上线之后，这个性能算法一天的精度有了显著的增强，有了这个匹配度之后，我们下面做的分单，每一个乘客需要知道离你最近的时间或者距离，其实你打到车不一定离你最近的司机的车，因为离你最近的司机可能离一个司机最近，刚才 Will 提到，这两秒平均最优，这个最优只是说全局最优还是说这两秒钟？能不能更长时间维度的最优.
去年，上半年大家都知道阿法狗打败了李世石，当初我们就想在滴滴的场景，能不能利用阿法狗的技术来提高我们出行匹配的效率，我们想到滴滴的场景就是订单分配，订单分配跟下棋本质上是非常类似的。因为下一步棋会改变未来棋局的形势，分单也是一样的，你分单会改变全程司机乘客的情况，比如说你让司机接这个乘客，过半个小时之后，这个司机就会出现这个乘客的目的地，所以每一次分单本质上是对司机做了一个我们可以知道他大概在某一个区域，某一个时间范围之内，这个跟下棋是类似的，其实分单比下棋更复杂一点。
当然了，我们的算法比阿法狗还是差很多，我们还是在不断的优化，我们很多场景问题比下棋还要复杂，下棋下几单就结束了，我们的分单是每两秒钟一次，整个状况比下棋复杂。
给一个简单的例子，就可以说明问题，假设就两个乘客一个司机，说这个要么就是司机，要么就是乘客，第一个乘客他到达目的地之后，假设隔半个小时，刚好有另外一个乘客发单，第二个乘客到目的地之后就没有订单了，假设一天就这三个地方，司机做决策的时候他应该选第一个人，接完第一单再接第二单，也就是说如果你知道未来，我们目前分单是两秒最优，假设额外你知道未来，或者说你对未来有一定的预估，因为阿法狗的核心是说这个棋局，如果我放在某一步大概赢的概率是多少，这个概率很低的，只要比随机要好，你的方法就会比随机的好。
刚才我提过供需预测，预测未来我们的精度大概是 85%，就是说预测未来 15 到半个小时每个区域的供需精度是 85%，这就充分够了，因为我们是应用。这个场景的话，就说明如果考虑未来我的效率会提高，因为我是半个小时最优，而不是两秒钟。从现在（活动举办的时候是晚间）到凌晨效率提升方面，这个我们摸索了将近一年，最近在我们大部分的大城市上线了。在体验不下降的情况下，效率提高非常显著，这是另外一个场景。
非常前沿的技术在滴滴，是因为我们有海量的数据，这个项目有一个高级顾问是密西根大学的，他是增强学习领域世界前三或者前五，非常资深，跟他合作之前，密西根大学副附校长跟我说，这个教授不一定愿意参与，后来我飞过去跟他聊了三个小时之后，聊完之后他就跟我说，他说他看过很多应用和项目，大部分场景是阿法狗的应用，这个之外的非常少，滴滴可能是少数几个场景里面有海量的数据，刚好这个场景跟以前类似，最前沿的阿法狗能够移植过来，这里面牵扯到很多创新，极大的提高了出行的效率。我们刚刚设置阿法狗的时候，效率就有提高了，后来我们持续打磨了半年后，在不伤害用户体验的情况下，提高了出行的效率，所以在滴滴我们始终把安全体验放在首位的，做任何优化决策不伤害用户体验。
刚才已经讲过调度了，在供需不匹配的时候，我们能不能预测未来，预测比如说隔半个小时这个地方会缺几辆车，一定要提前 15 到半个小时提前精准调度，这是我们的一个系统，我们把它画成六边形，每个六边形有一个值，这个值是表示缺多少司机，红色说明我们这个区域缺很多司机，绿色是多个司机，可以看到任何一个时刻总是有供需不平衡，有些地方我们缺司机，有些地方我们剩余司机，供需不平衡我觉得应该是影响整个交易效率非常核心的因素，我们最近的话，做非常大量的工作，也是利用大数据人工智能，希望给司机一个指引或者调度，然后让这个供需不平衡尽量的能够缓解。
比如说我们有项目会引导效率低的新司机，我们也会研究这个司机怎么做，因为你跟他说你应该去这个区域，司机不一定听话，他说我还是喜欢呆在这边或者喜欢去另外一个区域，我们现在跟外面合作，希望通过行为心理学研究一下司机怎么做决策的。希望我们跟他尽量是匹配的，这背后是比较复杂的 AI、大数据再结合一些行为心理学。
