千問(wèn)的AI辦事能力，正從“能做”邁向“可靠地做”。

打車時(shí)，你是否遇到過(guò)這些情況？

到目的地前想加途經(jīng)點(diǎn)，只能上車后告知司機(jī)；一家六口出行，得仔細(xì)選車型還得考慮后備廂大??；老人接送孩子不會(huì)用打車軟件，需家人代叫，車快到時(shí)再打電話提醒下樓……

這些瑣碎卻真實(shí)的痛點(diǎn)，反映出一個(gè)問(wèn)題：如今的數(shù)字服務(wù)，依舊是讓人適應(yīng)機(jī)器，而非機(jī)器適應(yīng)人。

這時(shí)你可能會(huì)想：AI這么強(qiáng)大，啥時(shí)候能把打車的事搞定？

過(guò)去一年，“AI幫人干活”成了行業(yè)熱詞。寫(xiě)周報(bào)、做PPT、自動(dòng)生成營(yíng)銷文案……大模型已能處理不少腦力勞動(dòng)。但想讓它幫忙打車，它卻“沉默”了。

不是技術(shù)不行，而是很難讓AI承擔(dān)起這份責(zé)任。

在數(shù)字世界里，AI犯錯(cuò)成本幾乎為零，查錯(cuò)資料、寫(xiě)錯(cuò)文本能隨時(shí)改正；可在物理世界中，AI稍有“幻覺(jué)”，浪費(fèi)的就是普通人不可逆的行程、金錢(qián)，甚至安全。

正因如此，多數(shù)AI選擇待在“建議”“輔助”“生成”的安全區(qū)，不敢踏入需要強(qiáng)履約的真實(shí)服務(wù)場(chǎng)景。

這背后，是當(dāng)前大模型與智能體（Agent）的最大軟肋：它們擅長(zhǎng)完成任務(wù)，卻缺乏“履約意識(shí)”——像普通人一樣理解后果、承擔(dān)責(zé)任、閉環(huán)交付。

01. 為何“AI打車”是塊試金石？

3月23日，千問(wèn)上線AI打車功能，用戶只需自然說(shuō)出需求，比如“打車去朝陽(yáng)公園，20塊錢(qián)以內(nèi)，不要拼車，要新車”，剩下的就全由AI處理——無(wú)需切屏、勾選、反復(fù)確認(rèn)。

這看似只是交互方式的簡(jiǎn)化，實(shí)則是從“信息層”到“行動(dòng)層”的躍遷：AI不再只是聽(tīng)你說(shuō)，而是要確保事情真的辦成。

打車，恰好是檢驗(yàn)AI能否進(jìn)入物理世界的理想試驗(yàn)場(chǎng)：高頻、低容錯(cuò)、強(qiáng)履約、強(qiáng)損耗感知。用戶全程高度關(guān)注——有沒(méi)有人接單？路線合理嗎？司機(jī)會(huì)不會(huì)遲到？任何一環(huán)出錯(cuò)，都會(huì)直接轉(zhuǎn)化為負(fù)面體驗(yàn)。

更關(guān)鍵的是，這類服務(wù)的成功不靠單一模塊的準(zhǔn)確率，而是多個(gè)環(huán)節(jié)的串聯(lián)可靠性。

從工程角度看，數(shù)字應(yīng)用開(kāi)發(fā)中增加流程是做加法，但在物理世界的實(shí)際履約中，結(jié)果取決于各環(huán)節(jié)的環(huán)環(huán)相扣。

假設(shè)一次AI打車指令涉及語(yǔ)音識(shí)別、意圖理解、空間推理、路線規(guī)劃、運(yùn)力調(diào)度五個(gè)關(guān)鍵步驟，即便每個(gè)步驟成功率高達(dá)95%，遠(yuǎn)超主流AI生成服務(wù)的用戶滿意度，可由于這些步驟需依次完成，任何一個(gè)環(huán)節(jié)失誤都會(huì)導(dǎo)致整體失敗，最終成功率可能僅77%。

要是再疊加現(xiàn)實(shí)路況、運(yùn)力波動(dòng)等因素，整個(gè)流程可能涉及十多個(gè)強(qiáng)依賴的串聯(lián)步驟，成功率甚至可能跌破60%。更關(guān)鍵的是，前置步驟有“一票否決”作用：只要語(yǔ)義理解產(chǎn)生“幻覺(jué)”，無(wú)論后端調(diào)度算力多強(qiáng)大，整個(gè)服務(wù)都會(huì)瞬間崩潰。

