上周去医院办事，去的时候叫了辆车，车新、空调舒服、司机开得又稳又快，到地方的时候心情都好了几分。办完事往回走，又叫了一辆，价格差不多，但一开门就有股说不清的味道，司机还一直大声打电话。两单之间隔了不到两小时，花的钱却几乎一样。

每个高频打车的人都经历过这种盲盒式的体验——问题不在于差的太差，在于好的太好，体验过就回不去了。但你拿这种落差毫无办法，因为平台从来没有给过你一个按钮、一个筛选项或是任何一种机制，让你把“上次那种车”再叫一次，这类需求很明确，出口不存在。

这种经历不是个例，往深了看，是行业十几年发展留下的结构性问题。最近十几年时间，国内的网约车平台都在聚焦如何把供给做大，从几万辆扩到几百万辆，日均订单将近4000万，覆盖了从乡村到一线几乎所有的出行场景；可副产品是出行质量的方差也被同步拉大，而平台的调度逻辑始终是离你最近或者价格最优的那辆。

而用户脑子里那些效率之外的考量，“车里别有味道”或是“后备厢放得下大箱子”，在叫车界面上没有对应的选项。虽然滴滴近年来在持续推出个性化服务，比如宠物、助老、女性友好等细分产品，和轻享、甄选快车等好服务品类，但这种标准化产品的扩展，终究是有限度的，很多个人偏好仍然无法充分收集和满足。

说到底，这可能是目前服务消费场景最重要的趋势之一：实惠快捷的服务已经不够了，大家还想要更精准、更确定的服务。

3月17日正式上线的AI小滴V1.0版本，是滴滴对这个趋势的一次系统性回应：让用户用自然语言说出想要什么样的车，系统去匹配、去兑现。听起来简单，但从说清楚到坐上对的车，中间隔着的东西比一个大模型要重得多。

01 需求不是新的，入口才是

如今用户对打车体验的偏好是怎么来的？这些偏好并非天生，而是被教育出来的。

你第一次坐到一辆车内清新、驾驶平稳的快车之前，你对这些事没概念，觉得打车就那样；但坐过一次之后，你对“好”有了具体的体感标准，这个标准再也退不回去。下一次再坐到一辆有异味的、急刹急停的车，你的不满就有了具体来源，是有更好参照系之后的落差反应。

这种教育完全是随机发生的——平台并没有刻意去做，用户被动地在好坏之间反复切换，偏好就自然来了。

需求分层是体验方差的产物，在同一个价位、同一个品类里，体验的随机性本身就是最大的痛点。用户的诉求很朴素，在同样的价格下，起码不要每次都靠赌。

理解了这一层，再看AI小滴做的事情就清楚了。它本质上是给这些长期存在但无处安放的需求开了一个入口，而且这个入口改变的不只是交互方式，还是整个用车流程的起点。

过去，这个过程是固定的：先输目的地，选车型，看价格，下单，然后等着系统分配一辆车给你，和平台之间的对话本质上只有一句“我要从A到B”，剩下的全部由平台决定；现在反过来了，你先说你要什么样的出行体验，系统再去找谁能满足。

用户可以用自然语言说出需求，语音或者文字都行，“带老人去机场，行李多，别晕车”这样一句话就够了。系统在后台做的事情是把这句话拆解成可执行的服务标签，如“空间大”“后备厢大”“驾驶平稳”，然后拿着这些标签去供给池里做多条件过滤，筛出来的候选车辆以卡片形式推给你确认。

目前，AI小滴已经覆盖了90多个服务标签，把过去只存在于用户脑子里的隐性偏好，变成了系统可以理解、可以检索、可以匹配的显性条件。

这里有一个很容易被忽略的物理前提：个性化是要靠供给密度支撑的。

你提三个条件去过滤，过滤完池子里得还有车才行。条件越细，对运力的要求越高，如果平台规模不够，需求拆得越细，叫不到车的概率就越大，用户体验反而更差。这就是为什么过去很多年，即便平台知道用户有这些偏好，也不敢在产品层面开这个口子：一旦承诺了个性化却交付不了，比不承诺更伤体验。