拼车刚刚我提过，如果路径类似的话，我们可以打包起来减少运力需求，缓解马路上的交通路况，如果两两能拼上的话，拼车最核心的一点是如何能够保证乘客的体验，很多人比如说早高峰可能会迟到等等，是不用的。今年我们在北京重点推的战略，乘客可能会稍微走一点路，在一个站点，在选定的一些点上上车，我们绕路时间会有一定的保证等等，但是背后也是非常复杂的大数据人工智能算法，比如说用户体验每个人都不一样，我们现在要做个性化的用户体验，比如说绕路时间 10 分钟，另外一个乘客说不 OK，每个人体验维度都不一样。同一个人在不同时间也不一样，早上的时候可能绕 10 分钟不行，中午吃饭的时候说绕 20 分钟也 OK，时间没有那么敏感，对时间的敏感，体验的敏感度，乘客在不同的时间都不一样，我们需要做一些个性化体验的东西，背后肯定是大数据和算法。
我们从去年有一个项目是服务分，传统可能有五星，这个 4.9 分，后来发现单维度的星级信息不够灵敏，就是说特别好的司机没法区分去用。后来我们就引入了大数据的模型，我们可以采集基于司机过去几个月各种行为的数据，比如说取消率、投诉率等等，我们会把过去的数据结合起来，用这样的模型测算预测它的分数，我们保证它的分数高的话，它的收入越高，这样的话，保证司机有动力去提高，去年上线之后整个司机的服务，乘客满意度显著提高。同时，我们也保证，而且我们核心的服务好的司机，他的收入得到提高。
然后就是司乘判责，订单有取消，取消就说不清楚，乘客取消有可能是司机的责任，有一个经典例子我自己发生的，我为了做司机体验，有一次我们技术同事出去做司机体验，我们接一个乘客，接到订单了，然后开过去接他，看到这个乘客了，都快开到了，总算接到乘客了，他却整个取消了。后来这一单没有完成，当时我跟他体验特别差的，司机都开到乘客面前了，后来我们利用这个判责，利用滴滴海量的数据尽量还原当时的场景，比如说司机都开到乘客附近了，还有一些对话等等综合起来做一个模型，我们测一下到底谁的责任。
目前经历 5 到 6 轮的改进，8 月 23 号滴滴举办了首届人机大赛，我们就举办了我们的一个判责系统，滴滴几个员工的比赛，员工有非常基础的，有非常了解业务的，最后这个系统判责准确率这个系统精度大概 93%。我们在大部分场景能够精准的预测到底是谁的责任。这还只是取消，我们还有很多其他的场景，我们可以用模型去做判责，极大的提高体验，减少客户压力，比如说绕路，比如说乘客恶意取消也可以被防止，这个可以举例，取消、差评、绕路等等，只要司乘有冲突的地方我们就希望用模型。
最后说一下安全问题，安全是最重要的。安全我分两种，一种是驾驶安全，有些司机可能驾驶容易出交通事故，我们能不能通过大数据，通过模型，客户这个司机的驾驶行为是比较稳的还是什么样的，比如说这个司机历史当中是经常急刹车的，我们希望自动把它驱除识别。历史上发生过交通事故的，司机是主责的，历史上开了一年多没有发生交通事故的，我们思维好司机的，目前的 UC 比较高，就说明历史的轨迹数据，滴滴现有的轨迹数据是能够比较准确，这个准确度数据还在改进，这样我们能做一些教育，这是驾驶行为。
另外一个是司乘有冲突的时候，比如说吵起来，打起来的时候能不能提前预测，这个模型我们做了半年，目前我们发现只要能控制少部分的司机干预，事故率能降低 10% 到 60%，具体用如果我们认为这个可能会有潜在冲突的，我们就会对司机做一些教育，这里面最核心两点，一个是用大数据模型提前做预测，预测潜在的风险，再加上策略怎么做，怎么提高安全，所以我们还在探索这两个方向。
