京东金融副总裁、首席数据科学家 郑宇

郑宇：非常感谢大会的邀请，我之前多次参加中指院的活动，但今天身份改变了，我之前在微软研究原待了12年，一直做智慧城市，现在我到京东自己创建了城市计算事业部，这是一个一级事业部，京东的战略格局非常高。未来我们要布局人工智能和大数据在城市的应用，也就是京东城市。

什么叫城市计算？一句话讲就是用大数据和人工智能打造未来的新型智慧城市。具体来讲就是通过对数据不断的收集、管理、分析和挖掘，用挖掘出来的知识来解决城市里面的交通、环境、能耗、公共安全的痛点，它是人工智能、大数据和云计算在城市场景的有机结合。

京东在这方面能做什么？，我们能够提供点线面结合的顶层设计，加上跨多个领域的垂直应用。这两点都非常重要。现在城市管理者不缺一个做点的公司，比如说你给我做个人脸识别，或者弄一个充电桩，但很多孤立的系统没有互联互通，缺少总的设计，缺乏抓总的人。但是你在很多领域没有做过垂直的应用，怎么设计出一个真正有效的顶层设计，所以这是一个矛盾。过去的12年我们一直在各个行业里面摸爬滚打，从交通、环境到能耗、公共安全，做了大量的垂直落地应用。现在我们可以回过头来说我们做顶层设计了，并且我们两者都能做到。

第二，城市是在不断发展过程中的，不是一个静态的过程，你的方案一定要随着城市的发展而演进。比如是雄安是“千年大计”，我们很难把一千年之后长什么样子想清楚，然后做出一个静版的方案，所以我们的规划方案一定要跟着城市的发展不断调整，从规划到运维到预测，预测分为短期预测、中期预测、长期预测，长期的预测又可以进一步的指导未来的规划。因此这三个环节形成一个闭环可以推动城市可持续的螺旋式的上升。

给大家看一个案例。我们给雄安做了一个顶层规划，每一个方块就是个点，比如自行车道规划只做了一个点远远不够，自行车道规划之后还要合理的调度自行车，让自行车的效率化的利用，最后你还要去预测未来这个地方会有多少人骑行，以及未来1—2年之后骑行的需求量会有什么样的变化，而这样一个需求量反过来会指导我们未来的规划。所以从规划到运维到预测整个规划是一个闭环，一个方块成一个点，三个点串成一个线，线就形成了闭环，很多线就变成了一个面，这就是点线面结合的顶层设计。

我们用一个城市大数据平台串起三个阶段，而每个阶段都有若干个板块，包括用地规划、交通规划、环境规划、安全规划、商业规划等等规划。每个规划里面都有很多线的应用，而不是只做一个点。

这么多都是我们做过的东西，不是打算做的。平台是很重要的，城市大数据平台不是简单的云平台，虽然基于云，但是比云远远高级。我们在城市里面面对的数据主要是时空大数据，地产数据、销售记录、刷卡数据、车的行驶数据都是空间的位置的加上时间戳，这种数据的管理和挖掘方法跟普通的数据管理方法是不一样的，普通的云往往是针对于视频、文本、语音和存储的。我们首先把数据标准化，算法模块化，平台生态化，所谓数据标准化就是不管城市里面有多少种数据，到我这儿就六种数据，我能用六种模型把城市里所有的数据都装进来，避免每一种数据平台建一个模型，系统会变得非常的复杂。我们把很多应用背后的公共模块抽取出来，用相同的模块去支持战略应用，使得系统可复用、可重用、可扩展。能够在不同的城市之间去复制，很多智慧城市项目不可复制，因为每个城市的需求都是不一样的，所以做了很多孤立系统，每个城市的沟通成本都很高，而我们打破了这个瓶颈。我们有一套系统可以在不同的城市间去复制，而且满足不同城市之间的需求和业务场景。

我特别强调一下，针对于时空数据的人工智能是不一样的，它不是一个视觉，人脸识别，不是一个语音识别的问题，它针对于人工智能、针对时空数据有特殊的算法和案例。再往下是各种各样的应用，每个板块里都有很多应用，应用之间形成了线和面的结合。

下面跟大家分享七个案例，跨每领域的板块。，讲一个跟联通做的用数据融合的方法帮助联通改造营业厅。联通有强大的线下资源，但是现在有很多的用户在网上可以办理很多业务，因此不需要到营业厅去。所以，很多营业厅的利用率大大下降。现在联通希望能在营业厅里提供一些3C产品的体验或者出售，把用户重新拉回到营业厅，这样会形成新的转化率，带来新的增长。要完成这个目的，首先要回答两个问题，首先我们在哪里开通营业厅，或者把那些旧的营业厅改造，研究新型的营业厅，以及营业厅里怎么配置3C产品，使得用户能够更好的体验，吸引用户回到营业厅。要回答这两个问题，联通自身的数据就不够了，因为他只有联通一家的，没有移动、电信的数据。这个时候京东的数据跟联通的数据形成了有机的结合，大家在京东上买大量的3C产品，不同的区域大家对不同电子产品的喜好程度我们就可以知道了，通过数据的结合就可以帮我们实现智能营业厅的选址。用户到了实体店去看3C产品的时候，他就会通过扫码到网上查询产品的评价，甚至在网上直接下单，京东可以跟联通分利润，所以实现了无界的概念。

