Uber 借助 OpenAI：助力司机高效增收，提升乘客预订体验

每一天，全球数百万用户都在通过 Uber 预约行程、点餐、寄送包裹并灵活赚取收入。每一次点击的背后，都是一个受交通、天气、机场流量、当地活动及实时需求交织影响的复杂平台。Uber 的运营规模极为庞大：日均完成 4,000 万次行程，覆盖 70 多个国家/地区的 1.5 万座城市，司机与派送员数量达 1,000 万。每个城市都有其独特的运营动态、监管环境及用户行为，这要求整个系统必须具备在全球规模下持续适应的能力。

Uber 长期以来一直利用机器学习来支撑其平台运作。而现在，得益于大语言模型及 OpenAI 的前沿模型，Uber 能够更迅速地对复杂信号进行推理，提供极速的对话响应，并增强应用内的语音交互体验。

Uber 与 OpenAI 的协作，正在助力 Uber 打造 AI 驱动的产品，从而为司机和派送员简化获利方式，并为乘客减少操作摩擦。通过应用 OpenAI 的模型，Uber 能够以史无前例的速度交付更精简的产品与体验。

对于司机而言，灵活性是 Uber 最核心的优势之一。有人“全职” 驾驶，有人只在周末出车，还有人利用课间或班次间隙接单。这种灵活性也意味着司机需要不断进行权衡与评估：我现在该去哪里守候？去机场划算吗？午餐时段我该从载客切换到送餐吗？为什么我今天的收入和往常不同？

为了回答这些问题，Uber 开发了 Uber Assistant。这款 AI 助手旨在为司机在平台上的整个生命周期提供支持 — 从入驻、首单到日常的收入优化。

Uber 产品管理总监 Dharmin Parikh 表示：“我们希望通过提供平台概览和实时洞察，赋能司机为自己做出更明智的决策。”

该助手能将收入趋势和热力图等复杂数据转化为简单、直观的方位指引，帮助司机了解在何时何地创收最有效。司机可以用自然语言进行追问，获取量身定制的回复，并轻松操作应用。

Uber 的目标是减少司机的“认知负荷” — 即在创收过程中解读复杂平台数据所需付出的精力。

事实证明，这对新司机尤为重要。Uber 发现，利用 AI 总结并直截了当地传达平台的实时数据，可以帮助司机以远快于“试错”的速度掌握工作流和平台动态，从而加速度过磨合期。

虽然最初预计 Uber Assistant 对新司机的帮助最大，但经验丰富的司机也会反复使用它进行追问，以优化在平台上的时间分配。这证明了该产品是一项长期的实用工具，而非仅仅是入驻指引。

Parikh 指出：“相比于通过几百次行程才摸透平台的运作方式，该助手正帮助司机实现快速上手。”

对于 Uber 而言，在部署任何直接面向司机和派送员的 AI 系统时，准确性、安全性、可靠性和响应速度都是重中之重。核心考量包括回复必须符合平台政策，且延迟必须达到实时移动应用的高标准。

正因如此，Uber 在设计 Uber Assistant 时遵循了三大核心原则：安全、信任与低延迟。

Uber 工程团队构建了一种多智能体架构，能将每个用户请求路由至最合适的专业系统。例如，处理收入问题的逻辑不同于入驻问题，而平台指引所需的推理过程也与交易操作截然不同。

这种架构使 Uber 能够根据具体的运营需求，将每项任务分配给最匹配的模型，确保每一个查询都能得到精准处理。

针对轻量级分类和快速响应，Uber 使用更敏捷的 nano/mini 模型；而对于更复杂的任务，则利用参数量更大的推理模型。

此外，Uber 还开发了 AI Guard — 一个内部治理层。它负责筛选提示词和回复，以提升安全性、隐私性和可靠性，强制执行政策，减少幻觉，并确保不同体验之间的一致性。

当司机获得准确、有用的建议时，他们会再次使用，提出更多问题，并进行反复互动，从而在平台上度过更高效的创收时间。

Parikh 表示：“如果用户不信任这个系统，很快就会流失；但一旦他们感受到价值，就会持续回来使用。”

Uber 还将 OpenAI Realtime API 应用于科技领域下一个重大的交互变革：语音。

对于简单的请求，在应用中打字可能很高效。但许多交通和商业需求要复杂得多。

例如，一位旅客可能会说：“我有五件行李，还有另外五个人，我需要一辆舒适的车去机场，你有什么建议？”或者，老年及视障乘客可能更倾向于交谈，而非在菜单中反复点击。

Uber 全新的语音体验旨在消除这些场景中的操作摩擦。用户只需点击搜索栏中的麦克风图标，即可通过自然语言预约车辆。系统利用 Realtime API 和其他前沿模型来解析意图，结合保存的地址和客户背景信息给出建议，并同步应用内的语音与视觉反馈。

这意味着系统可以为携带大量行李的行程推荐 UberXL，或自动识别“家”等预设目的地。

Parikh 指出：“语音消除了每次只能完成一个任务的障碍。你可以自然地表达完整意图，由系统来编排最终结果。”

语音功能还提升了无障碍水平，并解锁了 Uber 生态系统中的新工作流。在车主端，它实现了解放双手的应用交互；在乘客端，它为追求快速、简单互动的客户减少了操作摩擦。

Vidyasagar 补充道：“语音消除了‘多次点击’的障碍，因为它允许你一次性表达多项需求，从而将生态系统的各个部分连接起来。”

随着大语言模型 (LLM) 能力的飞速演进，Uber 的团队构建方式也发生了改变。

现在，全公司的工程师都在广泛接触提示词工程、检索系统、评估流水线和编排框架。产品、法务、运营及设计团队的协作也愈发紧密，共同界定政策边界、测试输出质量并优化用户体验。

创新的重任不再仅由少数几个中心化的 AI 团队承担，智能化能力正嵌入到公司的每一个角落。

Vidyasagar 表示：“这不再是某个专业团队的职责。随着开发门槛的降低，许多团队都能参与其中。”

这种转变加速了试验进程，并为 Uber 的生态系统激发了源源不断的灵感。

“每一次驾驶、每一趟行程都是一系列事件的集合。LLM 为我们开启了理解并处理这些细微差别的能力。”Vidyasagar 补充道，“这为我们指明了未来的发展方向。考虑到我们的业务规模，它能释放巨大潜力。”

目前，Uber Assistant 已在美国司机网络中开展试点项目，Uber 正持续对体验进行测试与改进：

• 数十万名美国司机现在可以使用 Uber Assistant 测试版
• 优化了对新司机的支持，帮助其做好规划以获取更多订单
• 用户粘性强，在获得成功交互体验后，用户表现出极高的复用率
• 提升平台时间利用率，通过更智能的平台洞察助力司机高效创收
• 缩短产品迭代周期，得益于模型专业化分工及持续评估系统

从助力新司机完成首单，到指引资深司机发掘更优创收机会，Uber 正利用 OpenAI 的模型让工作更高效、交通更顺畅、日常物流更具人性。

“作为一名工程师，OpenAI 为我们开启了以独特方式解决这些问题的无限可能，”Vidyasagar 总结道。