在GASA大學·思享課一期中，滴滴出行創始人兼CEO程維以及滴滴副總裁、滴滴研究院副院長葉杰平分別為GASA2017級學員帶來了獨家思享課。

程維分享了滴滴出行憑借強大的進化力從簡單的打車軟件，一路狂奔成為引領交通汽車產業變革的世界級公司背后的思考。葉杰平則講述了滴滴出行如何以用戶為導向，在人工智能和大數據領域的探索，不斷優化用戶體驗：

5年前，我懷揣80萬人民幣，在中關村e世界租了一個很便宜的倉庫作為辦公室開始了自己的創業旅程，當初想法非常簡單，只是希望做一款打車軟件，解決一下用戶打不到車的痛點。但是出發之后發現，這個市場競爭異常慘烈。

產品差異化小造成了大規模資本血戰，幾輪競爭合并后，我發現靠燒錢補貼創造了很大規模后，競爭環境雖然好了很多，但自己卻欠了很多功課。我認為，公司并沒有為用戶創造更多的價值。也許正常的公司在運營、產品、服務上訓練自己的核心能力，獲得用戶的認可以及足夠大的規模，需要10年時間，但是資本的力量讓我們5年就實現了，但并不是說就不需要補課了。

我每周一都與高管們開會，討論用戶體驗，每次都發現還有很多挑戰需要面對。多年來公司都是在競爭對手、政策、資本中快速、謹慎前行，不敢有一絲怠慢。公司成立不到半年，我們就被要求立刻下線APP。接下來的日子里，公司遇到了無數挑戰，每次都關乎生死，我帶領團隊一直努力著，不被資本、政策、競爭夭折。有時我會有一點點時間，會奢侈地往前看，想想未來還可以做些什么。

后來滴滴脫穎而出，融資額巨大，但我并不認為這是一件值得驕傲的事情，我們融資，用股份換糧食，如果沒有感到很強的生存危機，我不會這樣做。這是我真實的想法。

尤其是在與Uber合并，完成了60億美元的融資額后，我感到了背后巨大的生存危機，我不想在創業階段出現講自己的故事。這是因為很多公司從寫書開始走下坡路，因為在總結過去對未來幫助有多少是不一定的。

衣食住行是人類最基本的需求，在這里面“行”的改變是最緩慢的，所以滴滴出行的使命就是讓出行更美好。最初滴滴做打車軟件，把線下行業線上化，這個時候最需要的是很強的線下團隊去教育司機。

到了發展的第二個階段，滴滴出行開始招募司機，構建司機的教育體系，這期間，出現了市場化的出租車、一些順風車，按照這個邏輯，我想把所有出行方式連接到線上，構建一個平臺，最高效地滿足用戶的出行需求。

在公司早期，我視連接用戶和司機為核心能力，未來的核心能力則是云端的交易引擎。滴滴所有業務抽象出來就是一個客戶端和一個云端：客戶端是用戶表達自己的出行需求，或者司機表達自己的供應，云端引擎則需要在復雜的供需不平衡里盡量高效地撮合交易。云端引擎的效率在Uber進入中國之后日益凸顯。其實，滴滴與Uber表面是補貼大戰，雙方花了很多錢，但實際上，核心在云端，云端的效率如果低了1%，整個花錢的效率會差很多。滴滴出行最終取勝，整體效率的提升非常關鍵。

創業第三年，我找到了機器學習專家葉杰平，后來他成為了滴滴出行副總裁兼研究院副院長，我們一起找了很多云計算大數據科學家加入，構建人工智能平臺。原來人在定規則，做決策，這背后有一定組織上的挑戰。滴滴這種撮合方式，有別于淘寶的人和商品的撮合以及百度的人與信息的撮合，機器在滴滴出行的業務里面應該起到決策的作用，而不僅僅是推薦。

機器學習的決策在滴滴出行的成長中經歷了三個階段：第一個階段，人靠判斷力與經驗做決策，滴滴的運營會根據拿到的補貼券去發展司機；第二個階段是機器輔助人做決策；第三個階段機器自己做決策，比如，滴滴出行平臺上每天有幾十萬糾紛，滴滴出行用機器學習解決司機誘導乘客取消訂單的行為。

這種利用機器學習的方法還逐漸被應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經驗的“老中醫”來判斷、決策，但慢慢地，滴滴出行會有組織地把可以被理解的數據沉淀下來，輔助人的最終決策。慢慢地，程維感知到，人工智能在很多領域可以超越人類，做更精準的決策。這種決策會提高整個系統的綜合效率，綜合效率的提升是競爭的關鍵。

面向未來，我認為，目前滴滴出行還處于巨大浪潮的早期。這個領域幾個大變革在未來5、10年是交匯的，它們是共享、新能源與智能。毋庸置疑，在出行這個賽道上有苗頭，但是沒有爆發。

共享經濟。原來汽車產業鏈和交通模式并不是最高效的、互聯網出現后，出現了更高效的模式。在原有的模式中，車廠鼓勵大家買車，但車的總量是根據供應決定的，很快就形成了瓶頸。大家都買車，造成了城市里的車非常多，車的總量根據路的供應決定的，這樣很快到了瓶頸，城市的道路決定人不能擁有那么多車，但是人還是想擁有那么多車，所以有了搖號、限行、增加停車位，都是限制買車，但并沒有更好的解決問題。

另一方面，汽車是低效的工業品，只有5%的時間是在生命周期里，城市需要為大量的閑置汽車建造停車場。和共享單車一樣，我們需要一個運營商，大家只要使用就可以。這樣整個城市，最終可以實現汽車統一被運營，少量的共享汽車滿足更多人的需求，白天車在路上行駛，晚上去郊外充電，然后我們把剩下的錢用來做綠地、做學校，也許可以改變100多年以來汽車的產業鏈和使用方式。

新能源。新能源的交叉點即將到來。新能源綜合使用成本會越來越低，但家庭智能汽車的到來會晚一些，因為購買、使用新能源汽車算下來更貴，而且充電不方便。但是滴滴出行平臺上的很多車，每天開200公里，每一公里雖然省一點點錢，但算下來，會比家庭汽車早兩到三年迎來新能源的臨界點。我希望在滴滴出行的體系里，到2020年，會有100萬輛全職運營的新能源汽車，并為其搭建新能源智能體系，然后我們再把這個體系開放給家庭汽車。

智能。除了人與車需要連網以外，滴滴出行還在嘗試把越老越多的“路”和“燈”連網，目前我們在濟南、成都、武漢嘗試，把傳統的紅綠燈連網，實現綜合調度?，F在很快在年底實現在上千個城市投入使用。在道路改進方面，我希望越來越多的潮汐車道在城市投入使用。更多的新應用，比如無人駕駛都會促進智能在現實生活場景中爆發。

