摘要：
如果只是产品的差别，那么共享单车最终必然会同质化到最适合的产品形态。
前段时间，马化腾和朱啸虎这两位大佬在伴侣圈就所投资的共享单车项目互怼，在行业引发轩然大波——其中一个焦点就是智能锁之争，马化腾吐槽没有智能锁的ofo都是哑终端，这个在两位大佬的互怼中是事实。
摩拜单车的slogan是“全球智能共享单车行业首创者和领导者”，它的第一部单车就加载了智能锁，智能锁里面有SIM卡和GPS芯片，进而可联网和定位。ofo在去年11月才走出校园正式进入城市，为了快速抢占市场采取了低成本的机械锁，进而快速连接海量自行车、进入超过100座城市，不过却存在马化腾所说的“哑终端”问题，进而带来了较高的维护成本、倒霉于短途出行数据的收集。
正是因为此，ofo在近日与中国电信和华为共同研发基于NB-IoT技术的 “物联网智能锁”并正式应用到ofo小黄车上，进入智能锁时代。有人说ofo此举是回应马化腾关于ofo“哑终端”的吐槽，实则否则。岂论什么行业，做平台的核心都只比拼一点，那就是连接效率。共享单车平台也不例外，如果智能锁效率更高，到了适当的阶段，ofo付出更高成本引入智能锁提高平台运营效率就是水到渠成。ofo在将“哑终端”变为“会说话的终端”的同时，还在引入更多智能技术来提高单车运营办理能力。
用人工智能进行单车调度
日前，ofo颁布颁发将谷歌TensorFlow人工智能系统和卷积神经网络技术应用于出行需求预测，进而更好地布放单车，让用户随时随地有车可骑。TensorFlow是谷歌研发的第二代人工智能开源系统，其采取数据流图(data flow graphs)，主要用于数值计算，全世界所有开发者都可取用。卷积神经网络技术即CNN则是眼下日趋普及的深度学习的主流实现方式，它模拟动物神经网络工作原理，可以进行大型图像处理，同时也被应用在诸多主流AI场景中。百度将Deep CNN技术应用在语音识别中，使得识别错误率相对下降了 10%；腾讯则基于Deep CNN技术打造了深度学习平台Mariana……
ofo宣称其对CNN技术的应用在共享单车行业属于首创，它的具体做法是，将智能锁返回的骑行和定位数据形成热力图，不只是可以展示用户骑行轨迹、车辆分布网络，还有差别区域的需求热度。通过对热力图进行网格化分析，就可以提取差别时段同一区域或者同一时段差别区域的图像相关性特征，进而精准预测下一个时段某一区域内会出现的需求数，从而为运营调度提供更好的决策。
ofo热力图
事实上，用人工智能+大数据技术的预测能力来治理交通已有很多成熟应用。
阿里云与杭州、广州等城市合作“城市大脑”智能调度红绿灯；去年百度地图开展“预防踩踏变乱”研究，通过路径搜索数据与目标地点的人口密度的关联计算，预测特按时间在特定地方的人群聚集状况，将结果开放给交通办理部门进行预防疏导。“人流预测技术”还可被用作商业，进一步帮手店铺选址、公交选站、促销选点，甚至帮手政府了解区域房屋空置率。在出行行业，滴滴也成立了大数据部门，成百上千的工程师在研究如何做好订单调度以提高平台的全局效率。由此可见，ofo通过CNN和TensorFlow应用人工智能技术进行共享单车调度并非为了智能而智能。
在许多人印象中要确保用户有车可骑，最重要的是要让自行车有定位能力进而可以让用户通过手机定位找到车。这个思路是错的，因为共享单车自己就是解决短途出行，让用户为了骑行1公里走500米甚至300米去找车的体验都是欠好的。只有让用户在视野范围内发现车而且可用才是最佳体验，要做到这一点，唯一可行的措施是调度，一个城市20%的地方有80%的短途出行需求，通过智能分析找到这20%的地方（可能是变动的），进行更多的投放、更好的维护，就可以大幅优化用户找车体验。
要做到这一点就要靠调度。凭借运营人员主不雅观判断或者人工分析再进行调度是不行的，，一方面，人工分析意味着要为每个城市甚至每个区域配置调度分析人员，凭经验主不雅观判断很容易不准，进而不符合出行需求变革，还会增加后台调度人力成本；另一方面，人工调度倒霉于精细化运营。
精准预测特按时段差别区域、同一区域差别时段的出行需求，再进行智能调度就是一个一定的趋势。不只是可以省却大量的运营人力，还可尽量满足真实出行需求进而提升用户体验。还有，智能调度可以细化到城市的毛细血管，对单车的整理可以从月/周粒度细化到日甚至半日。因此，ofo将智能技术应用到后台调度的做法将会成为行业趋势，这也迎合了人工智能赋能各行各业的趋势。
共享单车终将进入NB时代