刚才简单介绍的就大数据、AI 如何提高司机乘客的体验和效率，我有提到一些我们还有很多方向，很多数据也可以用来提高整个城市，整个社会的出行的体验，比如说智能信号灯，我，用我们的流量、数据职能控制红绿灯等等还有很多，包括怎么优化增长，我们也用了阿法狗的技术更加智能的进行司机乘客的经验分享，还有很多应用场景，我们也特别关注非常前沿的技术，我们非常 Open 跟国内外的高校进行合作，目前跟密西根大学，跟香港科技大学，跟上海的交通大学进行了深度的战略合作伙伴关系，我们一起探讨交通相关大数据、AI 相关技术，一起探讨，用 AI 改变出行。
QA 环节
Q：据我所知，Uber 到目前为止应该是滴滴的股东，滴滴未来的战略一定是以人工智能的大数据算法来做纵深型的市场，Uber 作为滴滴的股东，会不会成为滴滴在海外扩张的一个巨大障碍？
程维：第一个问题：Uber 对滴滴没有任何影响；第二个问题：策略方面不大好讲。我觉得这个首先还是一个增量市场，这是我想说的，而不是一个存量市场，就像 Google、Facebook 一样，中国企业走出海外会面临这个情况，这是第一。
第二，我相信这个市场还是有非常多的创新空间，这个比赛可能不仅仅是一个网约车的比赛。
第三，我相信最终比的还是进化力，创新、技术、组织、策略等，不止是一个维度而已，如果只看进化，这个是长期跑赢的关键。
Q：如果未来假想滴滴走到了美国这样的主战场，我猜想很难采取同样的方式去向 Uber 进攻，你一定会做差异化的竞争，这个差异化的竞争有可能是什么？
程维：我不认为竞争是最重要的。
Q：两家优秀的公司，快的和 Uber 已经消失在大家的视野里面，滴滴除了获得最大的话语权，您还得到了什么？人才、技术还是算法？
程维：我们得到了很多人才。
Q：核心人才的流失率大概是多少？你能透露一下吗？
程维：我们很多都是滴滴快的合并下来的人才，亲密无间，我们很多业务也是合并以后大家合理分工。我们好处是大家能够融合在一起，麻雀虽小五脏俱全，变成一个人是很痛苦的，但是因为我们变成一个战场，我们做了很多业务，大家还是可以往前走。所以整体来说还是有很大收获的，但是，我觉得不管是用户体验、关注用户价值，不管 AI、并购还是资本，他都是策略，都是术，都是你要思考创新的价值和企业发展，有一些企业用这个，有些企业是用那个，不能简单学习的，其实只是一些工具箱而已。
Q：滴滴有没有可能向硬件的方向发展？比如说未来的出行，是否会涉及硬件系统？是否有这种规划？
程维：规划肯定没有，但是，企业发展还是不要拒绝任何的可能性，这是第一。
第二，确实不容易，我很少看到公司有这么强的学习力和能力，在很相反的多个维度里面能够做的很好，所以我觉得亚马逊很成功，绝大多数公司我没有看到，背后一定有它独道的地方，非常不容易。
Q：每一个创业人都在想，怎么利用数据和 AI 来提升竞争力，你怎么把这个东西提炼成自己的核心项目？
叶杰平（滴滴出行副总裁兼滴滴出行研究院副院长）：至于说如何让技术和数据结合，滴滴的产品，在我来看，大部分的场景下我们用数据这是早期营销驱动，资本驱动，技术方面应该有推动。我们会做大量的分析，还是数据分析，就看一下在这个规则背后能不能结合，规则是你通过大脑学出来，规则也不是本科上有的，通过我们分析一些数据能找到规律，然后就上线，一般我们会看一下简单的规则跟模型，比如说 ETA 是一个典型模型，ETA 早期A到B多少时间，每段路算出它的时间来，然后把它加起来。规则的缺点是能拍脑袋，拍的程度不一样，这是第一个。
第二个，没有利用海量的数据，不可能看所有的数据，他可能看一了批数据，所以他学到的规则肯定不一样，他看到的数据，它的经验决定了它的好坏，我来滴滴之后接的第一个项目是 ETA，当时我了解到这个规则，我们滴滴有海量的数据，为什么不用？到底能不能提高，这个规则是几十年打磨出来的，目前是最好的算法，所以我们用机器学习，用大数据，他们先是反对的，说这是需要很多年的，很多这方面的经验打磨出来的。后来我就想，这个在滴滴可能需要不一样，这么大量的数据，我们就开始摸索，先用最简单的算法。