想象力不止于此，解決交通問題，本質上需要解決三維空間與二位空間資源方面的矛盾，只有把出行升級到三維才可以從根本上解決供需矛盾。

也許我們有生之年會有飛行汽車出現，并對它制定相應的道路規則。迪拜開始飛摩托車了。前進的速度比我們想象得還要快。馬斯克的無聊公司（The Boring Company）就在通過打造地下隧道網絡建立多維空間，來解決交通擁堵問題。出行是一個很長的賽道，且變幻莫測，階段性勝利之后，創新乏力是非常危險的，最終你的進化力決定了你可以走多遠。

我2015年10月份加入滴滴，剛好兩周年，我2015年的暑假回國探親的時候，順便訪問了一下滴滴，見到程維、柳青、張博等，回到美國就決定加入滴滴，接觸滴滴之前看過了很多滴滴新聞，以為營銷驅動、資本驅動，不需要太多的技術，跟司機一匹配就可以了。

來了之后我發現里面核心的AI特別重要，而且當初我在程維辦公室，他說這個技術會越來越成熟。而且AI會創造極大的用戶價值改變出行，后來決定加入滴滴。

先給大家最新的一個數據，滴滴是我們非常年輕的，今年6月份剛過完5周歲，從出租車開始到一站式的出行平臺，現在每一天完成的訂單量超過2500萬，用戶數量是4.4億。

大家都知道，在人工智能時代，數據是石油燃油，滴滴最大的財富應該是有海量的交通數據，滴滴是一個大數據公司，人工智能公司。在滴滴的每一輛運行的車，每兩到三秒鐘會給我們傳遞信號，我們有整個軌跡數據，還包括其他的一些駕駛行為，司乘互相的評價等數據。

我每天新產生的數據數是70TB，這么大海量的交通數據給我們提供巨大的潛力，也是越大的挑戰，每天我們處理做非常巨大的4500TB，大量的數據采集、數據分析、數據分析等等，我們希望用數據提高出行的安全、體驗效率，巨大的數據背后有巨大的挑戰，現在每天的路徑規劃，A到B應該怎么走，應該怎么導航，非常核心的一個功能，每天量是200億次，然后我們需要知道司機在哪，乘客在哪里，每天的定位數是150億，而且這些數據會隨著我們每天訂單量的增加而不斷增加。這對我們整個系統的實時性，算法性能的要求都是非常高。

同時，我們這個系統對算法的精度要求也是比其他很多的行業，很多的方向要求要高很多，一個算法精度在與99.9%，就非常理想，非常高，當然滴滴的產品，這么大能量，這么大的數據值0.1%的誤差都會導致成千上萬個司機乘客的體驗受到傷害。所以我們的目標是每一個產品，希望每一個算法都做到極致，希望找到每個乘客出行的體驗。

我們希望基于我們海量的交通數據有一個智慧的交通大腦。中間還是我們有海量的交通數據，有算法，現在人工智能的話，大家都知道需要三個核心的要素：海量數據、模型算法、強大的計算能力，所以現在是三個“大”：大數據、大模型、大計算平臺。

人工智能今年剛好60周年，幾個高峰低谷，這一波浪潮最核心的幾點。一是大數據，我們現在采集數據的能力和量，比前面幾次人工智能浪潮要大很多。有了海量數據之后，我們能建非常復雜、非常大的模型，以往的模型在我讀模式的時候，一個模型倉儲（參數）可能幾百、幾千，目前的倉儲量一般都是幾十億、幾百億，十年前都是不可相信的，這么大的模型必須有大數據。有了這么大的數據算法算不動就需要幾十年，所以非常重要的，需要非常大的計算平臺，非常高效的計算，比如說機器學習的出現。

滴滴剛好符合這個場景，我們有海量的交通數據，非常多的應用場景，在滴滴研究院，我們積累了很多前沿的算法，我們有國內比較領先的計算平臺，我們需要人才，我們過去兩年滴滴研究院積累了很多的AI方面的工程師，用技術大數據改善用戶出行。

這里頭我列了一下過去兩年我們在大數據、AI方面的一些比較成功的典型的應用場景，交易引擎在滴滴最核心的一部分就是訂單的匹配，乘客跟司機如何做，這個有點類似于Google搜索，剛才Will（程維）提到跟搜索非常不一樣的地方，搜索我們給一個排序用戶還是可以選擇的，我們做最優的匹配，我們就給優惠券，這個難度，精度的要求就會比傳統的搜索要高。還有一點不一樣，時效性，Google搜索、百度搜索隔5分鐘，有可能隔一個月再搜索可能都是類似的結果，實時性要求沒有那么高，但是在滴滴的場景非常不一樣，因為司機是時時刻刻在動，你隔了5秒鐘這個司機可能上了高速，可能過了交叉路度，可能過了這個河，如果過了5秒鐘他過來接你，這個路徑距離可能完全不一樣。滴滴產品對于實時要求比很多其他行業高很多，目前我們訂單分配是每兩秒鐘做一次訂單分配，我們會把兩秒鐘之內所有的需求，所有的司機放在一起做一個最優的匹配。

這里匹配的話，就有一個匹配度的問題，只不過不算最優的匹配，這里面牽扯到很多的技術。大家可能認為距離你最近的司機應該是匹配度最高的。滴滴最早期是用的直線距離，因為這個最簡單，只要知道定位，定到兩點就可以做出來直線距離，這個顯然不是太合理，因為過了一條河直線距離會很近，后來技術的演進之后，后來就開始有路徑規劃，路徑規劃就會找到司機實際過來接你的距離。當然，滴滴的產品是特別復雜，因為我們需要考慮實時路況，需要考慮到我們每一天做200次的路徑規劃，而且路徑規劃是點跟點之間路徑規劃，北京來說有上百萬個點，在毫秒級別計算大量的路徑規劃這個挑戰是巨大的。

剛剛講到的是直線距離，后來是路面距離，其實路面距離也不是固定的，同樣的A到B，星期六和星期五時間路徑完全不一樣，最理想的是我們估算出來A到B精確行駛的時間，用行駛的時間作為司機乘客的匹配，這時間定義的一天那是更難的一個問題，因為預估實際A到B的時間需要找未來，因為你要計算如果這個司機過來接你，未來路況會怎么樣，他會過哪幾個十字樓，他可能碰到的紅燈還是綠燈，因為是紅燈還是綠燈就不一樣。路上可能會經過十幾個甚至上百萬個十字路口，每個路口都有一些不確定性，如何把這么多不確定性都考慮進去，估算出來比較精準的時間，這是比較大的挑戰。