在這樣強(qiáng)履約、在地實(shí)時(shí)的服務(wù)中，被放鴿子的乘客不會(huì)認(rèn)為這是概率問(wèn)題，只會(huì)覺(jué)得“這AI真笨，浪費(fèi)了更多時(shí)間”，然后憤怒投訴。

其實(shí)，千問(wèn)對(duì)“AI辦事”的探索并非始于打車。

今年春節(jié)期間，千問(wèn)通過(guò)“春節(jié)請(qǐng)客”計(jì)劃，首次讓大模型走出對(duì)話框——用戶只需一句話，就能完成點(diǎn)外賣(mài)、訂酒店、買(mǎi)電影票等真實(shí)世界的動(dòng)作。這是AI第一次系統(tǒng)性介入線下履約場(chǎng)景，驗(yàn)證了“語(yǔ)言即服務(wù)”的可能性。

而3月底上線的“AI打車”，是這一路徑的進(jìn)一步深化。如果說(shuō)春節(jié)時(shí)的嘗試還停留在“下單”層面，打車則意味著AI必須實(shí)時(shí)應(yīng)對(duì)動(dòng)態(tài)環(huán)境：車型匹配、價(jià)格約束、路線變化、運(yùn)力波動(dòng)……每一個(gè)變量都不可預(yù)設(shè)，每一次決策都關(guān)乎即時(shí)體驗(yàn)。

這標(biāo)志著千問(wèn)的AI辦事能力，正從“能做”邁向“可靠地做”，從“數(shù)字閉環(huán)”走向“物理閉環(huán)”。AI不再只是屏幕里的聰明助手，而是真正穿梭在馬路、餐廳、影院之間的行動(dòng)代理。

尤為關(guān)鍵的是，千問(wèn)接入的不是簡(jiǎn)單功能，而是一套完整的“打車Skill”——能精準(zhǔn)理解“6個(gè)人要商務(wù)車”“中途接人需加途經(jīng)點(diǎn)”等復(fù)雜指令，支持地點(diǎn)記憶、時(shí)間預(yù)約，并將逐步引入主動(dòng)服務(wù)，如根據(jù)天氣或路況提前優(yōu)化行程。

這不僅是功能升級(jí)，更是對(duì)出行交互范式的重構(gòu)，也是對(duì)傳統(tǒng)打車App的深層挑戰(zhàn)。過(guò)去，用戶必須在層層菜單中點(diǎn)選車型、輸入地址、手動(dòng)加途經(jīng)點(diǎn)，無(wú)法表達(dá)“去市區(qū)最近很火的郁金香打卡地”這類模糊需求，更讓老人、視障者等群體被擋在數(shù)字服務(wù)之外。

而AI助手+Skill模式，讓用戶用自然語(yǔ)言說(shuō)出需求即可，AI自動(dòng)理解、拆解并執(zhí)行。這不僅釋放了被壓抑的潛在需求，也讓被數(shù)字鴻溝隔絕的人重新成為服務(wù)對(duì)象。

一旦核心出行場(chǎng)景被AI助手承接，喚出打車軟件就不再是剛需。正如Claude上線設(shè)計(jì)Skill后Adobe、Figma股價(jià)大跌所預(yù)示的：當(dāng)通用AI能直接完成垂直任務(wù)，單一工具型App的價(jià)值將被根本稀釋。

更重要的是，千問(wèn)的Skills可跨域協(xié)同。打車Skill與訂酒店、外賣(mài)、門(mén)票等能力聯(lián)動(dòng)，一句“幫我安排周末去杭州玩”，就能自動(dòng)完成酒店預(yù)訂、打車前往、推薦本地菜、預(yù)約游船等一連串動(dòng)作——多個(gè)智能體后臺(tái)協(xié)作，真正實(shí)現(xiàn)“語(yǔ)言即行動(dòng)，需求即閉環(huán)”。

02. 為何硅谷做不出“一句話打車”？

表面上看，AI打車似乎只是把語(yǔ)音指令對(duì)接到出行平臺(tái)API——以硅谷的技術(shù)儲(chǔ)備，這不該是難題。但現(xiàn)實(shí)遠(yuǎn)比想象復(fù)雜：真正的障礙不在接口，而在責(zé)任歸屬與系統(tǒng)閉環(huán)。