根据滴滴刚发布的财报显示，2025年Q4国内日均将3890万单，这个数字的实际意义是：当用户同时提出三四个条件的时候，系统筛完一轮，附近大概率还有车能接单。

这个顺序不能反过来，得先有足够厚的供给池，AI才敢把需求拆细。这也解释了一件事：大模型的能力已经普及了一两年，为什么是滴滴先把个性化叫车跑通了？关键在模型后面接着的供给网络足够厚。

与其说这是一次功能创新，不如说是把技术手段对准了一个积压多年的真实问题——供给侧的能力终于追上了需求侧的期待。

02 真正兑现滴滴价值

现在的大模型遍地都是，接一个对话界面做自然语言理解，技术门槛并不高。对任何一个大模型说“我想要一辆不晕车的车”，它都听得懂；但听懂是一回事，叫来的车真的不晕就是另一回事。

AI听懂用户的需求之后，要把它翻译成服务标签“驾驶平稳”；但这四个字贴在一辆车上，背后得有东西撑着。比如，这个司机过去上千单的急刹车频率、加速减速曲线、乘客评价里关于驾驶体验的关键词。大模型推理不出这些东西，只有真实的行为数据一单一单攒才攒得出来。

而且，标签也不能一成不变，司机这个月赶单变激进了，急刹明显多了，标签就该往下调；车况变差了，评级也要跟着更新。这就需要一套动态运转的治理机制，持续验证、发现偏差就纠偏。

当需求无法被完美满足时，比如附近同时满足三个条件的车确实没有，AI小滴不会假装什么都行，而是替你做优先级排序，用一个匹配度分数告诉你这辆车能满足你多少，以候选卡片的方式让你确认，把选择权交回给用户。让用户知道自己在做什么取舍，这本身就是一种体验的升级。

这些能力再往下追一层，滴滴数十亿次行程的真实沉淀，包括评价、轨迹、驾驶行为、车况检测、投诉记录，这些数据叠在一起，就是平台判断一辆车好不好、一个司机稳不稳的底子。这个底子没有速成法，不能从零开始接一个大模型就指望它知道哪辆车更清新、哪个司机雨天开得更稳，这些判断力是喂出来的，不是训出来的。

硬币的另一面，这套标签体系对司机来说同样是一次规则重写。一个长期被标记为“驾驶平稳”“车内清新”的司机，会被那些明确提出这类偏好的用户优先命中，订单的数量和质量都会往上走。这对整个供给端的行为逻辑影响很大，当用心做服务这件事从凭良心变成有好处，好司机的付出会得到更好的回报，成为正向的激励机制。

供给密度、标签体系、治理机制和数据底座，过去十几年它们主要服务于一个目标：怎么更快更便宜地叫到车。AI小滴上线之后，这些积累开始被用来回答一个新的问题：怎么叫到对的车。这意味着滴滴积攒下的同一套基础设施，多出了一层此前不存在的价值空间。

回过头来想，如果用户可以按服务质量选车，而不是只能按价格选车，那就意味着“好服务”终于可以被定价了。好司机从随机派单的消耗品，变成能获得更多匹配、更高收入的正向激励对象，让价格竞争的权重降下去，价值竞争的权重升上来。

03 结语

过去十年，网约车最成功的事情是把叫车变成了一件确定的事，点一下，车就来了；但车来了之后的体验，一直是不确定的。AI小滴试图把确定性往前再推一步：不只是车来了，而是对的车来了。

AI小滴目前的逻辑还是“用户说清楚，系统去找”，但再往前走一步，当系统积累了足够多的个人偏好数据之后，它应该能记住你是谁、你上次选了什么、你对哪些条件最敏感。到那个阶段，你打开App什么都不用说，系统已经知道该给你匹配什么车了。

这可能是大多数人还没注意到的变化。大家看到的是“AI叫车，交互升级”，但底下的逻辑是：一个成熟市场的龙头公司，正在用AI把竞争维度从效率转向价值。而支撑这个转向的系统能力，如规模、数据和治理，恰好是它十几年积累的结果。

声明：本文仅用于学习和交流，不构成投资建议。