滴滴在一天的話ETA，這個方向我認為是在大數據AI比較成功的一個應用的案例，雖然說我們還有很多，前面還有很大的發展潛力去不斷的提高，過去兩年的話，我們的誤差大幅降低。

我們提高了將近100%到200%誤差下降，利用大數據和人工智能一天誤差下降了100個點。

供需預測在很多場景下都有使用，我們打不到車，其實不是因為我們缺司機，而是司機分配不足、供需不足，比如說這個區域發單量比較多，但是司機可能比較少，旁邊一個區域司機量很大，但是乘客量很少，我們有效率特別高的司機，也有特別低的司機，還有很多新司機，他們不是特別清楚，每一天不同時刻應該在什么地方。所以就建立一套系統叫供需的預測，我們會預測未來，比如說15到30分鐘，北京的每個區域大概有多少人發單，多少個司機，缺多少個司機，如果能提前預測，比如說這個區域再過一個小時可能會缺50輛車，我們會把周圍剩余的司機調度過來，當過15分鐘，半個小時發單的時候，司機已經在周圍了，用傳統的方法實時看到哪一個地方缺司機，你跟司機說這個時刻距離5公里缺司機，司機一般不愿意去，因為他一般開過去空駛時間耗油，另外一方面運力和供需是動態的，等司機開過去的時候，可能這個區域已經不缺司機了，所以一定要用AI、大數據提前做預測，一定要提前15到20分鐘預測未來供需分布。

還有一個是拼車，如果比如說北京城市大家都愿意拼車，去年頂級的雜志上有一篇文章，講述了一位大學教授做過很多的數據分析，他們在做扭矩的數據，如果兩兩大家都愿意拼車，兩兩拼成，這樣司機的需求數減少一半，我們的路況會極大的改善，我們的環境污染會極大的改善，而且拼車是滴滴常年以來少數有規模效益的，更多人愿意拼車，拼車的概率就會增加，拼車之后的體驗繞的路會減少，目前滴滴在大量的推拼車，我們可以兩拼也可以三拼，小巴是6座拼車。

我們平臺上有司乘判責，因為有這么多的訂單，每天還會有一些沖突，這個比例是很小的，司機乘客會有沖突，比如說乘客取消到底是乘客先取消，還是司機打電話誘導他取消，這個需要判責，傳統上有沖突的時候，首先司機會受到傷害，他很有可能回答電話到客服，如果有一個引擎，有一個模型，利用大數據模型，利用實時的，當這個沖突發生的時候，就能夠還原當時的場景，能夠判斷出這個沖突是司機的責任，或者說乘客責任，這樣司乘的體驗，他們在商量之前我們就解決這個問題，會極大的降低客服壓力。

還有一個安全問題，我們始終把安全放在NO.1，最近我們也在摸索如何用大數據，如何用AI來提高我們的司乘的安全。如果你打開滴滴的首頁，其實這背后已經有非常多的算法在支持大家的出行，比如說我們定位你現在在哪，這是你的起點，出發點我們會做一個預估，很多出行場景有規律性，早上打開APP有可能上班，中午打開APP有可能吃午飯，晚上打開可能我要回家，很多場景有規律性，我們可以利用歷史數據，我們今天發了一個PPT是建立一個模型為預測乘客可能去的目的地，如果預測的目的地比較確定的話，我們就可以直接把這個寫出來，我們預測準確的話，現在精度超過大概90%，覆蓋率為40%，這樣有很多的用戶打開APP就不需要輸入起點，不需要輸入目的地直接發給你好了，這樣極大的提高乘客的體驗。

這里還有一個難點，這個難的地方是推薦上車點，大家都知道你發動之后，用過滴滴的話，司機如何有效的盡快的接到這個乘客，這是一大痛點，經常如果你在陌生的地方，你不知道在哪上車，司機給乘客打一個電話問在哪，我們有一個團隊利用大數據，利用算法來做精準的推薦，哪一個點在你周圍上車體驗會更好，這里上車點會結合乘客的歷史數據，實時的情況，也會考慮周圍的，比如說你家有打車的話，你會考慮他歷史打車的情況，所有這些首頁的話，我們希望通過算法，通過AI來提高司機乘客的體驗。

下面講一下派單的效率，派單需要非常實時，我們會把兩秒之內所有的乘客，所有的司機放在一起做一個最優的匹配，這里核心是匹配度的問題，匹配度可以是路徑規劃，或者更好的是某一天預估時間，時間一天預估在滴滴是非常重要的，因為用戶需要具體的情況，比如說我希望8點到清河，我打車需要看一下目前狀況需要多久，大概多少錢，這樣可以提前做安排。預估價是多少，如果預估價偏高的話，比如說10塊錢有點貴，如果偏低的話，本來預估10塊錢，后來100塊，非常快。我們希望預估出來，這方面我們過去兩年做了非常多的工作，首先第一步我們需要用估值，滴滴路況也是最好的，我們有海量的數據，我們每一秒鐘只要滴滴在開的道路我們就知道路，我們還會有大量的歷史數據，因為上個禮拜五和這個點類似，我們可以結合實時的數據，再結合海量的歷史數據做一個比較精準的，我們還會預測未來，未來路況的情況。有了路況之后我們就會結合海量的大數據，軌跡數據，實時的歷史還有其他行為的數據建一個系統。

目前我們進行路徑規劃，一天的時間情況怎么樣，這個系統上線之后，這個性能算法一天的精度有了顯著的增強，有了這個匹配度之后，我們下面做的分單，每一個乘客需要知道離你最近的時間或者距離，其實你打到車不一定離你最近的司機的車，因為離你最近的司機可能離一個司機最近，剛才Will提到，這兩秒平均最優，這個最優只是說全局最優還是說這兩秒鐘？能不能更長時間維度的最優.

