有了人的参与，算法才学会了更高效地管理复杂的物流网，而人也不是一味服从算法，而是会反过来试图驯服算法。
先说改进算法，这不是因为算法要克服骑手的懒惰，而是相反，是因为骑手们都很努力。
比如，孙萍老师有个很喜欢的例子，为什么外卖送餐时间越来越短？
是因为骑手为了避免超时罚款，一个小时的订单就会在55分钟送到，于是，算法就会认为一单只要55分钟，把送达时间调整到相应时间，于是骑手又得再往前一点。
久而久之，送单的时间就不断缩短，骑手也在路上越来越着急。
而且，起初算法派单时只考虑了直线距离，不了解实际路况，3公里的直线距离可能需要5公里的路程。
所以骑手为了及时送单，就得超速、逆行，而算法后来升级后又会“学习”到这些路径，认为这样安排路径是合理的，于是进一步根据这条路径推荐更多订单，让更多骑手走上这条当初不得已才开辟出来的捷径。
所以就出现了悖论，骑手越努力，未来就越危险。
有骑手戏称算法是“人工智障”，但想要从“智障”升级到“智能”，也确实离不开骑手们生产的数据。
算法系统不仅仅是后台程序员设计出来的，更是骑手的实际数据“喂”出来的，书中称这个现象为“人体电池”。
要知道，一个骑手能够产生的数据不仅仅是路径、时长。
综合起来，系统能整合出一套丰富的数据集，包括外卖员送餐的速度、送单量、人流量，商家的餐品种类、价格、出餐时间，消费者的等待时长、口味偏好、忍耐外卖超时的程度等等。
这一套数据集，不仅能够提供精准的用户画像，还可以训练物流调度系统，在骑手们持续“投喂”中，不断进行深度学习，提高平台管理效率。
因为有着稳定而优质的数据源，外卖平台其实在AI技术方面是毫无疑问的先驱。
外卖平台在2004年刚刚出现的时候，普遍采用人工派单，在订单有限时还算有效，等平台做大了，订单变多了，人工就跟不上了。
于是，2014年开始，各个平台陆续尝试自动化派单系统，其中就有平台使用类似AlphaGo的深度学习来开发智能系统。
而到了2024年，短短十年间，外卖平台就完成了三阶段的进化，从系统辅助派单，到云端派单，再到深度学习的人工智能派单。
算法优化并没有磨灭骑手的主动性。
在骑手的角度看来，他们朝夕相处的算法是一个“黑箱”，但在长期劳动实践中，他们也从自己的角度去理解算法，积累了不少“逆算法”操作，试图驾驭算法，让算法变得更加“尊重”自己，最终形成了一种“既依附又对抗、既合作又协商”的互动过程。
有些操作是比较顺从的，比如“养系统”。
这里的“养”，是说要让系统认为你是一个好骑手，在算法中取得更高的分配权重。
有个叫做大强哥的骑手总结自己“养系统”的心得，就是“好好跑单”，少拒单，跑得久，就会在后台获得更好的派单机会。
事实上，算法也确实会更加青睐那些持续性、服从性更强的骑手。
例如在“闪送”平台上，这种偏好直接反映在了前台的派单机制上。
每周、每天能够持续完成一定量的骑手可以上升到“派单”级别，系统派发的单量多，单价也高，而如果维持不了，就会下降成“抢单”，要靠自己抢单，钱也少。
还有些操作则挑战了算法逻辑，彰显了骑手自己争取主动权的努力，倒逼算法改善。
一位擅长“养系统”的大强哥，曾经就找到了一个漏洞。
大强哥回忆，一开始所有的骑手都要靠自己抢单，大家专门抢大单、远单，特别是远单，一公里额外加几块钱，“轻轻松松地一个月（收入）上一万五”。
但是远单有个麻烦，如果方向协调不好，就很难安排路线。
不过，2019年，大强哥意外发现可以用手机登录别人的账号，于是开始相互“捎单”。
怎么操作呢？
首先，骑手抢单的时候不管三七二十一，先抢再说，然后确认配送方向，把方向相近的凑在一个人身上，比如别人抢到了自己这个方向，就让他们把账号给自己，顺道送完了，然后登录他们的账号点“送达”。
随着这么干的人越来越多，大强哥就建了一个微信群，形成了一个稳定的捎单团体。
如此一来，这些关系比较好的骑手团体抢的单子多，送的也多，形成了一个“人类智能”的二级派单中心，而新骑手几乎抢不到单，赚不到钱。
平台先采取了封禁措施，要求每一单都要有完整的轨迹，堵死了集体捎单，但也优化了算法，减少了反向单，还给转单留了一个口子，让骑手一天可以有几次机会转出，允许骑手通过小规模抢单来优化调配。
到现在，很多骑手还会在群里互相通报，哪里有订单价格上涨，抢在算法调配运力之前，先把好单抢到。
一个“引虎出山”的技巧，也反映了骑手对算法的反向破解。
这个方法就是在系统没派单的时候，通过同事点单来生成一个订单，算法就可能会推荐几个顺路的订单，此时再把同事的订单取消，之后就可以顺畅跑单了。
骑手们虽然不懂技术，却是在最前线的测试工程师，既能改善算法的效率，又会不断试探算法的漏洞，让自己夺取更多主动权。
在这一来一回的拉锯之间，系统逐渐逼近了“算法最优”。
但这里我们也要注意，如果算法一味追求高效，结果就是骑手们越来越急，不仅丧失了自主权，安全风险也越来越大，身体也将难以为继。
网友评论