AI未满：堵在技术升级路上的谷歌地图

图片来源@unsplash

文｜脑极体

作为一个地图控，回想起当时在谷歌卫星地图里找到了自己出生地后的惊奇和兴奋，至今依然感叹科技带给每个普通人的思想震撼——只需一台电脑就可以拥有“上帝视角”，轻轻滑动鼠标就能游历世界各个角落。

不过上一次花费时间，通过谷歌卫星地图和街景地图遍览世界著名景点和街道，已经是十多年前的事情了。

对于Alphabet而言，谷歌地图仍然是除搜索、安卓、谷歌商店以及YouTube之外最核心的产品。据分析师预测，2018年，Alphabet从谷歌地图上获得的广告收入很可能达到30亿至40亿美元，而未来三年仍可能以每年25%至30%的速度增长。

今年2月8日，谷歌地图迎来15周岁生日。为这次周年纪念日，谷歌地图在iOS 和 Android 上进行了重大改版升级。同时，Alphabet 兼谷歌 CEO桑德尔·皮查伊为此专门发布博文称，未来谷歌地图将是公司 AI First 战略的重要阵地。

桑德尔的表态似乎在传递这样两层信息：第一层是在谷歌宣布投入“AI First”的五年时间里，谷歌地图并没有成为AI技术支持的重要阵地；第二层意思是未来的谷歌地图将重点发力AI技术的应用。

自从2016年谷歌宣布全面拥抱AI之后，谷歌全系列产品都通过机器学习及深度学习技术实现了AI化升级。相比备受瞩目的Waymo、Google Assistant、Gmail、谷歌翻译等明星产品，谷歌地图在AI技术的应用上确实显得略微平淡和缓慢。

缓慢并不等于无所作为。作为覆盖全球10亿用户的谷歌地图，其产品的AI化也早已在潜移默化地进行了。平淡也并不等于不值得被关注。谷歌产品AI化的思路就是在其产品中逐步渗透AI技术，用以提升用户体验。

在科技领域，我们总是高估一两年短期内就能做到的事情，而总是低估五年或十年中能做到的事情。搜索引擎如此，无人驾驶如此，而谷歌地图亦如此。在五年的长周期里，谷歌地图的一些技术纵深值得被我们再次关注。

谷歌地图，生来AI？

时间转回2016年。时任谷歌 CEO桑达尔·皮查伊在Google Event2016上，宣布谷歌整体策略从“Mobile First”转向“AI first”。众所周知，谷歌向AI战略转型是有着充足准备的。

谷歌早在2010年就开始布局机器学习；2012年发布了“知识图谱”以及建成超大型的神经网络系统“谷歌大脑”；随后两年又将深度学习公司DNN Research和英国人工智能的翘楚DeepMind纳入麾下；紧接着，谷歌AI成果如井喷一般，2015年谷歌开源深度学习框架TensorFlow，并陆续应用在超过50多个谷歌产品之上；2016年，DeepMind开发的AlphaGo横空出世，将AI一下子真正带进大众视野。

我们知道AI的发展需要算法、算力和大数据的支持。其中地图本身就与AI有着天然契合度。

一方面地图产品是真实世界的映射，人们很多在线下的行动轨迹都会通过这一产品反映出来，累积成数据。在谷歌地图上也是一样，无论是每月数十亿次的用户出行记录以及上传的地点标注数据，还是PB级别的卫星地图数据以及全球拍摄的街景图象数据，简直都称得上是大数据里的“富矿”。

另一方面地图本身的功能也可以被大量AI相关产业应用，像智慧城市离不开利用地图产品对车流人流进行热力追踪，自动驾驶也需要将高精地图与雷达传感器相结合。

因此对于广泛涉猎AI的谷歌来说，地图自然成了一个很好的技术试验场。

其中最为典型的就是对谷歌街景数据的利用。谷歌街景本来是谷歌地图的特色项目，是由专用街景车进行拍摄，然后把360度实景拍摄照片放在谷歌地图里供用户使用。很快当谷歌开始接触AI，尤其当在imageNet上练过兵的李飞飞入职后，这些数据量巨大的来自真实世界的图像，就有了用武之地。

例如利用强化深层神经网络，扫描加利福尼亚州的数千个街景图像，然后将其转化为专业级的照片。又比如应用人脸识别、OCR识别功能，将街景图像中的车牌号、人脸打码以实现隐私保护的目的。