看看智能选址系统，这里面既用了京东的数据，也用了联通的数据，还用了第三方的数据。我们既要考虑联通本身用户的覆盖范围，也要考虑未来改造一个营业厅，它将会带来什么样的营收。这个营收是个学习排序的过程，还有覆盖范围的查询。这里面用了大量的人工智能算法，而且是非常高级的针对于时空数据的人工智能算法，不是刷脸识别，也不是语音识别，也不是自然语言处理，我们强调的是人工智能在时空数据里面是很不一样的算法，而这个方法很多年前是缺失的，而我们研究了12年。

第二，利用摩拜自行车来检测违规停车的现象。很多机动车会停到自行车道，我们的城市管理是有限的，不可能在每个街道都放城管人员或者警察。但是我们发现当一个地方被违章停车之后，人们骑行的线路会法身改变，不得不绕开本来被违章停车的地方，所以运行轨迹就发生了变化。我们的自行车轨迹是实时传到后台的，通过骑行轨迹的变化我们可以动态实时的检测哪些路段有违章停车，精准的投放警力来维持整个城市的秩序。通过这样一个系统可以大大的提高城市的治理效率，降低治理成本。这是用共享单车加上人工智能算法，就可以自动的做违停检测的工作。我们做了大的验证，效果非常的精准。

第三，区域的人流量预测。我们可以预测整个城市里任何一个区域未来有多少人进、有多少人出，这跟我们的公共安全密切相关。在上海的那次外滩踩踏事件中，区域不足以容纳那么多人，带来了踩踏事件的发生。我们可以提前几个预测这个地段有多少人进，有多少人出，我们就可以提前管控、提前分流。以前的算法是很难对整个城市每个区域做同时预测的，直到深度学习到来，深度学习只能做基于网格的预测，而整个城市的预测不仅仅是区域网格的，我们城市的边界往往是根据道路和河流的走向来划分的，是不规则的区域，这种预测是很难的，这也是我们在人工智能上重大的突破，在国际的期刊上发表了论文。所以我讲的东西是既在国际同行得到认可发表了论文的，又落地了，我们做的是“顶天立地”的事情。进一步的我们要预测各个区域人流量的转移，这个就更困难了。我们如果可以知道区域内之间转移的人的数量，就可以在源头进行管控，在源头进行分流。比如说我知道很多人到外滩来，以前并不知道是从哪儿来的，只有来了之后才进行疏导，现在如果我知道他是从交大来的，从复旦来的，在他上地铁起点站的时候就告诉他不要来外滩了，有可能发生踩踏事件，概率比较高，越早告诉客户就能越早改变行程。这个方法不仅只是对公共安全有很大的帮助，对我们的物流、调度也有很大的帮助。我们可以用它来调度自行车，如果我们知道各个地方的自行车转移概率，就可以更好的调度自行车，从而提高自行车的利用率。同样的还可以调度出租车和物流快递车，所以这个算法可以在很多场景中应用到。

第四，跟救护车相关的例子。我们在天津市利用人工智能算法对救护车站点进行选址和动态调度。以前救护车的站点怎么选？基本上拍脑袋选的，这个地方有都是人放一个救护车站，实际上人的数量跟急救需求的量不一定成正比，还跟体质有关系。有的地方人都是年轻力壮的，不太需要救护车，但有的地方虽然人比较少，但是体质比较弱，救护车的需求量比较大。现在根据真实的120数据求救数据，我们对站点的位置重新进行了选址，在不增加任何资源投入的情况下，只是把原有的救护车的站点挪一挪位置，把平均的抢救时间缩短30%。以前救护车的站点出发救100个病人需要100个，现在只需要70个，节约的30个就可以放在手术台上挽救更多人的生命。步是通过选址来优化抢救的时间。第二，当一个站点选好之后，站点里面应该放多少辆救护出，也不是固定的，有的地方早上需求量比较大，而晚上没什么需求量。车如何在不同的站点之间动态的调度，从而提高整个系统的运力，这是人工智能强化学习做的第二个方案。最近有很大的突破，在不增加任何一辆救护车的情况下，把运力再提高30%，一个是更快的救人，缩短时间30%，一个是更多的救人，扩大30%的运力。虽然人工智能是摸不着看不见的东西，但是可以改变我们生活的方方面面，是人命关天的事情。

