谷歌把AI塞进地图后，我让它规划了1天行程

Google Maps月活用户超过10亿，但多数人只用它查路线。Gemini（双子座，谷歌的人工智能助手）入驻地图三个月后，我决定测试一个假设：AI能不能替代人类做城市探索的决策？

测试条件设定为带娃出行、公共交通、陌生区域——这是人类最容易翻车的场景。

第一小时：AI开始"读心"

打开Maps，底部出现"Ask Maps"入口。输入框像聊天软件，但背后是Gemini在解析地图数据、用户评论、实时天气，甚至网页信息。

我的初始需求很模糊：轻轨新线路沿线、儿童友好餐厅、有车辆主题装饰。Gemini返回了6个选项，其中3个在我收藏夹里，2个完全陌生——一家改装车主题的汉堡店，藏在工业区改造园区里。

「这家店的评论提到'孩子可以坐在轮胎座椅上'」，Gemini引用了2024年3月的一条用户反馈。我查证后发现属实。

人类规划者的惯性是重复已知路径。Gemini的算法似乎有意打破这个循环：它优先推荐了评分4.2以上、但评论数少于500条的地点——这类信息人类筛选成本极高。

第三小时：边界测试

我故意提出矛盾需求：「户外 playground，但下雨备选方案」。Gemini没有崩溃，而是返回了带顶棚的社区中心，并标注「室内攀爬架， Yelp 评分4.5，周三下午人流较少」。

这里有个细节：它没有直接调用天气API，而是整合了地图内的「热门时段」数据——下雨天的周三下午，该地点的"繁忙程度"指标确实显示为绿色。

但漏洞也出现了。我追问「这家餐厅有没有儿童餐椅」，Gemini回答「评论提到家庭友好」，却没确认具体设施。我电话核实后发现，餐椅需要预约时特别说明。

AI的置信度问题在此暴露：它擅长整合显性数据，对隐性规则（如"需预约备注"）的捕捉仍靠运气。

第六小时：意外发现与算法黑箱

行程后半段，Gemini推荐了一条步行路线连接两个地点。我习惯用地图的"步行"模式，但这条路径从未出现在我的搜索结果里——它穿过一片2019年开放的滨水步道，我的地图历史里完全没有这片区域的数据。

「这条路线基于相似用户的偏好」，Gemini的解释等于没说。我后来意识到，它可能关联了我的YouTube观看记录（户外Vlog）和地图收藏夹（滨水公园），做出了跨产品的推断。

这种推断有时是惊喜，有时是惊吓。它推荐了一家书店，理由是「您常访问的地点中包含独立书店」。正确。但紧接着建议的「顺路咖啡店」，实际距离书店800米且方向相反——"顺路"的定义被算法压缩了。

全天复盘：AI替代人类的临界点在哪

12小时测试结束，Gemini规划的7个地点中，5个达到预期，1个因信息滞后踩雷（餐厅已更换主题装修），1个因路线计算偏差多花了20分钟。

对比我手动规划的平均水平：通常3个地点里会有1个因"看起来不错但实际拥挤/关闭/不适合儿童"而失败。AI的胜率更高，但失败时的解释成本也更高——我无法像理解自己的决策那样，理解它为什么推荐那家已经变样的餐厅。

Google在2024年I/O大会宣布Gemini整合进Maps时，强调"自然语言交互"。但一天的体验表明，真正的价值不在对话形式，而在数据层的打通：评论语义分析、跨产品行为关联、实时人流预测——这些人类无法同时处理的变量，被压缩成一句「试试这家」。

局限同样明显。当我问「这家 playground 下午三点会不会晒」，Gemini能调取天气和方位数据，却无法判断具体树木遮阴情况——这是本地家长凭经验知道的隐性知识。AI的"知道"停留在可结构化数据层，人类的"知道"包含大量无法上传的身体记忆。

测试结束前，我尝试了一个极端指令：「规划一条全程不重复的环线，终点是起点，总时长4小时，包含至少1个免费卫生间」。Gemini沉默了15秒，返回的方案基本可用，但把一处公共图书馆的卫生间标注为"24小时开放"——实际晚上8点关闭。

「数据来源：Google Maps商户信息」，它诚实标注。错误来自信息更新延迟，而非算法缺陷。这引出一个产品层面的观察：AI的输出质量，天花板是数据质量，而非模型能力。

一天结束后，我保留了3个新发现的地点，删除了2个收藏。Gemini没有让我走进河里——这是作者Allison Johnson在测试前的真实担忧，源自早期AI导航的 infamous 事故——但也没有创造出人类规划者无法实现的奇迹。

它的价值在于降低探索的决策疲劳，而非替代探索本身。当我站在那家轮胎座椅汉堡店门口，发现它隔壁就是一家我收藏了两年却从未注意到的手工冰淇淋店时，这个发现来自步行中的偶然抬头，而非任何算法推荐。

Google Maps的Gemini功能目前向部分用户灰度开放。如果你获得权限，会愿意把一整天的行程决策交给它吗？