如果用非常简单的算法，现成的算法试一下跟规则差不多的话，我一般会任务，如果用 AI 大数据优化会更好，这就说明我们刚开始一个月做出来的结果比规则差一点点，第二个用好一点，再过三四个月已经降低 30% 到 40%，到年底已经降低超过 100%，这个每个 Case 不一样，刚开始可以用最简单的方式，规则也是一样，只是能不能应用起来，首先是自动化，然后规则到自动化，到智能化这么一个过程。
Q：你怎么决定它的优先级？我相信每个创业者都在想的，我要用数据解决什么问题，因为企业有很多问题，我先从什么地方开始解决？
叶杰平：其实整个生命周期刚开始会有比较多的数据分析和用户体验的反馈，我们对很多数据分析、产品分析、用户的评价进行反馈，然后在分析大量的客户的数据，问题的优先级是用户导向的，这个是重要的一点。
Q：客户反馈出来的问题各种各样，你怎么判断哪些问题先要解决，哪一些后解决的？我觉得这个思考的方法论会对所有人有帮助的。
程维：两种可能性，一种是找一个人来决定，第二个能够有规则，比如说什么样的问题最重要，早期比较复杂，找最有判断力的人梳理这个项目，最高效的决策一定要所有的数据去判断，今天为止也很难说有一个规则，我们有数据委员会，有产品委员会，一群人来把握一下到底什么是重要的往前走，因为优先级这个事情是很复杂的问题，什么对你有帮助，如果是体验或者增长，其实很多时候复杂因素中的决策很难做出量化指标的，还是靠人来决策，很长时间这里面是我们的大学研究院在决策的。
Q：我自己是一个创业者，在创业过程中，怎么样发现公司需要什么样的人才？以及怎么样吸引他们呢？对于叶教授来讲，你当时为什么愿意加入这样一个团队？
叶杰平：刚才我其实讲过了，2015 年上半年其实已经有好几家公司联系我了，而且我根本没有考虑过，其实滴滴 2015 年之前我都没有听说过，2015 年暑假的时候我回国探亲来了一趟滴滴，我说过来看一下，程维那天晚上在他办公室等我，我跟柳青和张博在咖啡店，至少我对滴滴的理解完全不一样，反而是说营销驱动的，里面没有太多技术，我来可能没有什么用，我发挥不了特长。所以我来滴滴之前我问了很多问题，我说我到底能不能创造价值？我没有什么价值，那我就没有必要来。
来了滴滴之后了解了这个业务里面的逻辑，里面的交易性、复杂性。程维给我讲未来的蓝图，当时我做 AI 机器学习大数据，在滴滴其实是非常重要的，是交易引擎的核心，场景的复杂性、重要性只会越来越多，这里面技术是非常重要的，这是核心的一点。
第二点，非常吸引我的是，做这个事情是有意义的，以前在学校做一个研究，就是说你影响的可能是几十个人、几百个人，然后你做的东西对实际落地的应用场景还很远。在滴滴的话，我们做了那么一个想法，一个 idea 下个礼拜马上上线，马上能够对成千上万个出行产生巨大的影响，这是非常有意义的。
所以：一个是 AI 有巨大的潜力，第二是做这个事情非常有意义。我在滴滴两年，现在的感觉跟两年前还是一样的，交通大数据的重要性日益凸显。
程维：我相信不管公司发展的第一天，还是在某一个阶段，你是知道压力在哪里，就是说一开始上路前并没有系统的分析，什么是核心能力，加入什么团队，但是只要你上路，你会知道是技术薄弱还是线下不足，还是对资本没有掌控，还是运营效率的问题，你会有数的。