去年，上半年大家都知道阿法狗打敗了李世石，當初我們就想在滴滴的場景，能不能利用阿法狗的技術來提高我們出行匹配的效率，我們想到滴滴的場景就是訂單分配，訂單分配跟下棋本質上是非常類似的。因為下一步棋會改變未來棋局的形勢，分單也是一樣的，你分單會改變全程司機乘客的情況，比如說你讓司機接這個乘客，過半個小時之后，這個司機就會出現這個乘客的目的地，所以每一次分單本質上是對司機做了一個我們可以知道他大概在某一個區域，某一個時間范圍之內，這個跟下棋是類似的，其實分單比下棋更復雜一點。

當然了，我們的算法比阿法狗還是差很多，我們還是在不斷的優化，我們很多場景問題比下棋還要復雜，下棋下幾單就結束了，我們的分單是每兩秒鐘一次，整個狀況比下棋復雜。

給一個簡單的例子，就可以說明問題，假設就兩個乘客一個司機，說這個要么就是司機，要么就是乘客，第一個乘客他到達目的地之后，假設隔半個小時，剛好有另外一個乘客發單，第二個乘客到目的地之后就沒有訂單了，假設一天就這三個地方，司機做決策的時候他應該選第一個人，接完第一單再接第二單，也就是說如果你知道未來，我們目前分單是兩秒最優，假設額外你知道未來，或者說你對未來有一定的預估，因為阿法狗的核心是說這個棋局，如果我放在某一步大概贏的概率是多少，這個概率很低的，只要比隨機要好，你的方法就會比隨機的好。

剛才我提過供需預測，預測未來我們的精度大概是85%，就是說預測未來15到半個小時每個區域的供需精度是85%，這就充分夠了，因為我們是應用。這個場景的話，就說明如果考慮未來我的效率會提高，因為我是半個小時最優，而不是兩秒鐘。從現在（活動舉辦的時候是晚間）到凌晨效率提升方面，這個我們摸索了將近一年，最近在我們大部分的大城市上線了。在體驗不下降的情況下，效率提高非常顯著，這是另外一個場景。

非常前沿的技術在滴滴，是因為我們有海量的數據，這個項目有一個高級顧問是密西根大學的，他是增強學習領域世界前三或者前五，非常資深，跟他合作之前，密西根大學副附校長跟我說，這個教授不一定愿意參與，后來我飛過去跟他聊了三個小時之后，聊完之后他就跟我說，他說他看過很多應用和項目，大部分場景是阿法狗的應用，這個之外的非常少，滴滴可能是少數幾個場景里面有海量的數據，剛好這個場景跟以前類似，最前沿的阿法狗能夠移植過來，這里面牽扯到很多創新，極大的提高了出行的效率。我們剛剛設置阿法狗的時候，效率就有提高了，后來我們持續打磨了半年后，在不傷害用戶體驗的情況下，提高了出行的效率，所以在滴滴我們始終把安全體驗放在首位的，做任何優化決策不傷害用戶體驗。

剛才已經講過調度了，在供需不匹配的時候，我們能不能預測未來，預測比如說隔半個小時這個地方會缺幾輛車，一定要提前15到半個小時提前精準調度，這是我們的一個系統，我們把它畫成六邊形，每個六邊形有一個值，這個值是表示缺多少司機，紅色說明我們這個區域缺很多司機，綠色是多個司機，可以看到任何一個時刻總是有供需不平衡，有些地方我們缺司機，有些地方我們剩余司機，供需不平衡我覺得應該是影響整個交易效率非常核心的因素，我們最近的話，做非常大量的工作，也是利用大數據人工智能，希望給司機一個指引或者調度，然后讓這個供需不平衡盡量的能夠緩解。

比如說我們有項目會引導效率低的新司機，我們也會研究這個司機怎么做，因為你跟他說你應該去這個區域，司機不一定聽話，他說我還是喜歡呆在這邊或者喜歡去另外一個區域，我們現在跟外面合作，希望通過行為心理學研究一下司機怎么做決策的。希望我們跟他盡量是匹配的，這背后是比較復雜的AI、大數據再結合一些行為心理學。

拼車剛剛我提過，如果路徑類似的話，我們可以打包起來減少運力需求，緩解馬路上的交通路況，如果兩兩能拼上的話，拼車最核心的一點是如何能夠保證乘客的體驗，很多人比如說早高峰可能會遲到等等，是不用的。今年我們在北京重點推的戰略，乘客可能會稍微走一點路，在一個站點，在選定的一些點上上車，我們繞路時間會有一定的保證等等，但是背后也是非常復雜的大數據人工智能算法，比如說用戶體驗每個人都不一樣，我們現在要做個性化的用戶體驗，比如說繞路時間10分鐘，另外一個乘客說不OK，每個人體驗維度都不一樣。同一個人在不同時間也不一樣，早上的時候可能繞10分鐘不行，中午吃飯的時候說繞20分鐘也OK，時間沒有那么敏感，對時間的敏感，體驗的敏感度，乘客在不同的時間都不一樣，我們需要做一些個性化體驗的東西，背后肯定是大數據和算法。

我們從去年有一個項目是服務分，傳統可能有五星，這個4.9分，后來發現單維度的星級信息不夠靈敏，就是說特別好的司機沒法區分去用。后來我們就引入了大數據的模型，我們可以采集基于司機過去幾個月各種行為的數據，比如說取消率、投訴率等等，我們會把過去的數據結合起來，用這樣的模型測算預測它的分數，我們保證它的分數高的話，它的收入越高，這樣的話，保證司機有動力去提高，去年上線之后整個司機的服務，乘客滿意度顯著提高。同時，我們也保證，而且我們核心的服務好的司機，他的收入得到提高。

然后就是司乘判責，訂單有取消，取消就說不清楚，乘客取消有可能是司機的責任，有一個經典例子我自己發生的，我為了做司機體驗，有一次我們技術同事出去做司機體驗，我們接一個乘客，接到訂單了，然后開過去接他，看到這個乘客了，都快開到了，總算接到乘客了，他卻整個取消了。后來這一單沒有完成，當時我跟他體驗特別差的，司機都開到乘客面前了，后來我們利用這個判責，利用滴滴海量的數據盡量還原當時的場景，比如說司機都開到乘客附近了，還有一些對話等等綜合起來做一個模型，我們測一下到底誰的責任。

目前經歷5到6輪的改進，8月23號滴滴舉辦了首屆人機大賽，我們就舉辦了我們的一個判責系統，滴滴幾個員工的比賽，員工有非常基礎的，有非常了解業務的，最后這個系統判責準確率這個系統精度大概93%。我們在大部分場景能夠精準的預測到底是誰的責任。這還只是取消，我們還有很多其他的場景，我們可以用模型去做判責，極大的提高體驗，減少客戶壓力，比如說繞路，比如說乘客惡意取消也可以被防止，這個可以舉例，取消、差評、繞路等等，只要司乘有沖突的地方我們就希望用模型。

最后說一下安全問題，安全是最重要的。安全我分兩種，一種是駕駛安全，有些司機可能駕駛容易出交通事故，我們能不能通過大數據，通過模型，客戶這個司機的駕駛行為是比較穩的還是什么樣的，比如說這個司機歷史當中是經常急剎車的，我們希望自動把它驅除識別。歷史上發生過交通事故的，司機是主責的，歷史上開了一年多沒有發生交通事故的，我們思維好司機的，目前的UC比較高，就說明歷史的軌跡數據，滴滴現有的軌跡數據是能夠比較準確，這個準確度數據還在改進，這樣我們能做一些教育，這是駕駛行為。

