终于来了一个能帮我打车的AI了

　　 作者 ｜ 郭海惟
邮箱 ｜ guohaiwei@pingwest.com

　　现有应用如何与AI结合，算是GPT3.5以来AGI叙事的重要议程之一。

　　我试用过很多加入到垂直场景中的AI工具，却少有坚持用下来的。这并非产品打磨得不够好、模型能力不够强、应用场景需求不够硬。

　　而是因为，过去基于GUI（图形用户界面）的交互效率已经非常高：如果我有清晰意图，在GUI界面中，大多可以在三次点击内完成下单动作；如果我没有，也能通过信息流推荐高效完成决策。

　　强大的GUI只给AI应用留了一条相对窄的缝，适配于用户相对复杂、非标准化的意图。比如，在打车这个垂直场景中的AI助手“小滴”。

　　“小滴”可能是我为数不多会在未来坚持使用的AI助手，最简单的一个原因，便是它能让我打车不再“开盲盒”。

　　1

　　用 AI 重做人车匹配

　　过去人们习惯于将AGI世界里的出行，简单想象成：下个命令，无需点击便能一步到位。

　　但截至目前少有人会这样使用AI——我们需要检查定位、确定目的地餐馆不重名，再完成支付。

　　基于此，小滴既不是简单用LUI（语言用户界面）取代GUI来消灭点击，反而是给用户多加入一次点击：用自然语言交互的方式，前置做车辆的筛选。

　　用户可以告诉小滴，想要什么类型的车或者司机。

　　也可以告诉小滴，想要出发的时间去做预约。

　　比如，当告诉小滴，我希望司机驾驶平稳，它就会在周围搜寻符合条件的车，再跳转一个推荐页面供我选择。

　　每个人对车辆的喜好是不同的，有些喜欢清新的车：

　　有些喜欢司机友善，服务周到：

　　甚至指定颜色，比如白色的车：

　　携带了行李，希望后备箱宽敞：

　　从测评体验来看，小滴会把用户需求转译成对应的标签，这个转译是比较精准的，全程使用下来没出现失误。

　　不过，我的标签相对较少，所以截图匹配的分数都比较高。

　　如果我一次性加入很多标签，比较难遇到匹配所有标签的车型，系统就会按分数大小进行排序：

　　比如我在接下来的prompts里给了一堆标签，其中部分甚至是相互矛盾的——比如，油车和特斯拉。

　　在这个注定不可能达成的需求组合里，小滴会提示我：“以下司机或车辆未满足全部需求，但距你较近”，再按照匹配分数找到前三名来供我选择。

　　从实际使用体验来看，你不能把小滴看作一个“万能钥匙”，而是一个在出行领域具备规划能力的个人管家。

　　它本质是扮演一个“辅助筛选者”的角色，帮你在可用的网约车中做最佳适配选择。

　　所以小滴的系统天然鼓励用户给出你真正在意的标签，那些不必要的反而会稀释掉你真正在意的标签权重，即 “全部都是重点=没有重点”。

　　所以，标签越精准，匹配和筛选的效率就会越高。

　　同理，在高峰期或下雨天，在北京本就难打车，使用小滴作用也有限。

　　但小滴的意义在于，它给我的日常出行增添了“惊喜”。这种在O2O生态里的交互“增量”，可以实实在在让用户的出行体验上一个台阶。

　　以本人为例，我其实已经习惯了最便宜的打车选项。

　　抛开专车以上的车型不谈，经济型的消费体验更像是一种“开盲盒”——

　　我们在下单前，对即将到来的车，除价格以外没有别的信息，不知道来的是不是清新车、司机态度是否友善、后备箱是否够大……

　　这是一场信息不对等的博弈。作为消费者，把损失降到最小的选择可能就是在时间充裕的时候，选择价格最低的品类。

　　但最近试用小滴，我花同样的价格享受了“严选”的快乐——

　　作为一个“爱晕车人”，通过输入“驾驶平稳”的标签，有效避免了因某些司机急停急刹的开车习惯带来的顿挫感。

　　1

　　用出行串联生活