有感觉以后怎么找人？这大概有几个，第一个是你需要什么样的人，第二个是沟通拿下，最后一个是融合。往往是沟通花很多精力，我们的经验沟通不是最重要的，你到底想要一个最好的人，因为技术领域里面容易找到经过实践验证以后最好人的名单，需要有一定的筛选去做判断。如果你只是靠人脉或者别人推荐一个往往直接谈，这个往往会有很大的问题，融合也很关键，企业是一个组织，在外面核心人才是在别的组织里面的一个活体，要把它手术切割出来接上你所有的器官神经让它变成一个组织，这背后有很强的磨合力，组织越强孵化越容易，一定程度以后这个工作越难。这里面如果看的不准有免疫反应，这个过程其实需要整个团队来做的，前面和最后可能更重要一点。谢谢！
Q：我想请教一个问题，就是我听完你讲完以后，就感觉中国应该恢复计划经济委员会，就是国家计委用一个更强大的数据来实现曾经不能做到的事情，你认为是这样吗？
程维：这段时间马云讲过类似的话，他说应该恢复计划经济，那个时候很多人不理解，排除语言上的歧义，相信他也看到了同样的情况，是因为中央决策力变强，整体效率变高，所以他觉得有它的优越性。
关于计划还是市场这个本身也有争论，可以明确的是大数据出来了以后，决策效率真的大幅度增加了，其实不需要研究虚幻的，整体经济学里面配置所有资源，你讲的是整个社会经济所有资源的配置，通过 AI 的配置也许这是最重要的。
你要知道今天原来是大量线下个体的决策，他可能效率最高的，但是我说6% 到线上，6% 是 7 到 10 个平台，7 到 10 个平台现在越来越发展人工智能，每个平台都有 AI，商品交易都会有 AI 组织生产、物流，使得你发单前就有组织这个东西，10 分钟就可以送到，根据组织生产使得大量的货物不需要生产出来有库存，这是交通。任何人有问题问百度，问 Google 就好了，所以最终你的问题是这个 AI 如果能够使得线上效率非常高，同时，这 7 到 10 个 AI 变成一个超级 AI，那个 AI 会替代发改委，我理解是这样一个长远未来，我觉得起码原来因为中央决策力变弱，所以无数个自由人个体决策是更优的模型，中央决策力变强以后这个问题要打问号了，至于是不是一定往那个方向走，这个要看一看。
Q：不管是 AI 还是大数据，应该不仅仅是工具，提供的更多是参考，既然通过 AI 和大数据可以提供更好的服务，是不是成本就应该降低，而不是升高？
程维：如果没有这些 AI，成本可能会更高，问题是这样的。确实今天因为原来滴滴快的竞争，滴滴 Uber 竞争，竞争太残酷了，所以使得大家过度使用资本，本身并不为用户创造价值，靠每单补 2 块钱，这样使得原来产品和技术的竞争变成资本层面的竞争，这是第一个阶段发生的事情。但是市场稳定以后，这些靠补贴带来的幻想撤退了，所以价格增长了，但是这个时候我就在讲，我们怎样通过智能体验，通过效率，通过整个提高用户价值创造去弥补，因为至少不可能靠钱创造价值，这是第一个问题。
第二个问题，长期成本会大幅度下降，因为你付 100 块，50 到 60 给到司机，剩下 40 块有 20 块是车，20 块是油钱，长期看这三个成本都会大幅度下降，车会有共享汽车，不再需要卖给个人，没有中间渠道，没有品牌费用，就是为交通，为共享而生的，油会变成电下降一半，人一定程度变成无人驾驶，也会下降。所以长期来看随着技术的进步，出行的成本会大幅度降低，拼车加上很多效率的优化带来司机成本下降也会转移到乘客下降，这是中长期，我相信 10 年以后成本会下降一半。
再换一个维度来讲，很长一段时间来讲，会有司机的存在，司机今天是被低估了，使得我们的出行服务是全世界最差的。今天中国的用户享受到的各种出行产品都是最好的，但是司机作为一个服务者跟社会所有从业者相比，他是社会地位最低，收入最差的。
与日本、欧洲的司机相比，中国司机的情况是最差的，这是因为几十年来 CPI 的管控，这个带来的结果是司机失去了职业精神，实在走投无路才愿意做司机，他做一个建筑小工，还是做一个最低级的快递员，还是做司机呢，其他的服务衣食住行，酒店里面有丽思·卡尔顿，理发师都有品牌造型师，司机很少听到这样的。我去日本我看到人家的司机，技术我们领先他们，服务精神会低于他，未来如果成本增加我希望是服务真的变好，就像你愿意去丽斯卡尔顿这样的司机。谢谢！
