滴滴負責確定性，AI小滴把選擇權交給乘客

上周去醫院辦事，去的時候叫了輛車，車新、空調舒服、司機開得又穩又快，到地方的時候心情都好了幾分。辦完事往回走，又叫了一輛，價格差不多，但一開門就有股說不清的味道，司機還一直大聲打電話。兩單之間隔了不到兩小時，花的錢卻幾乎一樣。

每個高頻打車的人都經歷過這種盲盒式的體驗——問題不在于差的太差，在于好的太好，體驗過就回不去了。但你拿這種落差毫無辦法，因為平臺從來沒有給過你一個按鈕、一個篩選項或是任何一種機制，讓你把“上次那種車”再叫一次，這類需求很明確，出口不存在。

這種經歷不是個例，往深了看，是行業十幾年發展留下的結構性問題。最近十幾年時間，國內的網約車平臺都在聚焦如何把供給做大，從幾萬輛擴到幾百萬輛，日均訂單將近4000萬，覆蓋了從鄉村到一線幾乎所有的出行場景；可副產品是出行質量的方差也被同步拉大，而平臺的調度邏輯始終是離你最近或者價格最優的那輛。

而用戶腦子里那些效率之外的考量，“車里別有味道”或是“后備廂放得下大箱子”，在叫車界面上沒有對應的選項。雖然滴滴近年來在持續推出個性化服務，比如寵物、助老、女性友好等細分產品，和輕享、甄選快車等好服務品類，但這種標準化產品的擴展，終究是有限度的，很多個人偏好仍然無法充分收集和滿足。

說到底，這可能是目前服務消費場景最重要的趨勢之一：實惠快捷的服務已經不夠了，大家還想要更精準、更確定的服務。

3月17日正式上線的AI小滴V1.0版本，是滴滴對這個趨勢的一次系統性回應：讓用戶用自然語言說出想要什么樣的車，系統去匹配、去兌現。聽起來簡單，但從說清楚到坐上對的車，中間隔著的東西比一個大模型要重得多。

01 需求不是新的，入口才是

如今用戶對打車體驗的偏好是怎么來的？這些偏好并非天生，而是被教育出來的。

你第一次坐到一輛車內清新、駕駛平穩的快車之前，你對這些事沒概念，覺得打車就那樣；但坐過一次之后，你對“好”有了具體的體感標準，這個標準再也退不回去。下一次再坐到一輛有異味的、急剎急停的車，你的不滿就有了具體來源，是有更好參照系之后的落差反應。

這種教育完全是隨機發生的——平臺并沒有刻意去做，用戶被動地在好壞之間反復切換，偏好就自然來了。

需求分層是體驗方差的產物，在同一個價位、同一個品類里，體驗的隨機性本身就是最大的痛點。用戶的訴求很樸素，在同樣的價格下，起碼不要每次都靠賭。

理解了這一層，再看AI小滴做的事情就清楚了。它本質上是給這些長期存在但無處安放的需求開了一個入口，而且這個入口改變的不只是交互方式，還是整個用車流程的起點。

過去，這個過程是固定的：先輸目的地，選車型，看價格，下單，然后等著系統分配一輛車給你，和平臺之間的對話本質上只有一句“我要從A到B”，剩下的全部由平臺決定；現在反過來了，你先說你要什么樣的出行體驗，系統再去找誰能滿足。

用戶可以用自然語言說出需求，語音或者文字都行，“帶老人去機場，行李多，別暈車”這樣一句話就夠了。系統在后臺做的事情是把這句話拆解成可執行的服務標簽，如“空間大”“后備廂大”“駕駛平穩”，然后拿著這些標簽去供給池里做多條件過濾，篩出來的候選車輛以卡片形式推給你確認。

目前，AI小滴已經覆蓋了90多個服務標簽，把過去只存在于用戶腦子里的隱性偏好，變成了系統可以理解、可以檢索、可以匹配的顯性條件。

這里有一個很容易被忽略的物理前提：個性化是要靠供給密度支撐的。

你提三個條件去過濾，過濾完池子里得還有車才行。條件越細，對運力的要求越高，如果平臺規模不夠，需求拆得越細，叫不到車的概率就越大，用戶體驗反而更差。這就是為什么過去很多年，即便平臺知道用戶有這些偏好，也不敢在產品層面開這個口子：一旦承諾了個性化卻交付不了，比不承諾更傷體驗。