　　小滴的出现，帮用户缓解了出行用车“盲盒”信息的不对称，反而让打车体验多了一点“盲盒”的情绪价值。

　　一方面，输入需求是一种“调动”期待的过程；另一方面，叠加上个人定制化的需求prompts，让用户更大概率打到理想的车。

　　除此之外，小滴还希望能以“打车”为入口，串联起更多场景——

　　比如，“回忆”。

　　那些你在滴滴上的打车订单，其实是我们生活中的一部分侧写。打车往往意味着生活的流动——你可能去开会、约会、看病，或者某天赶时间差点迟到。

　　小滴可以帮你回忆过去的很多行程。

　　比如，我可以让小滴查询，我“去年在珠海”的行程——时间范围较大，但小滴还是帮我调取出了具体的时间和目的地，并以表格的形式呈现了出来。

　　同理，我可以问它某个具体行程的大致时间，来回忆起这一行程的具体场景。

　　此外，用户还可以通过小滴进行行程规划，减少日常出行的琐碎。

　　这个功能比较好的打开方式是与“打车”联动。

　　实测下来，尤其适用于意图相对明确、但目的地还未确定的场景——

　　比如一些连锁餐饮品牌，或者三甲医院、车站、机场、公园这样带有功能性的场景。

　　你可以对小滴说：“帮我搜索最近的公园。”确认目的地后，再对小滴说：“帮我叫一辆驾驶平稳的车。”

　　这样就实现了两个功能的联动，同时免去了在地图上反复比对，再下单打车的顿挫感。

　　大概是为了增强用户的使用习惯，滴滴还推出了一个聊天拿红包（逗逗小滴）的功能，有两个入口可以进。

　　聊天风格显然是被定制调教过的，注重活泼的对话感，不会发大段文字，而是将对话拆分成不同的聊天气泡，完成多轮对话，实现更强的沉浸感。

　　至于优惠券，我尝试几次后拿到了9折优惠，不过在社交平台也有看到晒出7折的。

　　在车上无聊可以刷一刷，给下次打车囤一张。不过要记得选“驾驶平稳”的车，刷手机不那么容易晕。

　　1

　　从运输到抵达

　　前段时间跟一位AI从业者聊，说今天的AI应用可以“粗暴”地分成两类：

　　一类是改变我生活的——能够提高生产力，不断试探人与智能的边界，本质是在拓展我们作为个体或专业人士的 “能力边界”，比如编程助手等；

　　另一类是改变我妈生活的——跟生活场景紧密贴近，门槛不太高，学一学就能用，用了就能有实际价值的。

　　小滴显然就是第二类，能嵌入生活，直接帮使用者获得服务改善的AI应用。为了降低使用门槛，小滴在使用过程中还给用户提供了很多模板、常用prompts定制功能等等。

　　据了解，小滴用户高频使用的标签包括车内宽敞、无异味、车龄新、SUV、0投诉、服务态度好、6座、电车、后备箱大、驾驶平稳等。

　　将用户这些真实又各异的需求，与打车时的运力和路况等综合起来，筛选出符合条件的车，这种复杂的交互链路并非单纯依靠一个大模型就能解决。

　　首先要能听懂用户需求，再把需求拆解成可执行的标签，进而完成匹配和呈现，这些要依靠出行平台精细化的运营积累。

　　相比聚合平台，滴滴对平台车辆的标签识别管理更全面，除了常规的车型、车辆情况之外，也把司机服务、驾驶平稳度、车内是否有异味、是否安静不打扰等建成可识别和管理的维度，使得服务体系更扎实，被AI调度时，才能更精准。

　　当基础运力保障实现后，平台增长与留存的关键，已经从“有没有车”转向了“乘车体验好不好”。从前，传统下拉菜单的筛选是标准而又 “沉默的”，小滴的出现，让真实的痛点被尊重和看见。

　　作为精细的调控工具，它让用户实现了前置沟通，打车不止于把人“高效地”从A点“运输”到B点，而是“更舒适”地帮助人从A点“抵达”B点。

　　我想，“小滴”能改变的，或许也不只是乘车体验。随着更多用户需求在AI侧循环并被精准承接，司机也会发现，好服务有了更清晰的回响。