但并非所有的不可预知都会产生正面作用，而要处理人类工作场景下的不可预知，ai就成了最好的选择。
归根结底，这是在用硅基生命的优势来补全碳基生命的劣势。但是林远从好团的测试记录来看，好团工程师们写出来的硅基生命显然不怎么给力。
由于出餐的、送餐的、点餐的这些人的不可预知性，ai算法识别面临“数据采样缺失”的问题。因此算法能准才有鬼了。
这就好比一道题目的已知条件有部分是隐藏的，那你能解出这道题才怪了。
因而林远很理解好团方面的无奈，为此他也找紫金分部这边的技术部老大仔细聊过。好团目前的算法策略主要就是两招：从过往历史数据中去估算订单量，以及通过ai计算优化骑手的送餐路径以及派单和转派逻辑。
针对某个区域估算订单量，这个很好理解。预测出订单量后就可以针对性安排站点分布和骑手数量。
虽然只要老天爷稍微动动手指，天气稍微有点变化，订单量和送餐效率都会随之波动。节假日因素又时不时过来插一脚捣乱。但是总体上根据历史数据估算出的订单量也有个七七八八。
至于路径和派单优化，就更好理解了，就是让骑手送餐更顺利嘛。提高单位时间劳动效率，增加整条经济链上各方面的收益。
林远从详细的测试报表来看，好团八成的精力都在路径和派单优化上了。毕竟相比于一个区域的订单总量，路径和派单问题要复杂的多。
如果把一个外卖订单比作是一次从a地到b地的导航，那在配送侧算法看来，每个骑手的任务就是一堆导航路线的集合。算法的任务就要把这一堆导航路线集合规划的合理。
仅仅是一次导航的话，这个问题看起来很简单。
可首先外卖订单不同于出行导航，骑手首先需要取餐，那这个路线就变成了a==》b==》c。骑手先要从接单位置a，去商家位置b，再送到顾客位置c。
完成a到b步骤的时间受限于商家b的位置，以及商家的出餐速度。b的位置还不能简单的通过电子地图直线距离来获取，万一商家在商场里，那骑手还需要考虑小电驴的停车问题，以及爬楼问题。
而b到c的这个过程则更加多变。因为顾客比商家数量多的多，分布的也广的多。骑手面临着爬楼和小区能不能进等等问题。
一个外卖订单就面临各种问题了，而每个骑手手头不可能只有一个外卖订单，而是好几个外卖订单的集合。
而在算法的角度就更加复杂n倍，因为算法要兼顾所有的骑手。
假如整体的复杂度用大o来表示，每个订单的复杂度用o来表示。
那o=o骑手的订单数量骑手总数。
这还没完。
因为每个骑手手头的不同订单之间存在互相干扰。因为骑手送餐是串行的，必须送完一餐再送一餐，手头5份餐的时候如果多出来第6份餐，那这第6份餐很可能会影响另外5份餐的送餐效率。
这就导致了每个外卖订单的逻辑复杂度是非线性的，不但非线性还特么是随机的。
总之就是影响路径和派单的因素实在是太多了。有的因素还偏偏是获取不到的。
林远把问题总结归纳了下。
好团方面认为外卖行业最值得被优化的就是：路径和派单。而路径和派单问题因为过于复杂，因而对ai算法的模型复杂度要求很高，进而就对算力要求很大。且由于存在采集数据缺失的问题，训练出来的算法天生肯定存在缺陷。
于是，林远自然而然地就想到了--要不我拿算力系统来试试