根據滴滴剛發布的財報顯示，2025年Q4國內日均將3890萬單，這個數字的實際意義是：當用戶同時提出三四個條件的時候，系統篩完一輪，附近大概率還有車能接單。

這個順序不能反過來，得先有足夠厚的供給池，AI才敢把需求拆細。這也解釋了一件事：大模型的能力已經普及了一兩年，為什么是滴滴先把個性化叫車跑通了？關鍵在模型后面接著的供給網絡足夠厚。

與其說這是一次功能創新，不如說是把技術手段對準了一個積壓多年的真實問題——供給側的能力終于追上了需求側的期待。

02 真正兌現滴滴價值

現在的大模型遍地都是，接一個對話界面做自然語言理解，技術門檻并不高。對任何一個大模型說“我想要一輛不暈車的車”，它都聽得懂；但聽懂是一回事，叫來的車真的不暈就是另一回事。

AI聽懂用戶的需求之后，要把它翻譯成服務標簽“駕駛平穩”；但這四個字貼在一輛車上，背后得有東西撐著。比如，這個司機過去上千單的急剎車頻率、加速減速曲線、乘客評價里關于駕駛體驗的關鍵詞。大模型推理不出這些東西，只有真實的行為數據一單一單攢才攢得出來。

而且，標簽也不能一成不變，司機這個月趕單變激進了，急剎明顯多了，標簽就該往下調；車況變差了，評級也要跟著更新。這就需要一套動態運轉的治理機制，持續驗證、發現偏差就糾偏。

當需求無法被完美滿足時，比如附近同時滿足三個條件的車確實沒有，AI小滴不會假裝什么都行，而是替你做優先級排序，用一個匹配度分數告訴你這輛車能滿足你多少，以候選卡片的方式讓你確認，把選擇權交回給用戶。讓用戶知道自己在做什么取舍，這本身就是一種體驗的升級。

這些能力再往下追一層，滴滴數十億次行程的真實沉淀，包括評價、軌跡、駕駛行為、車況檢測、投訴記錄，這些數據疊在一起，就是平臺判斷一輛車好不好、一個司機穩不穩的底子。這個底子沒有速成法，不能從零開始接一個大模型就指望它知道哪輛車更清新、哪個司機雨天開得更穩，這些判斷力是喂出來的，不是訓出來的。

硬幣的另一面，這套標簽體系對司機來說同樣是一次規則重寫。一個長期被標記為“駕駛平穩”“車內清新”的司機，會被那些明確提出這類偏好的用戶優先命中，訂單的數量和質量都會往上走。這對整個供給端的行為邏輯影響很大，當用心做服務這件事從憑良心變成有好處，好司機的付出會得到更好的回報，成為正向的激勵機制。

供給密度、標簽體系、治理機制和數據底座，過去十幾年它們主要服務于一個目標：怎么更快更便宜地叫到車。AI小滴上線之后，這些積累開始被用來回答一個新的問題：怎么叫到對的車。這意味著滴滴積攢下的同一套基礎設施，多出了一層此前不存在的價值空間。

回過頭來想，如果用戶可以按服務質量選車，而不是只能按價格選車，那就意味著“好服務”終于可以被定價了。好司機從隨機派單的消耗品，變成能獲得更多匹配、更高收入的正向激勵對象，讓價格競爭的權重降下去，價值競爭的權重升上來。

03 結語

過去十年，網約車最成功的事情是把叫車變成了一件確定的事，點一下，車就來了；但車來了之后的體驗，一直是不確定的。AI小滴試圖把確定性往前再推一步：不只是車來了，而是對的車來了。

AI小滴目前的邏輯還是“用戶說清楚，系統去找”，但再往前走一步，當系統積累了足夠多的個人偏好數據之后，它應該能記住你是誰、你上次選了什么、你對哪些條件最敏感。到那個階段，你打開App什么都不用說，系統已經知道該給你匹配什么車了。

這可能是大多數人還沒注意到的變化。大家看到的是“AI叫車，交互升級”，但底下的邏輯是：一個成熟市場的龍頭公司，正在用AI把競爭維度從效率轉向價值。而支撐這個轉向的系統能力，如規模、數據和治理，恰好是它十幾年積累的結果。

聲明：本文僅用于學習和交流，不構成投資建議。