另外一個是司乘有沖突的時候，比如說吵起來，打起來的時候能不能提前預測，這個模型我們做了半年，目前我們發現只要能控制少部分的司機干預，事故率能降低10%到60%，具體用如果我們認為這個可能會有潛在沖突的，我們就會對司機做一些教育，這里面最核心兩點，一個是用大數據模型提前做預測，預測潛在的風險，再加上策略怎么做，怎么提高安全，所以我們還在探索這兩個方向。

剛才簡單介紹的就大數據、AI如何提高司機乘客的體驗和效率，我有提到一些我們還有很多方向，很多數據也可以用來提高整個城市，整個社會的出行的體驗，比如說智能信號燈，我，用我們的流量、數據職能控制紅綠燈等等還有很多，包括怎么優化增長，我們也用了阿法狗的技術更加智能的進行司機乘客的經驗分享，還有很多應用場景，我們也特別關注非常前沿的技術，我們非常Open跟國內外的高校進行合作，目前跟密西根大學，跟香港科技大學，跟上海的交通大學進行了深度的戰略合作伙伴關系，我們一起探討交通相關大數據、AI相關技術，一起探討，用AI改變出行。

Q：據我所知，Uber到目前為止應該是滴滴的股東，滴滴未來的戰略一定是以人工智能的大數據算法來做縱深型的市場，Uber作為滴滴的股東，會不會成為滴滴在海外擴張的一個巨大障礙？

程維：第一個問題：Uber對滴滴沒有任何影響；第二個問題：策略方面不大好講。我覺得這個首先還是一個增量市場，這是我想說的，而不是一個存量市場，就像Google、Facebook一樣，中國企業走出海外會面臨這個情況，這是第一。

第二，我相信這個市場還是有非常多的創新空間，這個比賽可能不僅僅是一個網約車的比賽。

第三，我相信最終比的還是進化力，創新、技術、組織、策略等，不止是一個維度而已，如果只看進化，這個是長期跑贏的關鍵。

Q：如果未來假想滴滴走到了美國這樣的主戰場，我猜想很難采取同樣的方式去向Uber進攻，你一定會做差異化的競爭，這個差異化的競爭有可能是什么？

程維：我不認為競爭是最重要的。

Q：兩家優秀的公司，快的和Uber已經消失在大家的視野里面，滴滴除了獲得最大的話語權，您還得到了什么？人才、技術還是算法？

程維：我們得到了很多人才。

Q：核心人才的流失率大概是多少？你能透露一下嗎？

程維：我們很多都是滴滴快的合并下來的人才，親密無間，我們很多業務也是合并以后大家合理分工。我們好處是大家能夠融合在一起，麻雀雖小五臟俱全，變成一個人是很痛苦的，但是因為我們變成一個戰場，我們做了很多業務，大家還是可以往前走。所以整體來說還是有很大收獲的，但是，我覺得不管是用戶體驗、關注用戶價值，不管AI、并購還是資本，他都是策略，都是術，都是你要思考創新的價值和企業發展，有一些企業用這個，有些企業是用那個，不能簡單學習的，其實只是一些工具箱而已。

Q：滴滴有沒有可能向硬件的方向發展？比如說未來的出行，是否會涉及硬件系統？是否有這種規劃？

程維：規劃肯定沒有，但是，企業發展還是不要拒絕任何的可能性，這是第一。

第二，確實不容易，我很少看到公司有這么強的學習力和能力，在很相反的多個維度里面能夠做的很好，所以我覺得亞馬遜很成功，絕大多數公司我沒有看到，背后一定有它獨道的地方，非常不容易。

第三，我覺得還是要敬畏，對人才市場的敬畏。

Q：每一個創業人都在想，怎么利用數據和AI來提升競爭力，你怎么把這個東西提煉成自己的核心項目？

葉杰平（滴滴出行副總裁兼滴滴出行研究院副院長）：至于說如何讓技術和數據結合，滴滴的產品，在我來看，大部分的場景下我們用數據這是早期營銷驅動，資本驅動，技術方面應該有推動。我們會做大量的分析，還是數據分析，就看一下在這個規則背后能不能結合，規則是你通過大腦學出來，規則也不是本科上有的，通過我們分析一些數據能找到規律，然后就上線，一般我們會看一下簡單的規則跟模型，比如說ETA是一個典型模型，ETA早期A到B多少時間，每段路算出它的時間來，然后把它加起來。規則的缺點是能拍腦袋，拍的程度不一樣，這是第一個。

第二個，沒有利用海量的數據，不可能看所有的數據，他可能看一了批數據，所以他學到的規則肯定不一樣，他看到的數據，它的經驗決定了它的好壞，我來滴滴之后接的第一個項目是ETA，當時我了解到這個規則，我們滴滴有海量的數據，為什么不用？到底能不能提高，這個規則是幾十年打磨出來的，目前是最好的算法，所以我們用機器學習，用大數據，他們先是反對的，說這是需要很多年的，很多這方面的經驗打磨出來的。后來我就想，這個在滴滴可能需要不一樣，這么大量的數據，我們就開始摸索，先用最簡單的算法。

如果用非常簡單的算法，現成的算法試一下跟規則差不多的話，我一般會任務，如果用AI大數據優化會更好，這就說明我們剛開始一個月做出來的結果比規則差一點點，第二個用好一點，再過三四個月已經降低30%到40%，到年底已經降低超過100%，這個每個Case不一樣，剛開始可以用最簡單的方式，規則也是一樣，只是能不能應用起來，首先是自動化，然后規則到自動化，到智能化這么一個過程。

Q：你怎么決定它的優先級？我相信每個創業者都在想的，我要用數據解決什么問題，因為企業有很多問題，我先從什么地方開始解決？

葉杰平：其實整個生命周期剛開始會有比較多的數據分析和用戶體驗的反饋，我們對很多數據分析、產品分析、用戶的評價進行反饋，然后在分析大量的客戶的數據，問題的優先級是用戶導向的，這個是重要的一點。

Q：客戶反饋出來的問題各種各樣，你怎么判斷哪些問題先要解決，哪一些后解決的？我覺得這個思考的方法論會對所有人有幫助的。

程維：兩種可能性，一種是找一個人來決定，第二個能夠有規則，比如說什么樣的問題最重要，早期比較復雜，找最有判斷力的人梳理這個項目，最高效的決策一定要所有的數據去判斷，今天為止也很難說有一個規則，我們有數據委員會，有產品委員會，一群人來把握一下到底什么是重要的往前走，因為優先級這個事情是很復雜的問題，什么對你有幫助，如果是體驗或者增長，其實很多時候復雜因素中的決策很難做出量化指標的，還是靠人來決策，很長時間這里面是我們的大學研究院在決策的。