OpenAI、Anthropic、Google DeepMind等公司，確實(shí)擁有全球頂尖的大模型能力，甚至已推出具備工具調(diào)用（function calling）和記憶機(jī)制的智能體原型。但當(dāng)這些AI嘗試介入像打車這樣的物理服務(wù)時(shí)，立刻會(huì)撞上三重“玻璃墻”：

第一重：履約鏈條太長(zhǎng)，容錯(cuò)率太低

打車不是發(fā)一條消息或生成一張圖。它涉及從用戶意圖解析、地理位置理解、車型匹配、價(jià)格預(yù)估、司機(jī)調(diào)度、行程跟蹤到異常處理的完整鏈路。任何一個(gè)環(huán)節(jié)出錯(cuò)——比如把“不要出租車”誤解為“要出租車”，或把“朝陽(yáng)大悅城”識(shí)別成“朝陽(yáng)公園”——都會(huì)導(dǎo)致整個(gè)服務(wù)崩塌。

而硅谷主流AI產(chǎn)品的設(shè)計(jì)邏輯，仍建立在“概率輸出+人工兜底”的范式上：ChatGPT可以說(shuō)“我可能答錯(cuò)，請(qǐng)核實(shí)”；但AI打車不能說(shuō)“我可能派錯(cuò)車，請(qǐng)諒解”。

第二重：平臺(tái)與AI之間存在天然的信任斷層

即便OpenAI想和Uber合作，雙方也很難達(dá)成深度耦合。Uber的核心資產(chǎn)是運(yùn)力網(wǎng)絡(luò)和調(diào)度算法，任何外部AI若要直接干預(yù)派單邏輯，就必須獲得極高權(quán)限——這相當(dāng)于讓一個(gè)“黑盒模型”操控其核心業(yè)務(wù)流。

對(duì)Uber而言，這意味著：一旦AI誤判導(dǎo)致大量無(wú)效訂單、司機(jī)空駛或用戶投訴，誰(shuí)來(lái)承擔(dān)成本？是AI公司賠錢(qián)？還是平臺(tái)自認(rèn)倒霉？目前尚無(wú)成熟的商業(yè)機(jī)制能解決這類“責(zé)任切割”問(wèn)題。

相比之下，傳統(tǒng)App交互中，用戶自己點(diǎn)錯(cuò)車型、輸錯(cuò)地址，責(zé)任清晰歸于個(gè)人；而一旦引入AI代理，責(zé)任邊界就變得模糊——而這正是平臺(tái)最不愿觸碰的灰色地帶。

第三重：缺乏“端到端可控”的基礎(chǔ)設(shè)施

硅谷的AI公司擅長(zhǎng)做通用模型，但普遍缺乏對(duì)線下服務(wù)網(wǎng)絡(luò)的掌控力。Google以地圖為核心聚合第三方出行服務(wù)，并通過(guò)Waymo試水自營(yíng)無(wú)人駕駛打車；Apple擁有強(qiáng)大生態(tài)卻始終未構(gòu)建本地生活服務(wù)入口；Meta則更聚焦社交與線上電商，遠(yuǎn)離本地生活交易閉環(huán)。

這意味著，即使它們能做出一個(gè)“看起來(lái)能打車”的Demo，也無(wú)法保證在全國(guó)范圍內(nèi)、在早晚高峰、在雨雪天氣下穩(wěn)定交付一致體驗(yàn)。AI打車不是功能演示，而是基礎(chǔ)設(shè)施級(jí)的服務(wù)——它需要實(shí)時(shí)感知運(yùn)力、動(dòng)態(tài)調(diào)整策略、快速響應(yīng)異常，背后是一整套融合感知、決策與執(zhí)行的工程系統(tǒng)。

而這類系統(tǒng)，無(wú)法靠臨時(shí)調(diào)用幾個(gè)API拼湊而成。

千問(wèn)選擇切入打車，并非因?yàn)樗菀祝∏∈且驗(yàn)樗銐螂y——難到能逼出AI真正的能力邊界：不是“會(huì)不會(huì)說(shuō)”，而是“能不能辦成事”。

而硅谷的遲疑，某種程度上也揭示了一個(gè)殘酷現(xiàn)實(shí)：當(dāng)AI從信息世界走向行動(dòng)世界，光有聰明遠(yuǎn)遠(yuǎn)不夠，還需要勇氣、耐心，以及對(duì)真實(shí)生活復(fù)雜性的尊重。