Q： 我自身的体验就是叫车花的时间越来越长，这种感受在大数据 AI 上可以反映出来？ AI、客户、司机还有你自己员工的重点是什么？我感觉好像是 AI 现在是放在很重的地方，你是怎样看待司机和顾客的感受的？
叶杰平：其实这个里面我早上自己打车也是花的时间比以前多了，我礼拜一本来九点应该参加早会的，但是第一次真的没有打到，等了半个小时。最近一个核心的原因是因为有放假，发单量涨了，供需比还是决定运力最核心的一点。AI 在一定情况下如何提高效率、体验等等，而供需比目前尤其这个礼拜，下个礼拜等等会发生极大的变化，后面体验会有极大的影响，这个我们数据也看出来了。
程维：虽然我们讲了很多 AI，但是 AI 必须面向用户，AI 只是最先进的机制，能够使得用户或者用户的集合，整体用户会得到更多的价值，尤其是我们真的是每周最重要的早上九点所有人探索用户的问题，AI 只是解决问题的一个主要手段，这是肯定的。我住那个地方好打一点，我不敏感，所以还是要看一些客观的数据，真的是这样的，我觉得也证明了一开始我讲的，既产生危机感，生存压力，就是因为用户的购买意愿。
很大的问题就是讲供需不平衡，因为我们非常强的发展了网约车，所以一年前有网约车新政，网约车新政还是使得很多司机离开了这个行业，所以有巨大的概率，这是一个很大的挑战。
第二个我们这个行业是极少的紧缺型的，绝大多数都是过剩经济，不管淘宝任何一派都是卖家过剩，用户流量是关键。供应是上帝，但是供应有很多问题，人回去以后司机也回去，司机也过国庆，人一般上班就回来了，司机会晚几天，确实有这样的因素存在。最重要的事情还是一开始讲的关键点，用户是核心，用户是关键，如果你感觉变慢了那就是变慢了，我觉得这个就是没有做好，如果没有 AI 会更慢，谢谢你。
Q：如果产业里面供需更加重要，为什么司机不感觉在滴滴有归属感？
程维：早期激烈的竞争当中，海量司机因为补贴各种因素进来，但是补贴不可持续，在这样一个有新政各种换血，你要问我们，我们希望是为滴滴代言的，虽然我们需要服务好用户，但是今天相对而言司机是社会的底层，我们目标希望司机的收入在未来一段时间可以得到提高，希望看到滴滴不但是那样的形象，而是知道司机里面的一些价值观、特点，把他们当成一个就像你理解厨师、发型师一样的群体，这个路还很远，也许有一天坐快车或者出租车的时候能感觉到他们的骄傲感。
Q：相信你在过去的发展过程当中，肯定经历过很多生死存亡的艰难时刻，你觉得哪一段时间是你印象最深的？您怎么面对的？
程维：过去的事情我都模糊了，走的太快了，我都来不及去做记录了。我内心的声音，当下就很有危机感，这是真实的事情，有时候我讲，人也好，企业也好，国家也好，成长都是因为压力，突破目前的绝境。我经常讲，我说我看动画片里面那些剧情，我是不理解的，就像七龙珠经常被踩在地上怎么都不死，突然间起来超级厉害，之前觉得是套路，实际上是这样的，真的是濒死才会有突破性释放，才会否定自己，重新琢磨，无数企业无数验证，当下企业里面一定是次数决定了增长的压力，无数次就是从创业第一天，基本上以月为单位的，解决完一个危机会习惯的思考下一个危机是什么，所以原来讲的说早期创业有长班才会成功，现在创业政策搞不定马上就死，外交搞不定肯定也是一个死，这个问题有无数维度都是输不起的，这是真实的体会，如果有什么就是今天你在面对任何一个维度生死挑战的时候都要打，因为这是对所有人的压力，谁能迈出去，这个是你明白比赛的本质就是这个东西，其他也没有什么了，谢谢！
Q：你此前提过管理层要不断的往前，作为一个创始人，你怎么做到这一点？你也讲了，刚开始做滴滴的时候，整个团队为了生存，紧盯竞争，没有往前做那么多，你怎么做到的？