第五，我们在深圳市做了一个水质管网预测的工作我们喝的水在水管子里传输，包括余氯、PH值和浊度三个指标，以前我们只能通过传感器去监测管网的水质，当你发现水质变坏的时候已经为时已晚，因为你已经喝到肚子里了，所以我们要预测水质，提前知道几个之后水质会怎么变化，这样我们在出厂的时候可以改变输出的水质，可以保证我们喝到的水是健康的。反过来如果一个地方的水质跟我们的预测值总是差的很远的时候，说明管网可能破裂了，需要维修。要预测这样的水质其实是很困难的，考虑到很多因素，包括管子的寿命、流速、流量、气象等等很多因素。这里面用了多元数据融合的方法，融合了很多数据来预测水质，这是一个很难的问题。精度非常高，每都会做预测，速度非常快，这是一个非常复杂的算法。

第六，我们跟国家能源局合作，最近刚刚做了一个工作，中国的能源行业电力优先，电力行业里面70%的发电靠火力发电，火力发电有一个非常大的问题就是烧煤，煤是不可再生的资源，而且会产生污染。如何用更少的煤发更多的电，并且产生更小的污染排放，这不光是经济效益的问题，而是国家能源产能升级恩、国家持续发展一个根本的命脉的问题。最近我们用人工智能的方法对锅炉发电的工艺进行优化，只要我们能够提高0.5的转化率，一年可以为国家节约100个亿。这不是钱的问题，煤是不可再生的能源，环境污染会大大降低。这是一个非常新的算法，类似于阿尔法狗的强化学习的算法，我们通过锅炉动态的调制，合适的时间送合适的煤、风、水的量，使锅炉运转效率更高。这个难度比阿尔法狗还要大，一旦技术突破，不仅仅是中国的能源升级，在世界能源的里程碑上又是浓墨重彩的一笔。如果做成的话，中国将在人工智能的领域中走在最前面，这是一个非常大的壮举。

第七，信用城市。最近我们承接了一个国家发改委的任务，为中国打造信用城市体系，包括居民信息、企业信用和政府信用。

居民信用很容易理解，衣食住行都要跟信用挂钩，借贷、租赁，好的信用可以免租免押，信用好的可以贷款，信用不好的可能连高铁都不让你坐了。中国会建立一个信用体系，每个人都有信用，企业的信用关系到投融资、关系到发展、关系到股价、关系到招标。信用以前是怎么算的，基本是打分制，靠一个静态的分数来维持，而现在我们用人工智能、大数据来计算信用，为什么要人工智能、大数据来算信用？有三个原因。，一个人的信用是跟场景相关的是有细分的，你去租一辆自行车的信用和你去买房时候的信用豪华的因素是不一样的。即便考虑的因素是一样的，每个因素占的权重也是不一样的。比如说你去买车分期付款的时候，你有没有房产就很重要，因为这个指标可以决定我是不是给你做分期。但是你做骑自行车租赁的时候，你有没有房子并不重要。所以因素跟场景相关，所以信用不是的静态值，而是跟场景相关的细分的多个值。第二，信用跟时效性有关，它是动态的，昨天是好的，不代表你今天好。第三，信用是要预判的。一个企业出了事我们才知道它不好，那没什么用，如果预先知道这个企业存在风险，我就不要跟他做生意，政府就会进行管控。现在我们在福州就在打造这样一个信用地图，可以看到每个企业的信用，在座的每个企业我们都有你的信用分数，根据信用分数决定未来你们在投融资的时候借贷受到什么样的约束。信用好的企业我们会给予更高的额度，更大的优惠政策，信用不好的企业政府会加以管控、加以调控。我们非常强调风险的预判，如果一个企业出了事情我们才知道，太晚了，钱都被卷走了，或者被欺诈了。做生意的时候我们想知道这个企业会不会出问题，签了合同之后不要他出问题了把我的钱都全跑了，政府引进这个企业是希望他能发展的，但是企业信用不好，占着资源也没干什么事情是不行的。同样如果一个地区的企业普遍存在信用问题，说明这个地方的政府管理有问题，政府信用就有问题了。

另外我们还打造了信用的应用，在整个“e福州”的生活系统里，福州全市人都可以享受到这样的体系。基于信用衣食住行都会很方便，三网齐下我们我们特别打造了信用街区，可以用信用免费的租伞、租充电宝，基于信用失物招领还东西的时候可以带来更大的信用价值，对你以后的买房、上学、就业都有很大的帮助。6月9号会举行开街仪式，是中国的个信用街区，在福州的三坊七巷。中间包括很多场景，包括无人超市，信用好的时候买东西会便宜，会打折。包括以后的购物都跟信用挂钩，信用好的人会打折，信用不好的人没有折扣，甚至不卖给你。

