終于來了一個能幫我打車的AI了

　　 作者 ｜ 郭海惟
郵箱 ｜ guohaiwei@pingwest.com

　　現有應用如何與AI結合，算是GPT3.5以來AGI敘事的重要議程之一。

　　我試用過很多加入到垂直場景中的AI工具，卻少有堅持用下來的。這并非產品打磨得不夠好、模型能力不夠強、應用場景需求不夠硬。

　　而是因為，過去基于GUI（圖形用戶界面）的交互效率已經非常高：如果我有清晰意圖，在GUI界面中，大多可以在三次點擊內完成下單動作；如果我沒有，也能通過信息流推薦高效完成決策。

　　強大的GUI只給AI應用留了一條相對窄的縫，適配于用戶相對復雜、非標準化的意圖。比如，在打車這個垂直場景中的AI助手“小滴”。

　　“小滴”可能是我為數不多會在未來堅持使用的AI助手，最簡單的一個原因，便是它能讓我打車不再“開盲盒”。

　　1

　　用 AI 重做人車匹配

　　過去人們習慣于將AGI世界里的出行，簡單想象成：下個命令，無需點擊便能一步到位。

　　但截至目前少有人會這樣使用AI——我們需要檢查定位、確定目的地餐館不重名，再完成支付。

　　基于此，小滴既不是簡單用LUI（語言用戶界面）取代GUI來消滅點擊，反而是給用戶多加入一次點擊：用自然語言交互的方式，前置做車輛的篩選。

　　用戶可以告訴小滴，想要什么類型的車或者司機。

　　也可以告訴小滴，想要出發的時間去做預約。

　　比如，當告訴小滴，我希望司機駕駛平穩，它就會在周圍搜尋符合條件的車，再跳轉一個推薦頁面供我選擇。

　　每個人對車輛的喜好是不同的，有些喜歡清新的車：

　　有些喜歡司機友善，服務周到：

　　甚至指定顏色，比如白色的車：

　　攜帶了行李，希望后備箱寬敞：

　　從測評體驗來看，小滴會把用戶需求轉譯成對應的標簽，這個轉譯是比較精準的，全程使用下來沒出現失誤。

　　不過，我的標簽相對較少，所以截圖匹配的分數都比較高。

　　如果我一次性加入很多標簽，比較難遇到匹配所有標簽的車型，系統就會按分數大小進行排序：

　　比如我在接下來的prompts里給了一堆標簽，其中部分甚至是相互矛盾的——比如，油車和特斯拉。

　　在這個注定不可能達成的需求組合里，小滴會提示我：“以下司機或車輛未滿足全部需求，但距你較近”，再按照匹配分數找到前三名來供我選擇。

　　從實際使用體驗來看，你不能把小滴看作一個“萬能鑰匙”，而是一個在出行領域具備規劃能力的個人管家。

　　它本質是扮演一個“輔助篩選者”的角色，幫你在可用的網約車中做最佳適配選擇。

　　所以小滴的系統天然鼓勵用戶給出你真正在意的標簽，那些不必要的反而會稀釋掉你真正在意的標簽權重，即 “全部都是重點=沒有重點”。

　　所以，標簽越精準，匹配和篩選的效率就會越高。

　　同理，在高峰期或下雨天，在北京本就難打車，使用小滴作用也有限。

　　但小滴的意義在于，它給我的日常出行增添了“驚喜”。這種在O2O生態里的交互“增量”，可以實實在在讓用戶的出行體驗上一個臺階。

　　以本人為例，我其實已經習慣了最便宜的打車選項。

　　拋開專車以上的車型不談，經濟型的消費體驗更像是一種“開盲盒”——

　　我們在下單前，對即將到來的車，除價格以外沒有別的信息，不知道來的是不是清新車、司機態度是否友善、后備箱是否夠大……

　　這是一場信息不對等的博弈。作為消費者，把損失降到最小的選擇可能就是在時間充裕的時候，選擇價格最低的品類。

　　但最近試用小滴，我花同樣的價格享受了“嚴選”的快樂——

　　作為一個“愛暈車人”，通過輸入“駕駛平穩”的標簽，有效避免了因某些司機急停急剎的開車習慣帶來的頓挫感。

　　1

　　用出行串聯生活

