Uber 接入 OpenAI：大模型正在靠近叫车订单，但还没接管调度

Uber 正在把 OpenAI 模型接进两个位置：司机端的 Uber Assistant，乘客端的语音叫车。

司机和配送员可以问位置、收入机会、平台操作。乘客可以直接说出需求，比如几个人、几件行李、要不要去机场，再由系统结合上下文推荐车型。

这件事有意思的地方，不是“Uber 也做了一个 AI 助手”。而是大模型开始贴近订单发生前的几秒钟：司机要不要挪车，乘客要不要选更大的车，平台要不要把复杂信息压缩成一句可执行建议。

这比客服问答难得多。

Uber 为什么需要 AI：实时市场太复杂，靠经验会变慢

Uber 的规模是理解这件事的锚点。

它每天处理约 4000 万次行程，连接 1000 万名司机和配送员，覆盖 70 多个国家、1.5 万座城市。这个市场不是静态货架。天气、交通、机场到达、演唱会散场、当地规则，都会改变供需。

过去，司机端更多依赖热力图、规则说明和个人经验。新司机要靠多次接单慢慢摸规律。老司机也要在不同区域、时段、品类之间做判断。

Uber Assistant 想做的是另一件事：把这些分散信号整理成自然语言建议。

比如司机可以问：

• “现在去机场值不值？”
• “午餐时段要不要切到配送？”
• “今天收入为什么比昨天低？”
• “附近哪里可能有更多订单？”

这对司机的动作影响很具体：少翻页面，少猜规则，少靠试错决定下一步去哪。

但它仍然是建议，不是替司机做决定。Uber 披露的是面向美国司机网络扩大实验，数十万美国司机可使用 beta 体验。这里不能写成全球正式上线，也不能写成平台已经自动化调度。

我更在意的是，Uber 没有把大模型放在最安全的角落里。它开始让 AI 触碰“交易前决策”。这一步很小，但位置很关键。

司机端进入决策层，难点不是会聊天

Uber 过去一直在用机器学习。

派单、定价、ETA 预测、反欺诈，本来就是平台的老本行。大模型这次增加的能力，不是简单替代这些系统，而是把复杂结果解释给人听，并允许连续追问。

这和传统算法的用户体验不同。

传统算法更像后台机器：你看到价格、路线、等待时间，但很少知道原因。Uber Assistant 更像把后台的一部分翻译成前台语言：现在为什么忙，去哪里可能更合适，某个收入变化大概来自哪里。

对司机来说，这个变化不抽象。

新司机可能会更快理解平台规则。兼职司机可以在有限时间里更快决定开去哪。配送员可以根据时段切换策略。出行和本地生活平台的产品团队，也会因此调整判断：AI 不只是客服降本工具，还可能成为供给侧操作界面。

但这个判断要收住。

Uber 没有披露 Uber Assistant 能带来多少收入提升，也没有披露司机留存、接单效率等指标。没有这些数字，就不能把它写成商业结果已经兑现。

现在能说的是：大模型正在从“回答问题”走向“影响行动”。但它影响的是人的判断，不是直接替人执行。

乘客端语音叫车：入口更短，风险更近

乘客端的新语音体验基于 OpenAI Realtime API。

用户可以在 Uber App 的目的地搜索栏点击麦克风，用自然语言说需求。系统会结合保存地点、用户上下文和车型信息，给出语音与视觉同步的建议。

这个场景比“语音助手炫技”更实际。

带行李去机场的人，不想在几个车型之间来回比。老年用户和视障用户，也未必愿意在多个页面里找入口。语音把人数、行李、目的地、偏好一次说完，系统再推荐车型。

但出行订单的容错率低。

外卖买错一件商品，最多退换或重下。叫车推荐错车型，可能导致坐不下、等车变长、司机空驶，甚至影响赶飞机。AI 越靠近订单，错误成本越高。

这也是 Uber 强调多智能体架构和 AI Guard 的原因。

根据披露，Uber 会按任务复杂度路由模型：轻量分类和快速响应可调用 nano/mini 模型，复杂任务再使用更强推理模型。AI Guard 则作为内部治理层，用于安全、隐私、合规、减少幻觉，并保持体验一致。

这套安排说明一个现实问题：实时应用里，成本不是唯一约束。延迟、可信度、隐私和口径一致，都会决定 AI 能不能进主链路。

接下来最该看三件事，不是宣传语，而是产品是否扛得住：

对平台从业者来说，比较现实的动作不是立刻复制一个 AI 助手，而是先判断自己的订单链路哪里最怕慢、哪里最怕错。

如果错误只影响咨询体验，AI 可以先上问答层。如果错误会影响供给移动、价格选择和履约结果，就要把治理、延迟和回退机制放在同一张图里看。

Uber 这次给出的信号很清楚：大模型正在靠近交易前台。它还没有坐上驾驶位，但已经站到司机和乘客做决定的旁边。