下面讲一下我们跟其他公司的区别。大家都说做资本投资的公司太多了，都在做智慧城市，但是我们做的是智能城市。现在市面上有三类智能城市公司，类是做基础化信息建设的传统智慧城市公司，基本上是做信息化基础设施建设，把数据收到这儿就结束了，更多的是信息集成。而且我们是在它之上，对数据要用人工智能、大数据的方法进行分析和挖掘，利用知识来解决社会的痛点，包括交通环境。这是国家说的新型智慧城市。

第二，很多做云服务提供商的是通过云提供服务的，说云上有这样那样的服务，要买我的云才能享受这样的服务，不买我的云就没有了。我们其实是不绑定任何的云，我们给所有的云赋能，把所有的云变成城市大数据平台，能够支持政府去解决很多社会的痛点，所以我们是以解决痛点为出发点，给云赋能，并且我们把平台变成一个生态，可以让很多企业到这个平台上开发自己的第三方应用。因为很多企业其实有人工智能诉求，但是并不具备人工智能的能力开发这样的平台，这样平台做好了之后可以到我们的平台上利用平台的模块化设计通过API搭建自己的应用，几行代码就可以搭建一个应用出来，也就是一个生态。

第三，新型的人工智能公司，比如说做点的，做人脸识别、做语音识别，很难满足总体设计，因为整个城市不缺这些点，我们能够提供点线面结合的设计，加上跨领域的应用，这是很难做到的，而且我们还能提供从规划到运营到测试的闭环模式。

我们的优势体现在四大方面：

，技术优势。在城市大数据平台上有自己特有的人工智能算法和针对时空数据的多元数据融合算法和管理算法，这都是以前平台上没有的，这就是为什么以前智慧城市说做做不下来的原因，因为技术本身是缺失的。

第二，经验优势。做城市计算也好，做智能城市也好，仅有恩人工智能、大数据的背景是不够的，还得懂得行业、懂得交通、懂得能耗、懂得环境，如果不懂得这些背景知识，仅有人工智能、大数据，做出来的东西是落不了地的。我们给国家环保部做300多个城市的空气质量分析和预测，我是学计算机出身的，但是我在清华大学的环境学院给他们上课已经上了三年，我必须学习他们环境学的知识，我知道为什么他们喜欢步行，甚至很多环境专家认为我比他们还厉害。你必须具备两个方面的知识才能把两个领域做透，把人工智能真正的落下去。反过来只懂行业没有人工智能的核心也不叫真正的智能城市，还是传统的智慧城市，还是传统的信息化而已。

第三，产学研一体化的优势。人工智能最缺的是人才，并不是机器和数据本身，这类人是极缺的，不能只靠培养，在学校里仅上那几门课离行业差很远，解决不了问题。我自己在四个学校做博士生导师，带了十几个博士，我发现在学校里上课的博士毕业之后到公司里面是不好用的，他只懂算法，没有人去培养他，只有跟企业、学校、产业界联合起来培养，用真实的项目和数据喂养他，在学习过程中去锻炼和磨砺，这样的人培养出来才能真正的解决问题，才能真正打破人才的瓶颈。未来人才的储备能力决定自己的产学研一体化能力，如果你没有很强的产学研一体化能力，你就没有这样的人，你就很难建立一支这样的队伍，来支撑企业长远的发展。这么多年过程中我一直在工业界和学界两边同步的去发展，去调节这两个领域，所以我们有得天独厚的优势，在产学研一体化上有丰富的经验，我懂得学术圈的规则，也知道各方面的对接以及你必须在这两方面都必须有足够的地位和资源才能作为桥梁作用去协调两方。

第四，大量的数据。京东金融每一天200个TB数据的沉淀，整个京东集团一天800个TB的数据，800+200加在一起是一天一个PB的数据。这个量大概有多大，滴滴一直说自己数据量很大，滴滴一天大概是70个TB，而且我们是1000个TB是滴滴的十几二十倍，完全不是一个量级。我们还跟很多合作伙伴，包括银联、联通、滴滴、摩拜都有合作，我们最近创建了一种新的数据建模的方法，各自的数据都不要出各自的服务器，我们在两边分别计算，用中间结果联合建模，在不泄露任何用户隐私的情况下，在保护数据安全的情况下，数据不出服务器，但可以共同打造更好的模型，提供更好的服务，这是我们独特的能力。

最后就是我们的品牌优势，根据人数来看，京东已经是中国大互联网公司了，无论国内还是国外都是的互联网公司，并且有强大的渠道能力。

今天我给大家介绍了一个比较新的概念，叫京东城市。我们就是用大数据和人工智能打造未来城市，相信通过我们的技术和能力，通过产学研一体化的模式，我们一定能够不断前行。