程维：前几年补贴大战的时候，我在办公室挂了一个字叫“日拱一卒”，因为太快了，我就知道你没有做太多的事情就享受了很多的事情，补贴大战完了我挂了一个“虚心”。很多时候我们不知道就是不知道，任何人都有盲点，我们自己身边也有人有问题，这是很正常，因为你只有经历过很多事情才会有认知，才会相对全面、过关。
但是有的时候你做对一件事情就以为自己没有盲点了，所以持续保持虚心不容易，我内心深处很骄傲的，所以打开很关键，其次你必须要有碰撞，我觉得你不能一言堂，必须身边有人愿意讲，往往很多事情其实讲的不一定对，你心里知道不一定对，这样的氛围对你有帮助，你是公司真正最重要、成长速度的核心。其次要去最危险的地方，一旦你安逸了你就不成长，你要选择危险的地方你就有压力，因为你没有做过，有各种各样不确定性，你就会想办法去思考、面对。
另外，很多的交流学习有很大的帮助，还是花很多的时间。一开始文厨送我 GASA 大学学习机 iPad 有英语，美剧我不是很感兴趣，这个效率太低，后来跟我说有很多教授，有张首晟教授，我就特别想跟他聊一聊。鲁白教授也是一样，我请他吃两次饭，他一聊就知道你的盲点，你会看到原来有这样的东西，这方面也会少，最终是你自己的盲点和事情本身会逼近你的成长。
Q：一般初创企业想的更多的是怎么融资、开发技术，一般不会很早就会想企业文化的问题，你一开始就提到我们这家公司是一家创业公司，所以创业公司的文化是独立思考，拥抱变化，因为发展很快，你马上就意识到这个不对，我们现在是一个引领出行的科技的世界型大企业，这是一个从企业文化中是一个比较大的转变，你有什么思考或者什么措施，使得这个文化的转变能够比较有效？
程维：我非常开心，今天我们还是有一些文化的。最早我们是营销驱动，今天我们确实内部都在关注用户体验、技术和算法，我相信有一天会有改变，我们核心团队去过一次古田，我们希望我们团队回忆一下两个世纪以来最伟大的团队有哪些，我们去过很多地方，看共产党在那个阶段创业的时候，在A轮B轮的时候有什么特质，现在看还是能感觉出来不一样。比如说他那个时候因为武装很多的，武装使命不一样，不同的使命就会让你变成土匪，或者有远大信仰的组织，武装有规矩不同，大多数组织没有什么组织规矩，没有什么文化的，那个时候我看了他们写的很多，到底是什么样子，最终因为什么走出来？很有可能是因为他们有不同的使命愿景，写的很朴实，但是就会让它和别的组织不一样。
另外一个点还是要讲什么是对的文化，往往赢了以后身上表现出来的特征就是赢的文化，滴滴早期的问题是在三年两年以后有一次去腾讯分享，他说你总结滴滴是什么样的团队，我就说简单、开放、激情，做事情独立思考，追求极致、拥抱变化，这大概是过去三年我们的特点，回来以后就变成我们的一种文化，他是总结出来的。面向未来可能原来赢的东西就是未来的障碍，阶段环境都不一样，我们要思考新的东西，这是真实的感受，早期不用想太多，你要想的是生存和发展，生存发展过程之中自然而然会做一些事情，做了这些事情你团队感觉特征就是正确的文化，这是果。
同时，他又会让你形成正循环，变成未来成功的因。如果环境改变了，你不改变，又会变成未来失败的果，这个需要反复考察你对环境的洞察力，对未来使命的思考和组织现状的思考，这是一个核心思考。
Q：我想问叶教授一个问题，现在市场上普遍人才太贵了，贵的原因还是少，您来了以后，您在做滴滴研究院怎么培养人才？
叶杰平：刚才我讲到 AI，现在做 AI 的人才竞争特别激烈，尤其是今年，一年比一年激烈。我们还是会去宣讲，去校招类似的，参加国际会议去吸引顶尖人才，就是说除了比较重要的吸引人才，还有刚刚谈的使命愿景在做的事情，大家觉得实现它的一些在别的地方实现不了的事情，这是当时吸引我的点。