Q：我自己是一個創業者，在創業過程中，怎么樣發現公司需要什么樣的人才？以及怎么樣吸引他們呢？對于葉教授來講，你當時為什么愿意加入這樣一個團隊？

葉杰平：剛才我其實講過了，2015年上半年其實已經有好幾家公司聯系我了，而且我根本沒有考慮過，其實滴滴2015年之前我都沒有聽說過，2015年暑假的時候我回國探親來了一趟滴滴，我說過來看一下，程維那天晚上在他辦公室等我，我跟柳青和張博在咖啡店，至少我對滴滴的理解完全不一樣，反而是說營銷驅動的，里面沒有太多技術，我來可能沒有什么用，我發揮不了特長。所以我來滴滴之前我問了很多問題，我說我到底能不能創造價值？我沒有什么價值，那我就沒有必要來。

來了滴滴之后了解了這個業務里面的邏輯，里面的交易性、復雜性。程維給我講未來的藍圖，當時我做AI機器學習大數據，在滴滴其實是非常重要的，是交易引擎的核心，場景的復雜性、重要性只會越來越多，這里面技術是非常重要的，這是核心的一點。

第二點，非常吸引我的是，做這個事情是有意義的，以前在學校做一個研究，就是說你影響的可能是幾十個人、幾百個人，然后你做的東西對實際落地的應用場景還很遠。在滴滴的話，我們做了那么一個想法，一個idea下個禮拜馬上上線，馬上能夠對成千上萬個出行產生巨大的影響，這是非常有意義的。

所以：一個是AI有巨大的潛力，第二是做這個事情非常有意義。我在滴滴兩年，現在的感覺跟兩年前還是一樣的，交通大數據的重要性日益凸顯。

程維：我相信不管公司發展的第一天，還是在某一個階段，你是知道壓力在哪里，就是說一開始上路前并沒有系統的分析，什么是核心能力，加入什么團隊，但是只要你上路，你會知道是技術薄弱還是線下不足，還是對資本沒有掌控，還是運營效率的問題，你會有數的。

有感覺以后怎么找人？這大概有幾個，第一個是你需要什么樣的人，第二個是溝通拿下，最后一個是融合。往往是溝通花很多精力，我們的經驗溝通不是最重要的，你到底想要一個最好的人，因為技術領域里面容易找到經過實踐驗證以后最好人的名單，需要有一定的篩選去做判斷。如果你只是靠人脈或者別人推薦一個往往直接談，這個往往會有很大的問題，融合也很關鍵，企業是一個組織，在外面核心人才是在別的組織里面的一個活體，要把它手術切割出來接上你所有的器官神經讓它變成一個組織，這背后有很強的磨合力，組織越強孵化越容易，一定程度以后這個工作越難。這里面如果看的不準有免疫反應，這個過程其實需要整個團隊來做的，前面和最后可能更重要一點。謝謝！

Q：我想請教一個問題，就是我聽完你講完以后，就感覺中國應該恢復計劃經濟委員會，就是國家計委用一個更強大的數據來實現曾經不能做到的事情，你認為是這樣嗎？

程維：這段時間馬云講過類似的話，他說應該恢復計劃經濟，那個時候很多人不理解，排除語言上的歧義，相信他也看到了同樣的情況，是因為中央決策力變強，整體效率變高，所以他覺得有它的優越性。

關于計劃還是市場這個本身也有爭論，可以明確的是大數據出來了以后，決策效率真的大幅度增加了，其實不需要研究虛幻的，整體經濟學里面配置所有資源，你講的是整個社會經濟所有資源的配置，通過AI的配置也許這是最重要的。

你要知道今天原來是大量線下個體的決策，他可能效率最高的，但是我說6%到線上，6%是7到10個平臺，7到10個平臺現在越來越發展人工智能，每個平臺都有AI，商品交易都會有AI組織生產、物流，使得你發單前就有組織這個東西，10分鐘就可以送到，根據組織生產使得大量的貨物不需要生產出來有庫存，這是交通。任何人有問題問百度，問Google就好了，所以最終你的問題是這個AI如果能夠使得線上效率非常高，同時，這7到10個AI變成一個超級AI，那個AI會替代發改委，我理解是這樣一個長遠未來，我覺得起碼原來因為中央決策力變弱，所以無數個自由人個體決策是更優的模型，中央決策力變強以后這個問題要打問號了，至于是不是一定往那個方向走，這個要看一看。

Q：不管是AI還是大數據，應該不僅僅是工具，提供的更多是參考，既然通過AI和大數據可以提供更好的服務，是不是成本就應該降低，而不是升高？

程維：如果沒有這些AI，成本可能會更高，問題是這樣的。確實今天因為原來滴滴快的競爭，滴滴Uber競爭，競爭太殘酷了，所以使得大家過度使用資本，本身并不為用戶創造價值，靠每單補2塊錢，這樣使得原來產品和技術的競爭變成資本層面的競爭，這是第一個階段發生的事情。但是市場穩定以后，這些靠補貼帶來的幻想撤退了，所以價格增長了，但是這個時候我就在講，我們怎樣通過智能體驗，通過效率，通過整個提高用戶價值創造去彌補，因為至少不可能靠錢創造價值，這是第一個問題。

第二個問題，長期成本會大幅度下降，因為你付100塊，50到60給到司機，剩下40塊有20塊是車，20塊是油錢，長期看這三個成本都會大幅度下降，車會有共享汽車，不再需要賣給個人，沒有中間渠道，沒有品牌費用，就是為交通，為共享而生的，油會變成電下降一半，人一定程度變成無人駕駛，也會下降。所以長期來看隨著技術的進步，出行的成本會大幅度降低，拼車加上很多效率的優化帶來司機成本下降也會轉移到乘客下降，這是中長期，我相信10年以后成本會下降一半。

再換一個維度來講，很長一段時間來講，會有司機的存在，司機今天是被低估了，使得我們的出行服務是全世界最差的。今天中國的用戶享受到的各種出行產品都是最好的，但是司機作為一個服務者跟社會所有從業者相比，他是社會地位最低，收入最差的。

