Uber 希望用 AI 降低其市场两端的摩擦

Uber 最新一轮 AI 推进，与其说是为了增加一个出于新奇感的聊天机器人，不如说是为了简化全球最复杂的消费市场之一。该公司表示，它正在使用 OpenAI 模型驱动助手和语音功能，帮助司机做出更好的收益决策，并帮助乘客在覆盖数千座城市的服务中更快完成预订。

这一挑战的规模，也解释了为什么 Uber 认为大型语言模型如今变得更有用。根据该公司说法，其平台每天处理 4000 万次行程，并在 70 多个国家的 1.5 万座城市中连接 1000 万名司机和快递员。每一座城市都有不同的交通模式、天气状况、机场节奏、当地法规和需求行为。Uber 长期以来一直在这种环境中使用机器学习，但它当前的主张是，前沿语言模型可以把庞杂的运营信号转化为人们真正可用的对话式指引。

这是一种微妙但重要的转变。传统机器学习可以在后台优化匹配和预测。生成式 AI 则试图把这些洞察直接以清晰的语言和语音呈现给人，让一个密集复杂的运营系统在实时场景中变得更容易理解。

司机端是最清晰的应用场景

Uber 给出的最详细案例是 Uber Assistant，这是一款由 AI 驱动的工具，旨在支持司机完成入门、首单以及日常收益决策。公司表示，司机经常会遇到一些仅凭原始仪表盘很难回答的实际问题：应该把自己停在哪里、机场值不值得跑、午餐时段是否应该从乘车切换到配送，或者为什么当天的收益会与平时不同。

这些都不是简单的问题。Uber 的平台依赖一支高度灵活的劳动力队伍，而参与者会在不同时间、带着不同目标和不同经验水平进出平台。有些司机全职工作，有些兼职，还有些只在自己的时间允许时上线。这种灵活性是卖点，但也带来持续的不确定性。更好的指引可以降低在一个按小时变化的实时市场中做决策的认知负担。

Uber 表示，该助手会把收益趋势和热力图等复杂数据汇总成简单、可执行的位置信息建议。司机随后可以用自然语言提出后续问题，并在更顺畅地使用应用的同时获得定制化回复。公司明确的目标是减少“认知开销”，这个说法准确点出了一个真实的产品难题：司机需要的是可用的建议，而不仅仅是更多数据。

为什么语言模型适合这个问题

在 Uber 的场景中，大型语言模型的价值并不在于从零生成新的市场情报，而在于它们能够跨越现有信号进行推理，并把这些信息转化为更快、更具对话感的支持。当司机询问是否值得去机场时，有用的答案取决于多个不断变化的输入。传统界面可能会通过地图和图表展示其中一部分信息，而语言驱动的助手则可以把它转化为直接的建议或解释。

这在一个“时间就是金钱”的市场中尤为重要。如果司机在决定下一步去向之前必须解读多个屏幕，平台就已经制造了摩擦。如果乘客为了叫车不得不经历过多点击或令人困惑的步骤，同样的问题也会出现在需求侧。Uber 的表述表明，它认为下一阶段的竞争优势来自把这些决策压缩为更简单的交互。

公司还强调了上市速度。Uber 表示，借助 OpenAI 的模型，它能够比以往更快推出精简的产品和体验。这是基础模型的常见吸引力之一：它们可以缩短从创意到可部署、面向用户功能的路径，尤其是在核心挑战是语言、解释或语音交互，而不是纯预测时。