Uber使用OpenAI帮助用户更智能地赚取收入、更快速地完成预订

# Uber 利用 OpenAI 帮助用户更智能地赚钱、更快速地叫车 来源：https://openai.com/index/uber/ 每天，数百万人依赖 Uber 来预约出行、订购餐食、寄送包裹以及灵活赚取收入。每一次点击的背后，都是一个由交通状况、天气、机场到港航班、本地活动和需求共同塑造的复杂实时市场。Uber 运营规模庞大：每天 4000 万次行程，1000 万司机和配送员遍布 70 多个国家的 15,000 座城市。每座城市都有各自的运营动态、法规和乘客行为，这要求系统必须在全球范围内持续适应。 Uber 长期以来一直使用机器学习来支撑其市场运营。如今，借助大语言模型和 OpenAI 的前沿模型，Uber 能够更快速地对复杂信号进行推理，提供流畅的对话式响应，并在应用内实现语音交互体验。 Uber 与 OpenAI 的合作正在帮助 Uber 打造 AI 驱动的产品，简化司机和配送员的赚钱机会，同时减少乘客的使用摩擦。借助 OpenAI 的模型，Uber 能够以比以往更快的速度推出精简的产品和体验。 > "技术首次引领了可解决问题的边界。那些曾经遥不可及的问题，如今都可以着手解决了。" ——Aarathi Vidyasagar，工程与科学副总裁 ## 将复杂的市场数据转化为司机的实时指引 对于司机而言，灵活性是 Uber 最大的优势之一。有人全职驾驶，有人只在周末接单，还有人在课间或轮班间隙跑车。这种灵活性也意味着司机需要不断评估选择并提出问题：*我现在应该去哪里等单？去机场值得吗？午餐时段该从载客切换成送餐吗？为什么今天的收入看起来不一样？* 为了帮助回答这些问题，Uber 开发了 **Uber Assistant**，这是一款 AI 驱动的智能助手，旨在帮助司机在平台上的整个生命周期——从注册上手、首次接单到日常收入优化。 "我们希望通过提供市场概况和实时洞察，帮助司机为自己做出更好的决策，"Uber 产品管理总监 Dharmin Parikh 表示。 该助手通过将收入趋势、热力图等复杂数据转化为简单可执行的定位建议，帮助司机了解何时何地可以赚钱。司机可以用自然语言追问问题，获得个性化回复，并轻松浏览应用功能。 Uber 的目标是降低认知负担——即司机在赚钱同时解读复杂市场数据所需付出的精力。 这对新司机尤其有价值。Uber 发现，利用 AI 总结并清晰传达 Uber 的实时数据，可以**加速上手过程**，帮助司机比单纯试错更快地了解工作流程和市场动态。 虽然 Uber Assistant 最初被认为对新司机帮助最大，但资深司机也会反复使用它来追问问题、优化平台上的时间——这验证了该产品是长期实用工具，而非仅仅是入门引导工具。 "相比需要完成数百次行程才能理解平台运作方式，助手正在帮助司机快速上手，"Parikh 说道。 ## 借助多智能体 AI 系统规模化建立信任 对 Uber 而言，准确性、安全性、可信度和速度是实施任何将与司机和配送员交互的 AI 系统时的首要考量。关键考虑因素包括回复符合政策规范，以及延迟达到实时移动应用用户期望的标准。 因此，Uber 围绕三大核心原则设计了 Uber Assistant：安全、信任和低延迟。 Uber 的工程团队构建了**多智能体架构**，将每个用户请求路由至最合适的专业系统。例如，收入问题与入职问题的处理方式不同，市场指引需要与交易操作不同的推理能力。 这种架构使 Uber 能够将每项任务路由至最适合其特定运营需求的模型，确保每个查询都得到恰当的重点关注。 对于轻量级分类和快速响应，Uber 使用更快的 nano/mini 模型。对于更复杂的任务，则利用更大的推理模型。 Uber 还开发了 **AI Guard**，这是一个内部治理层，帮助筛查提示词和回复，以促进安全、隐私和保障，执行政策，减少幻觉，并在各体验中保持一致性。 当司机收到准确、有用的建议时，他们会再次使用。他们会问更多问题。他们反复参与。他们在平台上的有效工作时间也会增加。 "如果用户不信任系统，你会很快失去他们，"Parikh 说，"但当他们看到价值时，就会回来。" ## 通过语音拓宽无障碍性 Uber 还将 OpenAI Realtime API 应用于技术领域下一个重大界面转变之一：语音。 在应用内打字对于简单请求来说可能很高效。但许多交通和商务需求更为复杂。 旅行者可能想说："我有五件行李，还有另外五个人一起。我需要一辆舒适的车去机场。你有什么推荐？"年长乘客或视障乘客可能更喜欢语音操作，而非在菜单中点击。 Uber 的**全新语音体验**旨在让这些时刻毫无摩擦。用户可以在 Uber 应用"去哪里"搜索栏点击麦克风图标，用自然语音请求叫车。系统使用 RealAI 时 API 和其他前沿模型来理解意图，利用保存的位置和客户上下文，并给出建议——同时在应用内同步语音和视觉回复。 这可能意味着为行李较多的行程推荐 UberXL，或识别"家"等保存目的地。 "语音消除了每次只能完成一个任务的障碍，"Parikh 说，"你可以自然地表达完整意图，系统可以协调结果。" 语音还扩展了无障碍性，并在 Uber 生态系统中解锁了新的工作流程。在司机端，它让司机可以免手操作应用。在乘客端，它可以减少希望获得更快速、更简单交互的客户的使用摩擦。 "语音消除了多次点击的障碍，因为你可以说出多件事，"Vidyasagar 说，"它解锁了连接生态系统各个部分的能力。" 一张移动 Uber 应用语音预订体验的静态图片，展示自然语言叫车推荐。 注：语音预订功能将在未来几周逐步推出 ## 更快迭代、更强团队、更优产品 随着 LLM 能力的快速演进，Uber 的团队建设方式也在改变。 工程师在整个组织内从事提示工程、检索系统、评估流程和编排框架的工作。产品、法务、运营和设计团队更紧密地协作，以界定政策边界、测试输出并改善用户体验。 不再是小型中心化 AI 团队垄断创新，智能现在可以嵌入整个公司。 "不再是一个专业团队包揽所有工作，"Vidyasagar 说，"许多团队都能贡献力量，因为构建的门槛已经降低。" 这种转变加速了实验，并在 Uber 生态系统中催生了新想法。 "每次驾驶、每次行程都是一系列事件，理解和处理这种细微差别正是 LLM 为我们解锁的，"Vidyasagar 说，"这让我们获得了大量关于下一步该往哪走的信息，而在我​​们这样的规模上，这种解锁具有异常强大的力量。" ## 在市场范围内规模化智能 Uber Assistant 目前已在美国司机网络中扩展推出，处于实验性推广阶段，Uber 持续测试和优化体验： - **数十万美国司机**现已可使用 Uber Assistant 测试版体验 - 改善对**早期生命周期司机**的支持，帮助新司机更好地定位以获取更多订单 - 强大的**重复参与度**，用户在成功交互后持续回访 - 通过更智能的市场洞察实现平台上**更优的时间利用** - 通过模型专业化和持续评估系统实现**更快的产品迭代周期** 从帮助新司机完成首单，到为寻求更好收入机会的资深司机提供指引，Uber 正在使用 OpenAI 模型让工作更高效、出行更顺畅、日常物流更人性化。 "作为工程师，OpenAI 解锁了以不同且独特方式解决这些问题的能力，"Vidyasagar 说。