Uber 与 OpenAI 集成：AI 驱动的司机指导与语音预订

Uber 与 OpenAI 合作，将大型语言模型（LLM）集成到其全球市场中，实现对复杂信号的实时推理，以优化司机收入并简化乘客的预订体验。此集成使 Uber 能够处理来自 15,000 座城市、每日 4000 万次行程的数据，提供可操作的洞察和对话式界面。

Uber Assistant：为司机提供实时市场指导

Uber Assistant 是一款 AI 驱动的工具，旨在帮助司机和快递员通过将热力图、收入趋势等复杂的市场数据转化为简洁、可执行的定位建议，从而优化收入。

关键影响：

• 加速入职：新司机可以更快了解市场动态和工作流程，减少在前几百次行程中的试错依赖。
• 收入优化：有经验的司机可使用该工具以自然语言提出后续问题，优化在平台上的时间利用。
• 降低认知负担：系统在实时操作时最大程度地减少司机解读复杂数据所需的精力。

多代理架构与 AI 治理

为确保安全、可信和低延迟，Uber 实施了多代理 AI 架构，根据查询的性质将用户请求路由至专用系统。

模型专精

Uber 根据任务复杂度使用不同规模的模型：

• Nano/Mini Models：用于轻量分类和快速响应，以保持低延迟。
• Reasoning Models：在需要更深层推理的复杂任务中使用更大的模型。

AI Guard

Uber 开发了内部治理层 AI Guard，负责维护系统完整性。该层的职责包括：

• 对提示和响应进行筛查，确保隐私与安全。
• 强制执行公司政策。
• 减少幻觉（hallucinations）。
• 在用户体验中保持一致性。

语音驱动的乘车预订与可访问性

Uber 正在利用 OpenAI Realtime API 向语音交互转型，使用户能够自然地表达复杂意图，而无需在多个菜单间切换。

增强的乘客体验

用户可以在 “去哪里” 搜索栏中点击麦克风图标，以自然语言请求乘车。系统会解析意图，并结合客户上下文和已保存地点提供推荐。例如，乘客说明有五位乘客并携带大量行李时，系统会自动推荐 UberXL。

可访问性与效率

语音界面消除了 “多次点击” 的障碍，惠及老年用户、视障乘客以及需要免手操作的司机。

对产品开发的组织影响

LLM 的采用使 Uber 的工程文化从集中式 AI 团队转向分布式模型，智能能力嵌入到整个组织。工程师、产品经理、法务和设计团队现在直接协作进行提示编写、检索系统和评估流水线。这种去中心化方法加速了实验并缩短了产品迭代周期。

部署与当前结果

Uber Assistant 正在美国司机网络中进行实验性推广，取得以下成果：

• Beta Access：数十万美国司机已在使用 Beta 体验。
• Driver Support：为早期生命周期司机提供更好的定位支持，获取更多行程。
• Engagement：用户在成功交互后表现出强烈的重复使用意愿。
• Utilization：通过更智能的市场洞察，提高平台上的生产力和时间利用率。