马斯克已经让他的Tesla跑车飞上了天，然而地面上想打车的你，可能会发现随着春节的临近，越来越难呼唤到一辆车了。

加班需谨慎

要说打车，Uber是世界上最流行的打车软件之一。Uber必须不停地匹配搭车者和司机，并使他们能尽可能快地抵达目的地。这个简单的任务的每一步都需要优化，比如决定最优路径、最佳到达时间……

然而，现实世界充满了不确定性。雨雪啦，事故啦，很多事件的发生都可能影响车辆的供需。

许多目前的机器学习模型还是基于确定性的，但是现实世界的数据基本都是不完整的，或者某种意义上不完善的。这样一来，在做预测（比如预测车辆供需）的时候，概率论就很有用武之地了。

贝叶斯推断能让我们在预测之前对现实世界有一个先验假设，并且能基于观测不断更新模型。

不久前，为了更好地适应现实世界的不确定性，Uber的团队开源了一种编程语言Pyro。Pyro是一种概率语言，使用Python和PyTorch构建。我们可以通过它，建立一个既可以扩展也十分高效的贝叶斯深度学习模型。

编程语言那么多，为什么偏偏还要开发一种？

因为这种语言能适应不确定性建模——对于模型中两次同样的输入值，可能会有两个不同的结果。在传统的编程语言中使用概率简直太难了，概率只能存在于晦涩的子程序中。与之相对的是，Pyro将概率分布作为编程的核心。Pyro程序的基本单位是随机函数，它帮助我们明确地计算给定输入的输出概率。