千問的AI辦事能力，正從“能做”邁向“可靠地做”。

打車時，你是否遇到過這些情況？

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

這些瑣碎卻真實的痛點，反映出一個問題：如今的數(shù)字服務，依舊是讓人適應機器，而非機器適應人。

這時你可能會想：AI這么強大，啥時候能把打車的事搞定？

過去一年，“AI幫人干活”成了行業(yè)熱詞。寫周報、做PPT、自動生成營銷文案……大模型已能處理不少腦力勞動。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承擔起這份責任。

在數(shù)字世界里，AI犯錯成本幾乎為零，查錯資料、寫錯文本能隨時改正；可在物理世界中，AI稍有“幻覺”，浪費的就是普通人不可逆的行程、金錢，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)，不敢踏入需要強履約的真實服務場景。

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

01. 為何“AI打車”是塊試金石？

3月23日，千問上線AI打車功能，用戶只需自然說出需求，比如“打車去朝陽公園，20塊錢以內(nèi)，不要拼車，要新車”，剩下的就全由AI處理——無需切屏、勾選、反復確認。

這看似只是交互方式的簡化，實則是從“信息層”到“行動層”的躍遷：AI不再只是聽你說，而是要確保事情真的辦成。

打車，恰好是檢驗AI能否進入物理世界的理想試驗場：高頻、低容錯、強履約、強損耗感知。用戶全程高度關(guān)注——有沒有人接單？路線合理嗎？司機會不會遲到？任何一環(huán)出錯，都會直接轉(zhuǎn)化為負面體驗。

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

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

假設一次AI打車指令涉及語音識別、意圖理解、空間推理、路線規(guī)劃、運力調(diào)度五個關(guān)鍵步驟，即便每個步驟成功率高達95%，遠超主流AI生成服務的用戶滿意度，可由于這些步驟需依次完成，任何一個環(huán)節(jié)失誤都會導致整體失敗，最終成功率可能僅77%。

要是再疊加現(xiàn)實路況、運力波動等因素，整個流程可能涉及十多個強依賴的串聯(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：只要語義理解產(chǎn)生“幻覺”，無論后端調(diào)度算力多強大，整個服務都會瞬間崩潰。

在這樣強履約、在地實時的服務中，被放鴿子的乘客不會認為這是概率問題，只會覺得“這AI真笨，浪費了更多時間”，然后憤怒投訴。

其實，千問對“AI辦事”的探索并非始于打車。

今年春節(jié)期間，千問通過“春節(jié)請客”計劃，首次讓大模型走出對話框——用戶只需一句話，就能完成點外賣、訂酒店、買電影票等真實世界的動作。這是AI第一次系統(tǒng)性介入線下履約場景，驗證了“語言即服務”的可能性。

而3月底上線的“AI打車”，是這一路徑的進一步深化。如果說春節(jié)時的嘗試還停留在“下單”層面，打車則意味著AI必須實時應對動態(tài)環(huán)境：車型匹配、價格約束、路線變化、運力波動……每一個變量都不可預設，每一次決策都關(guān)乎即時體驗。

這標志著千問的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、影院之間的行動代理。

尤為關(guān)鍵的是，千問接入的不是簡單功能，而是一套完整的“打車Skill”——能精準理解“6個人要商務車”“中途接人需加途經(jīng)點”等復雜指令，支持地點記憶、時間預約，并將逐步引入主動服務，如根據(jù)天氣或路況提前優(yōu)化行程。

這不僅是功能升級，更是對出行交互范式的重構(gòu)，也是對傳統(tǒng)打車App的深層挑戰(zhàn)。過去，用戶必須在層層菜單中點選車型、輸入地址、手動加途經(jīng)點，無法表達“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)字服務之外。

而AI助手+Skill模式，讓用戶用自然語言說出需求即可，AI自動理解、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對象。

一旦核心出行場景被AI助手承接，喚出打車軟件就不再是剛需。正如Claude上線設計Skill后Adobe、Figma股價大跌所預示的：當通用AI能直接完成垂直任務，單一工具型App的價值將被根本稀釋。

更重要的是，千問的Skills可跨域協(xié)同。打車Skill與訂酒店、外賣、門票等能力聯(lián)動，一句“幫我安排周末去杭州玩”，就能自動完成酒店預訂、打車前往、推薦本地菜、預約游船等一連串動作——多個智能體后臺協(xié)作，真正實現(xiàn)“語言即行動，需求即閉環(huán)”。

02. 為何硅谷做不出“一句話打車”？

表面上看，AI打車似乎只是把語音指令對接到出行平臺API——以硅谷的技術(shù)儲備，這不該是難題。但現(xiàn)實遠比想象復雜：真正的障礙不在接口，而在責任歸屬與系統(tǒng)閉環(huán)。