與日本、歐洲的司機相比，中國司機的情況是最差的，這是因為幾十年來CPI的管控，這個帶來的結果是司機失去了職業精神，實在走投無路才愿意做司機，他做一個建筑小工，還是做一個最低級的快遞員，還是做司機呢，其他的服務衣食住行，酒店里面有麗思·卡爾頓，理發師都有品牌造型師，司機很少聽到這樣的。我去日本我看到人家的司機，技術我們領先他們，服務精神會低于他，未來如果成本增加我希望是服務真的變好，就像你愿意去麗斯卡爾頓這樣的司機。謝謝！

Q： 我自身的體驗就是叫車花的時間越來越長，這種感受在大數據AI上可以反映出來？ AI、客戶、司機還有你自己員工的重點是什么？我感覺好像是AI現在是放在很重的地方，你是怎樣看待司機和顧客的感受的？

葉杰平：其實這個里面我早上自己打車也是花的時間比以前多了，我禮拜一本來九點應該參加早會的，但是第一次真的沒有打到，等了半個小時。最近一個核心的原因是因為有放假，發單量漲了，供需比還是決定運力最核心的一點。AI在一定情況下如何提高效率、體驗等等，而供需比目前尤其這個禮拜，下個禮拜等等會發生極大的變化，后面體驗會有極大的影響，這個我們數據也看出來了。

程維：雖然我們講了很多AI，但是AI必須面向用戶，AI只是最先進的機制，能夠使得用戶或者用戶的集合，整體用戶會得到更多的價值，尤其是我們真的是每周最重要的早上九點所有人探索用戶的問題，AI只是解決問題的一個主要手段，這是肯定的。我住那個地方好打一點，我不敏感，所以還是要看一些客觀的數據，真的是這樣的，我覺得也證明了一開始我講的，既產生危機感，生存壓力，就是因為用戶的購買意愿。

很大的問題就是講供需不平衡，因為我們非常強的發展了網約車，所以一年前有網約車新政，網約車新政還是使得很多司機離開了這個行業，所以有巨大的概率，這是一個很大的挑戰。

第二個我們這個行業是極少的緊缺型的，絕大多數都是過剩經濟，不管淘寶任何一派都是賣家過剩，用戶流量是關鍵。供應是上帝，但是供應有很多問題，人回去以后司機也回去，司機也過國慶，人一般上班就回來了，司機會晚幾天，確實有這樣的因素存在。最重要的事情還是一開始講的關鍵點，用戶是核心，用戶是關鍵，如果你感覺變慢了那就是變慢了，我覺得這個就是沒有做好，如果沒有AI會更慢，謝謝你。

Q：如果產業里面供需更加重要，為什么司機不感覺在滴滴有歸屬感？

程維：早期激烈的競爭當中，海量司機因為補貼各種因素進來，但是補貼不可持續，在這樣一個有新政各種換血，你要問我們，我們希望是為滴滴代言的，雖然我們需要服務好用戶，但是今天相對而言司機是社會的底層，我們目標希望司機的收入在未來一段時間可以得到提高，希望看到滴滴不但是那樣的形象，而是知道司機里面的一些價值觀、特點，把他們當成一個就像你理解廚師、發型師一樣的群體，這個路還很遠，也許有一天坐快車或者出租車的時候能感覺到他們的驕傲感。

Q：相信你在過去的發展過程當中，肯定經歷過很多生死存亡的艱難時刻，你覺得哪一段時間是你印象最深的？您怎么面對的？

程維：過去的事情我都模糊了，走的太快了，我都來不及去做記錄了。我內心的聲音，當下就很有危機感，這是真實的事情，有時候我講，人也好，企業也好，國家也好，成長都是因為壓力，突破目前的絕境。我經常講，我說我看動畫片里面那些劇情，我是不理解的，就像七龍珠經常被踩在地上怎么都不死，突然間起來超級厲害，之前覺得是套路，實際上是這樣的，真的是瀕死才會有突破性釋放，才會否定自己，重新琢磨，無數企業無數驗證，當下企業里面一定是次數決定了增長的壓力，無數次就是從創業第一天，基本上以月為單位的，解決完一個危機會習慣的思考下一個危機是什么，所以原來講的說早期創業有長班才會成功，現在創業政策搞不定馬上就死，外交搞不定肯定也是一個死，這個問題有無數維度都是輸不起的，這是真實的體會，如果有什么就是今天你在面對任何一個維度生死挑戰的時候都要打，因為這是對所有人的壓力，誰能邁出去，這個是你明白比賽的本質就是這個東西，其他也沒有什么了，謝謝！

Q：你此前提過管理層要不斷的往前，作為一個創始人，你怎么做到這一點？你也講了，剛開始做滴滴的時候，整個團隊為了生存，緊盯競爭，沒有往前做那么多，你怎么做到的？

程維：前幾年補貼大戰的時候，我在辦公室掛了一個字叫“日拱一卒”，因為太快了，我就知道你沒有做太多的事情就享受了很多的事情，補貼大戰完了我掛了一個“虛心”。很多時候我們不知道就是不知道，任何人都有盲點，我們自己身邊也有人有問題，這是很正常，因為你只有經歷過很多事情才會有認知，才會相對全面、過關。

但是有的時候你做對一件事情就以為自己沒有盲點了，所以持續保持虛心不容易，我內心深處很驕傲的，所以打開很關鍵，其次你必須要有碰撞，我覺得你不能一言堂，必須身邊有人愿意講，往往很多事情其實講的不一定對，你心里知道不一定對，這樣的氛圍對你有幫助，你是公司真正最重要、成長速度的核心。其次要去最危險的地方，一旦你安逸了你就不成長，你要選擇危險的地方你就有壓力，因為你沒有做過，有各種各樣不確定性，你就會想辦法去思考、面對。

另外，很多的交流學習有很大的幫助，還是花很多的時間。一開始文廚送我GASA大學學習機iPad有英語，美劇我不是很感興趣，這個效率太低，后來跟我說有很多教授，有張首晟教授，我就特別想跟他聊一聊。魯白教授也是一樣，我請他吃兩次飯，他一聊就知道你的盲點，你會看到原來有這樣的東西，這方面也會少，最終是你自己的盲點和事情本身會逼近你的成長。

Q：一般初創企業想的更多的是怎么融資、開發技術，一般不會很早就會想企業文化的問題，你一開始就提到我們這家公司是一家創業公司，所以創業公司的文化是獨立思考，擁抱變化，因為發展很快，你馬上就意識到這個不對，我們現在是一個引領出行的科技的世界型大企業，這是一個從企業文化中是一個比較大的轉變，你有什么思考或者什么措施，使得這個文化的轉變能夠比較有效？