在同样的方法下，路边的街道编号、企业名称、交通限速标志等细节信息也在被源源不断地从图片中提取出来，并且适当地在谷歌地图上自动创造和定位新的地址。同样该模型还可以应用到商户外墙上的名称识别上。通过这一功能，还可以更精确地持续更新商户变化的情况。

也就是说，AI一直在优化着谷歌地图的底层技术。

（无需真实地址的信息，系统自动识别出商户名为“Zelina Pneus”）

另外，Google I/O 2018开发者大会上，谷歌地图首次展示了基于AR技术的步行导航系统（VPS）。该AR系统其实采用了基于图像识别和OCR技术的Google Lens产品，可以通过手机摄像头捕捉并识别地标性建筑实现导航，只需点击“start AR”按钮，谷歌地图就会将前进箭头与摄像头实拍相重叠的视频画面显示给用户。

前端灵活简单的AR导航背后，需要后端大量街景数据的运算支持；如果无法通过GPS获取用户确切位置，Live View还会使用机器学习比较用户相机所捕捉到的场景，然后与数十亿的街景图像对比进行重新定位。

除了图像，谷歌也利用大数据推荐、预测的基础上，为谷歌地图AI化提供了直接面向用户的服务体验。谷歌地图对通勤效率优化和混合出行模式进行了AI的个性化推荐。

比如，可以根据对每一次实时路况、公交信息的实时计算及预测，帮助通勤一族量身定制每一次的上下班的出行路线；对于非自驾的混合通勤模式，谷歌地图会根据需要步行的时间、骑行时间和公交到来的时间综合计算，给出通勤建议让用户决策。

除了进行智能推荐路线外，谷歌地图通过AI与卫星图像的结合，将更多的商户和新地址添加到地图中。还可以显示用户所选目标商铺的开闭店时间、顾客在店内的停留的平均时长，以提醒用户合适时间离开，避免找不到车位或遭遇附近的道路拥堵。

这与谷歌地图长期采集的用户和商家提供的多维数据息息相关。尽管这些新增AI功能，被很多行业人士认为是跟随了中国同类APP的脚步而缺乏新意。但在AI算法推荐的细节之处就非常可圈可点。

比如，2018年，谷歌地图已在全球数百个城市推出基于机器学习的实时公交延误预测。除了依靠公交机构提供的出行时刻和公交车位置实时数据作为判断依据，谷歌地图创建的模型还会综合车速、时间、停靠站、道路拥挤情况等因素，来进行实时预测。同时结合出行数据和机器学习模型，他们还能预测全球200个城市的公共汽车或火车的拥挤程度。

这一细节就非常实用。当你距离公交站还有几百米，也许谷歌地图就会告诉你是否值得通过快走去追赶一辆延误几分钟才会进站的班车。当你得知紧随其后还有一辆还有座位的空车，你是否会放弃眼前这辆拥挤不堪的公交？

此外，该系统建立在机器学习基础上，通过比对用户个人偏好的大量数据，可以为不同的用户定制个性化信息，比如告诉你居住地附近新开了什么店铺、向你推荐附近的美食等。用户也可以与朋友快速分享地图上的美食，并且在地图上进行实时标注。

数据之上，“波澜不惊”的AI升级路

以上可见，图像数据、用户行为数据等海量数据结合在一起，成为了谷歌地图保持屹立不倒的强大护城河。背靠海量数据，谷歌地图的AI升级呈现出更明显的一些特征。

首先是对谷歌图像技术的重度依赖。从以上谷歌地图的AI进化路径看出，谷歌率先将机器学习等技术应用于处理庞大的地图图像数据，包括对于道路交通标志、街道名称以及商铺名称等重要信息的识别。一方面源自谷歌自身在图像识别技术上的领先优势，另一方面也是谷歌对于精准出行地图数据的优先级考虑。

其次是谷歌地图对用户出行数据和本地服务数据的深度挖掘。利用AI算法，隐藏在用户本地搜索之下的大量数据可以产生更好的出行服务推荐和更多的商业价值。谷歌发现，除了出行导航外，探索本地服务也成了用户重度使用工具。当下，谷歌地图 “搜索”工具，可以满足用户预订酒店、订车订餐、查询旅游路线，甚至还可以满足像国内美团一样的几十种不同类型的服务。

例如此次，谷歌地图新版本升级，主要是对首页五个选项卡：探索、通勤、保存位置、贡献和更新（Explore，Commute，Saved，Contribute和Updates）的更新。