OpenAI、Anthropic、Google DeepMind等公司，確實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）和記憶機制的智能體原型。但當這些AI嘗試介入像打車這樣的物理服務時，立刻會撞上三重“玻璃墻”：

第一重：履約鏈條太長，容錯率太低

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、價格預估、司機調(diào)度、行程跟蹤到異常處理的完整鏈路。任何一個環(huán)節(jié)出錯——比如把“不要出租車”誤解為“要出租車”，或把“朝陽大悅城”識別成“朝陽公園”——都會導致整個服務崩塌。

而硅谷主流AI產(chǎn)品的設計邏輯，仍建立在“概率輸出+人工兜底”的范式上：ChatGPT可以說“我可能答錯，請核實”；但AI打車不能說“我可能派錯車，請諒解”。

第二重：平臺與AI之間存在天然的信任斷層

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

對Uber而言，這意味著：一旦AI誤判導致大量無效訂單、司機空駛或用戶投訴，誰來承擔成本？是AI公司賠錢？還是平臺自認倒霉？目前尚無成熟的商業(yè)機制能解決這類“責任切割”問題。

相比之下，傳統(tǒng)App交互中，用戶自己點錯車型、輸錯地址，責任清晰歸于個人；而一旦引入AI代理，責任邊界就變得模糊——而這正是平臺最不愿觸碰的灰色地帶。

第三重：缺乏“端到端可控”的基礎設施

硅谷的AI公司擅長做通用模型，但普遍缺乏對線下服務網(wǎng)絡的掌控力。Google以地圖為核心聚合第三方出行服務，并通過Waymo試水自營無人駕駛打車；Apple擁有強大生態(tài)卻始終未構(gòu)建本地生活服務入口；Meta則更聚焦社交與線上電商，遠離本地生活交易閉環(huán)。

這意味著，即使它們能做出一個“看起來能打車”的Demo，也無法保證在全國范圍內(nèi)、在早晚高峰、在雨雪天氣下穩(wěn)定交付一致體驗。AI打車不是功能演示，而是基礎設施級的服務——它需要實時感知運力、動態(tài)調(diào)整策略、快速響應異常，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)，無法靠臨時調(diào)用幾個API拼湊而成。

千問選擇切入打車，并非因為它更容易，恰恰是因為它足夠難——難到能逼出AI真正的能力邊界：不是“會不會說”，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殘酷現(xiàn)實：當AI從信息世界走向行動世界，光有聰明遠遠不夠，還需要勇氣、耐心，以及對真實生活復雜性的尊重。

03. 讓AI學會“責任”，比聰明更難

過去幾年，我們評價一個AI好不好，標準很單一：它能不能寫出流暢的文案？能不能畫出驚艷的圖？能不能在考試中超過人類？

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

但當AI開始介入真實世界的服務——比如打車、訂餐、點外賣——游戲規(guī)則就變了。

在這里，一次錯誤不是“bad output”，而是“real loss”：用戶可能錯過航班、孩子沒人接、老人在路邊淋雨。這時候，用戶要的不是一個“高智商助手”，而是一個“靠得住的辦事人”。

這正是當前大模型與真正可用的AI Agent之間的鴻溝：前者擅長生成，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，而是對氣味、清潔度、車型的綜合期待）；

它要在信息不全時主動追問或推理（六口之家打車，默認排除5座車）；

它要在系統(tǒng)異常時快速兜底（司機取消訂單后，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)果負責——哪怕中間環(huán)節(jié)由多個系統(tǒng)協(xié)作完成。

這種“責任意識”，無法通過微調(diào)模型或增加token長度獲得。它需要一套全新的產(chǎn)品架構(gòu)：

意圖引擎：不只是解析語句，而是建模用戶的生活場景與潛在約束；

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

信任機制：當AI犯錯時，有明確的歸因路徑和修復策略，而不是一句“我盡力了”。

換句話說，真正的AI責任，不是道德口號，而是工程承諾。

千問在“AI打車”中嘗試構(gòu)建的，就是這樣一種“負責任的智能”：

當你說“20塊錢以內(nèi)”，它不會為了提高成功率而悄悄放寬預算；

當你說“不要出租車”，它不會因為運力緊張就偷偷派一輛；

老人不會操作手機，它支持用幾句話的交互來完成打車的任務。

這種設計哲學的背后，是一種更深層的認知轉(zhuǎn)變：

AI的價值，不在于它多像人，而在于它能否“擔責”。

這很難。因為責任意味著限制——不能為了炫技而過度承諾，不能為了效率而犧牲確定性，不能把用戶當作A/B測試的樣本。

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，都不是因為它最先進，而是因為它最可靠。

電燈取代油燈，不是因為更亮，而是因為更安全；智能手機普及，不是因為功能多，而是因為“所見即所得”的直覺交互。

今天，AI要走進千家萬戶，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，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請在文中注明來源及作者名字。

免責聲明：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，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com