程維：我非常開心，今天我們還是有一些文化的。最早我們是營銷驅動，今天我們確實內部都在關注用戶體驗、技術和算法，我相信有一天會有改變，我們核心團隊去過一次古田，我們希望我們團隊回憶一下兩個世紀以來最偉大的團隊有哪些，我們去過很多地方，看共產黨在那個階段創業的時候，在A輪B輪的時候有什么特質，現在看還是能感覺出來不一樣。比如說他那個時候因為武裝很多的，武裝使命不一樣，不同的使命就會讓你變成土匪，或者有遠大信仰的組織，武裝有規矩不同，大多數組織沒有什么組織規矩，沒有什么文化的，那個時候我看了他們寫的很多，到底是什么樣子，最終因為什么走出來？很有可能是因為他們有不同的使命愿景，寫的很樸實，但是就會讓它和別的組織不一樣。

另外一個點還是要講什么是對的文化，往往贏了以后身上表現出來的特征就是贏的文化，滴滴早期的問題是在三年兩年以后有一次去騰訊分享，他說你總結滴滴是什么樣的團隊，我就說簡單、開放、激情，做事情獨立思考，追求極致、擁抱變化，這大概是過去三年我們的特點，回來以后就變成我們的一種文化，他是總結出來的。面向未來可能原來贏的東西就是未來的障礙，階段環境都不一樣，我們要思考新的東西，這是真實的感受，早期不用想太多，你要想的是生存和發展，生存發展過程之中自然而然會做一些事情，做了這些事情你團隊感覺特征就是正確的文化，這是果。

同時，他又會讓你形成正循環，變成未來成功的因。如果環境改變了，你不改變，又會變成未來失敗的果，這個需要反復考察你對環境的洞察力，對未來使命的思考和組織現狀的思考，這是一個核心思考。

Q：我想問葉教授一個問題，現在市場上普遍人才太貴了，貴的原因還是少，您來了以后，您在做滴滴研究院怎么培養人才？

葉杰平：剛才我講到AI，現在做AI的人才競爭特別激烈，尤其是今年，一年比一年激烈。我們還是會去宣講，去校招類似的，參加國際會議去吸引頂尖人才，就是說除了比較重要的吸引人才，還有剛剛談的使命愿景在做的事情，大家覺得實現它的一些在別的地方實現不了的事情，這是當時吸引我的點。

另外一點，我們特別強調人才的培養，比如說今天早上，我們每個禮拜五會有一門機器學習課程，每個禮拜都有。這是唯一在國內在工業界開這個課程的，而且連續開幾年，我們會把最基礎的，最前沿的算法、背景、應用整個Demo會跟我們員工講，所以除了招聘，我們滴滴特別重視對員工自己的培養。在這兩年下來的話，這個效果還是非常好，所以重視招聘我們還重視培養，兩個結合起來。后來發現我們培養也是吸引學生進來，他們覺得進來之后，在滴滴成長，我們就跟他進進來一系列的項目，包括學習，學習只是一部分，他們也是特別興奮。所以這方面我覺得滴滴還是特別重視員工的培養，這對未來我們招聘非常有幫助。

Q：創業的過程當中，滴滴遇到了很多的困難，承受了我們很難想象的很多壓力，你們身上一定會有很多閃光點，作為創始人，最困難的時候你怎么度過的？抗壓能力是怎么表現出來的？因為我今天離程維比較近，他給我印象最深得一個特點，我發現程維皮膚特別好，面色看上去紅潤非常通透，所以我在想承受了這么多壓力，今天表現出來這樣一種狀態，很想聽聽你在這方面心得體會。

程維：這是真實的感受，我們在一起經歷過很多壓力、崩潰，但是如果你扛過去，你就超越了自己，我們內部經常講，不是因為你是什么樣人，你有什么特質才做成什么樣事情，往往因為你選擇了什么樣的道路，道路要求你變成了什么樣人，太多人起步的時候都是非常不容易的。任何時代像馬云這樣的智商情商各方面中國有一千個，印度有500個，美國有30個，電子商務的機會只有一個，真正有價值的是這條路，如果創業選擇一條對你有幫助的路，這是要根據到珍惜的。我天生很樂觀，我不斷的強調要有危機感，我確實很樂觀，我覺得沒有什么能打敗我，只要你愿意無所不能，這個是創業者都有的素質，我覺得自己必須要有危機感，我心比較大。

我自己有一次回憶過，真正塑造性格是因為我人生第一次挫折的時候，那是我高考的時候，高考成績還挺好的，我母親教數學，她是我們那里最好的數學老師，我數學是最好的，我考試那天第二天早上，不知道為什么，因為做的特別好，所以考了一個小時就把題答完了，我心情很放松，我檢查一遍又一遍，15分鐘的時候，我把卷子一扣，我發現背面有三道雪白大題，整個人就被冰凍了，大腦麻木，甚至有點抽搐的緊張感，真是崩潰，15分鐘除了沒哭，寫了三個解就交上去了，走出考場我心情可想而知。我媽在門口等，我見到她問我怎么樣，我說完了，她說考完了，我說考完蛋了，三道題沒做，我看到那一瞬間她大概眼睛有一秒也是慌亂惶恐的，她很快鎮定，說沒事，回去吃飯，休息一下下午還有考試。她很鎮靜拍拍我讓我走，她不慌我就不慌了，我下午考化學就考的很好，第二天再考，所有考完還可以，那一關我就過去了。

經過很多這樣的事情能走過去，慢慢會知道碰到很多事情先接受它，因為它已經發生了，先接受它，然后思考現在最正確的事情應該做什么，這個是反復訓練的過程，之后還有很多這樣的事情。能找到方法就可以過去，慢慢的就有這種自信了。

至于皮膚好是因為遺傳，謝謝！

Q：我想問葉教授你怎么看待CEO？

葉杰平：工作的環境的各個方面壓力在到滴滴之后是幾倍的增長，非常不一樣，其實在滴滴合并之后這一年碰到過很多困惑，每一次跟Will一聊，有時候見面，有時候微信群，他經歷過很多滴滴的存亡問題，他說每一次都過來了就是一個巨大的進步，每一次相當于從死里生出來，這個過程其實是一個進步。所以來滴滴之后，我現在跟他們這幫人工作兩年，現在跟以前環境不一樣，每次碰到特別大的壓力，特別大的困難，我覺得對自己是一個挑戰，如果我過去了，我就成長了。

這個在滴滴我印象讓我特別深刻，所以我到滴滴兩年，其實我成長最多最快的兩年，這方面確實讓我感覺特深，來了之后在各個方面抗壓能力，工作強度也是跟在學校里面完全不一樣，團隊協調和其他團隊的協調，碰到困難，碰到相互的一些問題怎么處理，心態等等都提升了很多。

?