2013年，滴滴技术开始了两件比较重要的事。一方面，滴滴技术团队升级了后端CRM系统，不仅可以管理快速扩张且分布各地的BD团队——当时一年之内从20人激增至1000人，而且在这个系统里还加入了绩效计算和激励，最大限度激发了地推积极性，滴滴由此可以快速拓展开城和调度千军万马。
另一方面，影响更为深远的是大数据团队的组建和机器学习系统的应用。
“当时我们发现，一个城市的订单超过一定数量级，把订单广播给所有3公里半径内司机就会有信号道占用的问题，需要个性化推荐才能提升效率”，张博说。
于是2013年1月，搜索背景出身的张博牵头组建大数据团队，用机器学习的方式，实现订单预估和个性化推荐。
这个团队和机器学习系统的打造，也为后来滴滴赢下竞争奠定了基石。
虽然后来江湖上更广为人知的往事是“七天七夜服务器鏖战”和“红包大战”，但在中后台，大数据和机器学习的作用随风入夜、春风化雨。
更本质的是，这代表了一种思想：
要赢下更大的战役，就必须依靠稳定、可靠，高效的技术引擎。
它可以调度千军万马，它只能是技术驱动。
正是这种思想落地生根，陆续带来了叶杰平、赖春波、章文嵩、弓峰敏、卜峥、石东海、曹乐、朱宏图、唐剑、Kevin knight等一帮人才，极大地加速了滴滴的平台化构建和AI在滴滴内的应用落地。
与快的战争的尾声，滴滴上上下下都危机感强烈，因为一样的打法是无法击败Uber的。
即便有巨头支持烧钱出市场，但下一场大战已是完全不同的量级。
张博一语道破关键：“Uber当时是全球盈利打中国市场，估值300亿美元，我们只有70亿美元，Uber每稀释1%的钱就能拿到更多的钱……”
这时候，在一架底特律飞往北京的航班上的人，让战局出现转机。
他叫叶杰平，当时是密歇根大学终身教授，计划在2015年7月回国探亲，国内亲朋好友也都约好聚一聚。
而就在当天起飞前，叶杰平收到滴滴的求助，“一道题目，跟出行里抢单、派单相关，问我能不能抽象成数学问题。”
叶杰平回忆，刚好十几个小时的越洋飞行，没有网络，又觉得挺有意思，就从各个维度思考，最终成功抽象为一个优化问题。
“本质就是优化效率和体验的问题，我给了很多解法，从最简单的到最复杂的……”
后来，叶杰平的解法，不只张博听了，程维和柳青也听了。
于是第二道题紧接而至：能不能把抢单到派单问题，具体建立成一套算法模型？
当时滴滴面临的境况非常微妙，实际已经有派单模型，但跟Uber类似，属于完全派单，搞得司机怨声载道，甚至罢工……而如果依然抢单的话，效率又无法提高。
其实在第一道题分享的时候，滴滴就向叶杰平抛出橄榄枝了。
作为一个机器学习领域的大牛学者，叶杰平知道加入滴滴意味着什么。
在密歇根大学，他研究的方向是大数据、数据挖掘和机器学习，但为了申请科研资金，他多半参与的是制药医疗方面的项目，研究成果见效并不是一个立竿见影的事情。
滴滴正在做的事情则不同。头一天一个想法变成一个模型，第二天上线就能验证效果，哪怕一个小的算法都能马上影响成千上万人的出行。
“解决的都是前所未有的难题，而且极具现实价值。”
但叶杰平也有顾虑。自1997年留学，18年里，他早已在大洋彼岸安家落户，孩子还都在上学。另外自己的学生们，又怎么办？
不过天生爱挑战的他，还是认真思考了滴滴给出的第二道题目。
在之前本质抽象的基础上，他从算法、AI的角度，很快给出了解决思路：
之前从抢单到派单，被当做一个非0即1的问题，导致司机接受度有限。而叶杰平把问题看成连续的过程，从0到1之间，引入“阿尔法系数”，从0.1、0.2……一点点往上提升，逐步让司机习惯和接受。
思路听起来简单，算法实现并不轻而易举，但最终，一套完整可控的算法依然被设计出来了。滴滴也完成了从抢单到派单的成功迁移。
滴滴平台效率也开始从量变到质变，2个月后“由抢到派”迁移完成，滴滴成交率超过了80%，与Uber在技术上旗鼓相当，甚至已经开始领先了。
在之后一次滴滴管理层会议上，滴滴管理层说，派单项目是过去几个月最大的功臣之一。
叶杰平说，那是他加入滴滴参加的第一个大型会议，没想到来滴滴的第一个想法第一套算法就能实在地影响成千上万用户的出行。