另外一点，我们特别强调人才的培养，比如说今天早上，我们每个礼拜五会有一门机器学习课程，每个礼拜都有。这是唯一在国内在工业界开这个课程的，而且连续开几年，我们会把最基础的，最前沿的算法、背景、应用整个 Demo 会跟我们员工讲，所以除了招聘，我们滴滴特别重视对员工自己的培养。在这两年下来的话，这个效果还是非常好，所以重视招聘我们还重视培养，两个结合起来。后来发现我们培养也是吸引学生进来，他们觉得进来之后，在滴滴成长，我们就跟他进进来一系列的项目，包括学习，学习只是一部分，他们也是特别兴奋。所以这方面我觉得滴滴还是特别重视员工的培养，这对未来我们招聘非常有帮助。
Q：创业的过程当中，滴滴遇到了很多的困难，承受了我们很难想象的很多压力，你们身上一定会有很多闪光点，作为创始人，最困难的时候你怎么度过的？抗压能力是怎么表现出来的？因为我今天离程维比较近，他给我印象最深得一个特点，我发现程维皮肤特别好，面色看上去红润非常通透，所以我在想承受了这么多压力，今天表现出来这样一种状态，很想听听你在这方面心得体会。
程维：这是真实的感受，我们在一起经历过很多压力、崩溃，但是如果你扛过去，你就超越了自己，我们内部经常讲，不是因为你是什么样人，你有什么特质才做成什么样事情，往往因为你选择了什么样的道路，道路要求你变成了什么样人，太多人起步的时候都是非常不容易的。任何时代像马云这样的智商情商各方面中国有一千个，印度有 500 个，美国有 30 个，电子商务的机会只有一个，真正有价值的是这条路，如果创业选择一条对你有帮助的路，这是要根据到珍惜的。我天生很乐观，我不断的强调要有危机感，我确实很乐观，我觉得没有什么能打败我，只要你愿意无所不能，这个是创业者都有的素质，我觉得自己必须要有危机感，我心比较大。
我自己有一次回忆过，真正塑造性格是因为我人生第一次挫折的时候，那是我高考的时候，高考成绩还挺好的，我母亲教数学，她是我们那里最好的数学老师，我数学是最好的，我考试那天第二天早上，不知道为什么，因为做的特别好，所以考了一个小时就把题答完了，我心情很放松，我检查一遍又一遍，15 分钟的时候，我把卷子一扣，我发现背面有三道雪白大题，整个人就被冰冻了，大脑麻木，甚至有点抽搐的紧张感，真是崩溃，15 分钟除了没哭，写了三个解就交上去了，走出考场我心情可想而知。我妈在门口等，我见到她问我怎么样，我说完了，她说考完了，我说考完蛋了，三道题没做，我看到那一瞬间她大概眼睛有一秒也是慌乱惶恐的，她很快镇定，说没事，回去吃饭，休息一下下午还有考试。她很镇静拍拍我让我走，她不慌我就不慌了，我下午考化学就考的很好，第二天再考，所有考完还可以，那一关我就过去了。
经过很多这样的事情能走过去，慢慢会知道碰到很多事情先接受它，因为它已经发生了，先接受它，然后思考现在最正确的事情应该做什么，这个是反复训练的过程，之后还有很多这样的事情。能找到方法就可以过去，慢慢的就有这种自信了。
至于皮肤好是因为遗传，谢谢！
Q：我想问叶教授你怎么看待 CEO？
叶杰平：工作的环境的各个方面压力在到滴滴之后是几倍的增长，非常不一样，其实在滴滴合并之后这一年碰到过很多困惑，每一次跟 Will 一聊，有时候见面，有时候微信群，他经历过很多滴滴的存亡问题，他说每一次都过来了就是一个巨大的进步，每一次相当于从死里生出来，这个过程其实是一个进步。所以来滴滴之后，我现在跟他们这帮人工作两年，现在跟以前环境不一样，每次碰到特别大的压力，特别大的困难，我觉得对自己是一个挑战，如果我过去了，我就成长了。
这个在滴滴我印象让我特别深刻，所以我到滴滴两年，其实我成长最多最快的两年，这方面确实让我感觉特深，来了之后在各个方面抗压能力，工作强度也是跟在学校里面完全不一样，团队协调和其他团队的协调，碰到困难，碰到相互的一些问题怎么处理，心态等等都提升了很多。
相关文章