　　小滴的出現，幫用戶緩解了出行用車“盲盒”信息的不對稱，反而讓打車體驗多了一點“盲盒”的情緒價值。

　　一方面，輸入需求是一種“調動”期待的過程；另一方面，疊加上個人定制化的需求prompts，讓用戶更大概率打到理想的車。

　　除此之外，小滴還希望能以“打車”為入口，串聯起更多場景——

　　比如，“回憶”。

　　那些你在滴滴上的打車訂單，其實是我們生活中的一部分側寫。打車往往意味著生活的流動——你可能去開會、約會、看病，或者某天趕時間差點遲到。

　　小滴可以幫你回憶過去的很多行程。

　　比如，我可以讓小滴查詢，我“去年在珠海”的行程——時間范圍較大，但小滴還是幫我調取出了具體的時間和目的地，并以表格的形式呈現了出來。

　　同理，我可以問它某個具體行程的大致時間，來回憶起這一行程的具體場景。

　　此外，用戶還可以通過小滴進行行程規劃，減少日常出行的瑣碎。

　　這個功能比較好的打開方式是與“打車”聯動。

　　實測下來，尤其適用于意圖相對明確、但目的地還未確定的場景——

　　比如一些連鎖餐飲品牌，或者三甲醫院、車站、機場、公園這樣帶有功能性的場景。

　　你可以對小滴說：“幫我搜索最近的公園。”確認目的地后，再對小滴說：“幫我叫一輛駕駛平穩的車。”

　　這樣就實現了兩個功能的聯動，同時免去了在地圖上反復比對，再下單打車的頓挫感。

　　大概是為了增強用戶的使用習慣，滴滴還推出了一個聊天拿紅包（逗逗小滴）的功能，有兩個入口可以進。

　　聊天風格顯然是被定制調教過的，注重活潑的對話感，不會發大段文字，而是將對話拆分成不同的聊天氣泡，完成多輪對話，實現更強的沉浸感。

　　至于優惠券，我嘗試幾次后拿到了9折優惠，不過在社交平臺也有看到曬出7折的。

　　在車上無聊可以刷一刷，給下次打車囤一張。不過要記得選“駕駛平穩”的車，刷手機不那么容易暈。

　　1

　　從運輸到抵達

　　前段時間跟一位AI從業者聊，說今天的AI應用可以“粗暴”地分成兩類：

　　一類是改變我生活的——能夠提高生產力，不斷試探人與智能的邊界，本質是在拓展我們作為個體或專業人士的 “能力邊界”，比如編程助手等；

　　另一類是改變我媽生活的——跟生活場景緊密貼近，門檻不太高，學一學就能用，用了就能有實際價值的。

　　小滴顯然就是第二類，能嵌入生活，直接幫使用者獲得服務改善的AI應用。為了降低使用門檻，小滴在使用過程中還給用戶提供了很多模板、常用prompts定制功能等等。

　　據了解，小滴用戶高頻使用的標簽包括車內寬敞、無異味、車齡新、SUV、0投訴、服務態度好、6座、電車、后備箱大、駕駛平穩等。

　　將用戶這些真實又各異的需求，與打車時的運力和路況等綜合起來，篩選出符合條件的車，這種復雜的交互鏈路并非單純依靠一個大模型就能解決。

　　首先要能聽懂用戶需求，再把需求拆解成可執行的標簽，進而完成匹配和呈現，這些要依靠出行平臺精細化的運營積累。

　　相比聚合平臺，滴滴對平臺車輛的標簽識別管理更全面，除了常規的車型、車輛情況之外，也把司機服務、駕駛平穩度、車內是否有異味、是否安靜不打擾等建成可識別和管理的維度，使得服務體系更扎實，被AI調度時，才能更精準。

　　當基礎運力保障實現后，平臺增長與留存的關鍵，已經從“有沒有車”轉向了“乘車體驗好不好”。從前，傳統下拉菜單的篩選是標準而又 “沉默的”，小滴的出現，讓真實的痛點被尊重和看見。

　　作為精細的調控工具，它讓用戶實現了前置溝通，打車不止于把人“高效地”從A點“運輸”到B點，而是“更舒適”地幫助人從A點“抵達”B點。

　　我想，“小滴”能改變的，或許也不只是乘車體驗。隨著更多用戶需求在AI側循環并被精準承接，司機也會發現，好服務有了更清晰的回響。