03. 讓AI學(xué)會(huì)“責(zé)任”，比聰明更難

過(guò)去幾年，我們?cè)u(píng)價(jià)一個(gè)AI好不好，標(biāo)準(zhǔn)很單一：它能不能寫(xiě)出流暢的文案？能不能畫(huà)出驚艷的圖？能不能在考試中超過(guò)人類？

這些能力固然重要，但它們都發(fā)生在可逆、低成本、無(wú)后果的數(shù)字空間里。錯(cuò)了可以重來(lái)，不好可以刪掉——AI始終站在安全區(qū)里表演聰明。

但當(dāng)AI開(kāi)始介入真實(shí)世界的服務(wù)——比如打車、訂餐、點(diǎn)外賣(mài)——游戲規(guī)則就變了。

在這里，一次錯(cuò)誤不是“bad output”，而是“real loss”：用戶可能錯(cuò)過(guò)航班、孩子沒(méi)人接、老人在路邊淋雨。這時(shí)候，用戶要的不是一個(gè)“高智商助手”，而是一個(gè)“靠得住的辦事人”。

這正是當(dāng)前大模型與真正可用的AI Agent之間的鴻溝：前者擅長(zhǎng)生成，后者必須履約。

履約意味著什么？

它要能理解模糊指令背后的確定需求（“清新車”不只是字面意思，而是對(duì)氣味、清潔度、車型的綜合期待）；

它要在信息不全時(shí)主動(dòng)追問(wèn)或推理（六口之家打車，默認(rèn)排除5座車）；

它要在系統(tǒng)異常時(shí)快速兜底（司機(jī)取消訂單后，30秒內(nèi)重新調(diào)度并通知用戶）；

最重要的是，它要為最終結(jié)果負(fù)責(zé)——哪怕中間環(huán)節(jié)由多個(gè)系統(tǒng)協(xié)作完成。

這種“責(zé)任意識(shí)”，無(wú)法通過(guò)微調(diào)模型或增加token長(zhǎng)度獲得。它需要一套全新的產(chǎn)品架構(gòu)：

意圖引擎：不只是解析語(yǔ)句，而是建模用戶的生活場(chǎng)景與潛在約束；

執(zhí)行閉環(huán)：從指令發(fā)出到服務(wù)完成，全程可追蹤、可干預(yù)、可補(bǔ)償；

信任機(jī)制：當(dāng)AI犯錯(cuò)時(shí)，有明確的歸因路徑和修復(fù)策略，而不是一句“我盡力了”。

換句話說(shuō)，真正的AI責(zé)任，不是道德口號(hào)，而是工程承諾。

千問(wèn)在“AI打車”中嘗試構(gòu)建的，就是這樣一種“負(fù)責(zé)任的智能”：

當(dāng)你說(shuō)“20塊錢(qián)以內(nèi)”，它不會(huì)為了提高成功率而悄悄放寬預(yù)算；

當(dāng)你說(shuō)“不要出租車”，它不會(huì)因?yàn)檫\(yùn)力緊張就偷偷派一輛；

老人不會(huì)操作手機(jī)，它支持用幾句話的交互來(lái)完成打車的任務(wù)。

這種設(shè)計(jì)哲學(xué)的背后，是一種更深層的認(rèn)知轉(zhuǎn)變：

AI的價(jià)值，不在于它多像人，而在于它能否“擔(dān)責(zé)”。

這很難。因?yàn)樨?zé)任意味著限制——不能為了炫技而過(guò)度承諾，不能為了效率而犧牲確定性，不能把用戶當(dāng)作A/B測(cè)試的樣本。

但也正因如此，它才值得被信任。

歷史上，每一次技術(shù)真正融入生活，都不是因?yàn)樗钕冗M(jìn)，而是因?yàn)樗羁煽俊?/p>

電燈取代油燈，不是因?yàn)楦?，而是因?yàn)楦踩恢悄苁謾C(jī)普及，不是因?yàn)楣δ芏啵且驗(yàn)椤八?jiàn)即所得”的直覺(jué)交互。

今天，AI要走進(jìn)千家萬(wàn)戶，同樣需要跨越從“聰明”到“可靠”的最后一公里。

而打車，或許就是那塊最關(guān)鍵的試金石。

本文僅代表作者觀點(diǎn)，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請(qǐng)?jiān)谖闹凶⒚鱽?lái)源及作者名字。

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請(qǐng)及時(shí)與我們聯(lián)系進(jìn)行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com