滴滴在WAIC分享:AI升級出行體驗 好服務連接消費煙火氣

2026年7月18日 19:10
滴滴在WAIC分享:AI升級出行體驗 好服務連接消費煙火氣

重點摘要

2026 世界人工智能大會(WAIC)7 月 17 日在上海開幕,滴滴集團 AI 應用負責人劉佳奇出席「智融萬象,煥新消費——質啟『人工智能+消費』新生態」論壇,並以《AI 重構出行新體驗,驅動服務消費提質增量》為題發表演講,分享滴滴如何運用人工智慧升級打車體驗,同時帶動線下消費活力。 這場論壇由中國互聯網協會主辦、中國信息通信研究院承辦,聚焦人工智能與消費領域的融合發展。劉佳奇在會中指出,出行不僅是單純的位移,更是串聯消費者與線下消費場景的關鍵環節。

站內 AI 整理稿

2026 世界人工智能大會(WAIC)7 月 17 日在上海開幕,滴滴集團 AI 應用負責人劉佳奇出席「智融萬象,煥新消費——質啟『人工智能+消費』新生態」論壇,並以《AI 重構出行新體驗,驅動服務消費提質增量》為題發表演講,分享滴滴如何運用人工智慧升級打車體驗,同時帶動線下消費活力。 這場論壇由中國互聯網協會主辦、中國信息通信研究院承辦,聚焦人工智能與消費領域的融合發展。劉佳奇在會中指出,出行不僅是單純的位移,更是串聯消費者與線下消費場景的關鍵環節。滴滴研究顯示,平台上每 1 元的打車支出,平均能帶動數倍的其他線下消費,例如購物、餐飲、娛樂與旅遊等,凸顯出行服務對實體經濟的催化作用。 然而,長期以來仍有許多乘客的個性化需求未能被精準滿足。滴滴過去推出助老打車、寵物出行、輕享、甄選快車等標準化產品,並持續優化送貨、旅行等場景體驗,但部分用戶模糊、長尾的需求缺乏合適的表達管道與產品匹配機制。劉佳奇認為,AI 的出現為打開個性化服務空間提供了契機。 以實際場景為例,當用戶說出「帶老人去醫院,要方便上下車」,AI 小滴能透過自然語言理解,判斷用戶真正需要的是寬敞車型與平穩駕駛服務;若用戶提到「接產後媽媽回家、東西多」,系統則會自動對應清新的車廂環境、寬敞後排與大空間後備箱。目前小滴已累積超過 90 個服務標籤,涵蓋不同場景的出行需求。甚至當用戶要求「一輛紅色的車」時,AI 也會在顏色偏好與叫車效率之間做出務實權衡。 這背後代表了出行領域的邏輯轉變:從要求用戶適應產品規則,轉向讓產品主動理解用戶需求。AI 將模糊的意圖翻譯成明確的交易指令,再結合滴滴龐大的供給資源與調度能力,使服務從「找到車」升級為「找對車」。劉佳奇強調,這正是「好服務」在 AI 時代的具體體現。 為了進一步提升體驗,滴滴建構了一套個性化打車匹配系統,核心是一套針對司機端的標籤體系,並據此優化派單算法。這套系統一方面滿足乘客多場景、個性化的打車需求,另一方面讓車況佳、服務好的司機獲得更多接單機會,形成乘客滿意度、司機服務質量與出行消費需求的正向循環。技術層面上,小滴採用去中心化多智能體架構,已將核心打車場景的滿意度提升近 10 個百分點。 除了叫車環節的優化,小滴也陸續推出「沿途搜」「多目的地規劃」「周邊推薦」以及「複雜地址上下車點推薦」等功能。用戶在旅途中即可發現沿途的商家服務,一次規劃就能串聯多個消費場景,即使是地址複雜的地點也能更順暢完成上下車。這些看似細微的功能,逐步將城市智慧交通系統與商圈服務生態結合,為用戶構建「出行—生活」一體化的智能服務鏈路。 劉佳奇展望,交易型 Agent 有望成為未來服務消費的新基礎設施,過去被視為奢侈的個性化需求將逐漸走向普惠。滴滴正與主管部門及 AI 產業夥伴合作,推動行業可信標準的建立,確保 AI 出行服務健康發展,也為服務消費的提質增量注入持續動力。

Related

相關文章

MarkTechPost AI研究與前沿

Sakana AI 提出錯誤擴散法,無需反向傳播即可訓練符合戴爾原則的雙流網絡,MNIST 達 96.7%、CIFAR-10 達 61.7%

反向傳播主導深度學習,但其機制可能並非大腦所用——尤其是反向傳播需使用前向權重矩陣的精確轉置,這便是權重傳輸問題。Sakana AI 的新論文《Diffusing Blame》直接挑戰此限制,研究團隊訓練出既遵守戴爾原則、又完全避免權重傳輸的網絡。什麼是錯誤擴散?錯誤擴散(ED)是一種局部學習規則,最早由 Kaneko(2000)提出。每個權重更新僅依賴三個訊號:突觸前活動、突觸後激活導數,以及單一全局錯誤符號。因此,ED 從不傳輸轉置的前向權重,也無需使用隨機反饋矩陣。這種局部性使 ED 自然相容於戴爾原則。

6 小時前
何夕2077研究與前沿

世界模型轉向遊戲狀態

這篇論文重新審視互動世界模型,將生成模型視為潛在的次世代遊戲引擎,並從玩家動作控制、遊戲狀態動態、狀態觀測持續性與即時互動生成四個維度進行分析。研究團隊還為《黑神話:悟空》打造了一個超過90小時的遊戲數據引擎,內含對齊的玩家動作、真實遊戲狀態與視覺觀測,以支援具狀態感知的遊戲世界建模。

13 小時前

AI到底是「想錯了」還是「判錯了」?OpenDriveLab 陳立的組合式世界模型讓策略自我糾偏 | RSS 2026

OpenDriveLab 陳立在 RSS 2026 提出組合式世界模型,將預測與價值評估功能徹底拆開,解決具身智能中「想錯」與「判錯」難以區分的黑盒幻覺問題。該方法透過四項系統性工作,從自動駕駛安全模擬到機器人策略自我改進,讓 AI 能在虛擬空間中犯錯並安全修正,同時保留決策過程的可檢查性。

1 天前
何夕2077研究與前沿

科學家成功重釋世界模型

科學家成功重釋世界模型 人工智慧領域長期以來追尋能像人類一樣推測未來、理解因果關係的「世界模型」,其中聯合嵌入預測架構(JEPA)被視為實現潛在世界模型的主流技術路線。然而,JEPA 的訓練目標大多依靠實驗表現來調整,缺乏統一的理論基礎。近日,一支研究團隊在預印本平台 arXiv 發表論文,從活性推論(Active Inference)的角度為 JEPA 世界模型提供了嚴謹的變分自由能解釋,並指出一項名為 SIGReg 的正則化機制能讓模型趨近理論最佳解。

1 天前