還記得春節(jié)期間千問請客喝奶茶的盛況吧，很多人的 AI 購物第一單就是那時(shí)候產(chǎn)生的。

也正是那次，直接讓千問在國民 AI 產(chǎn)品的賽道上往前沖了一把。

這次，他們又干了一件事，千問接入了打車 Skill。

有了這個(gè)能力，千問就能實(shí)現(xiàn)復(fù)雜需求的意圖理解，例如「6個(gè)人需要匹配商務(wù)車」、「接個(gè)人是要增加途經(jīng)點(diǎn)」等。還具備地點(diǎn)記憶、時(shí)間預(yù)約等能力。

我體驗(yàn)了產(chǎn)品在不同打車場景下對需求的滿足程度，從目前的情況看，完成度已經(jīng)不錯(cuò)了。

你可以先更新到千問最新版，然后直接跟它說出你的出行打車需求。比如我，就一句話告訴他我要去長沙五一廣場。

一開始，它會(huì)讓你先完成授權(quán)。

千問識別分析完我的需求后，會(huì)基于起點(diǎn)和終點(diǎn)推薦一個(gè)出行方案，包括車型、價(jià)格明細(xì)、路線規(guī)劃和時(shí)間等。

注意一個(gè)細(xì)節(jié)，我只告訴它我的終點(diǎn)在哪里，并沒有給他起點(diǎn)，但千問也是基于定位識別到了我的當(dāng)前位置。

如果此時(shí)我沒有其他問題，直接跟它說確認(rèn)用車就行，接下來它就會(huì)幫我去叫車。

后續(xù)的支付流程，也是用支付寶來完成的。

看似很絲滑，但實(shí)際的打車場景可比這個(gè)要復(fù)雜。

所以，我們給它上點(diǎn)難度。

這次，我的需求里不僅包含了對車型的選擇，還有就是出發(fā)時(shí)間是未來，也就是預(yù)約打車。

很顯然，千問也是準(zhǔn)確識別到了我的需求，并且?guī)臀以O(shè)計(jì)好了打車方案。

只要我確認(rèn)用車，這個(gè)打車需求就會(huì)被發(fā)出去，然后完成叫車。

還是前面說的，日常生活中的打車場景是非常多樣化的，所以我再復(fù)刻一個(gè)真實(shí)的打車場景。

這次，我指定起點(diǎn)，但是這個(gè)起點(diǎn)不是我的當(dāng)前定位，也就是我?guī)蛣e人打個(gè)車，并且把他送到我家里來。

注意，這個(gè)過程中我也沒有告訴千問我家在哪。

然后，它也準(zhǔn)確識別分析并完成了叫車方案設(shè)計(jì)，全程沒毛病，這背后應(yīng)用到了長下文記憶的能力。

別覺得我在為難它，其實(shí)我這就是日常場景里的正常需求而已。

實(shí)際上，打車看似是一個(gè)小需求，但是它所覆蓋的場景其實(shí)非常多，而且很復(fù)雜。

不過看到千問可以打車這件事，我最大的感受不是 AI 又能干一件事了，而是 AI 開始真正進(jìn)入辦事時(shí)代了。

很多人會(huì)把它理解成一個(gè)演示：你說一句「幫我打車去公司」，系統(tǒng)替你完成下單。

看起來像是把原來 App 里的點(diǎn)擊操作，換成了一句自然語言。

如果只看到這里，那就低估這件事了。

因?yàn)榇蜍嚨谋举|(zhì)，從來不是「操作」，而是「決策」。

為什么這么說？

你點(diǎn)外賣點(diǎn)錯(cuò)了，最多重下一單，損失的是一點(diǎn)錢和等待時(shí)間。

但是，打車不一樣。

車打錯(cuò)了、位置錯(cuò)了、車型選錯(cuò)了、時(shí)間卡錯(cuò)了，代價(jià)往往不是幾塊錢，而是遲到、誤事、情緒被打亂，甚至影響后面一整天的安排。

所以，打車不是一個(gè)輕交互服務(wù)，而是一個(gè)強(qiáng)履約服務(wù)。

這也是為什么全球很多 AI 產(chǎn)品都嘗試過幫用戶打車，但真正做好的并不多的原因。

核心問題，往往不在于能不能調(diào)起打車接口，而在于誰對結(jié)果負(fù)責(zé)。

技術(shù)上，把一個(gè) App 喚起來不難，難的是 AI 要理解你的真實(shí)需求，要替你做出合適的選擇，還要對最終結(jié)果兜底。

因此，這才是 AI 辦事的真正門檻。

過去我們討論 AI，更多是在說它能不能回答問題、能不能寫文案、能不能做總結(jié)。

這些事情本質(zhì)上屬于信息處理，哪怕答錯(cuò)一點(diǎn)，問題也未必很大。

但一旦進(jìn)入真實(shí)世界，進(jìn)入辦事的場景，標(biāo)準(zhǔn)立刻變了。

你要的不是一個(gè)差不多的回答，而是一個(gè)能落地的結(jié)果。

從這個(gè)角度看，千問能打車，真正有價(jià)值的地方不是它替你省了幾個(gè)點(diǎn)擊動(dòng)作，而是它邁過了一道更難的門檻：AI 不只是執(zhí)行指令，而是開始承接責(zé)任。

這背后還有一個(gè)更大的變化，是交互范式的變化。

以前打車的流程很固定：打開 App，輸入目的地，選擇車型，確認(rèn)費(fèi)用，提交訂單，等待司機(jī)接單。

整個(gè)過程，本質(zhì)上是人去學(xué)習(xí)工具的操作邏輯，再按照工具規(guī)定的步驟一步步完成。

所以，這是一種典型的「操作導(dǎo)向」。

而現(xiàn)在，如果你只需要說一句「幫我打車去公司」，系統(tǒng)就能理解你的意圖、結(jié)合你的歷史習(xí)慣、當(dāng)前位置、常用路線、支付方式，直接幫你完成任務(wù)，那么人與工具的關(guān)系就變了。

以前，是人找服務(wù)。

以后，是服務(wù)找人。

以前，是你去適應(yīng)工具。

以后，是工具來理解你。

這看起來只是少了幾個(gè)步驟，實(shí)際上是一次人機(jī)交互范式的遷移。

因?yàn)?，自然語言不是更方便的按鈕，而是一種更接近人類需求表達(dá)方式的接口。

說白了，人真正想表達(dá)的從來不是我想點(diǎn)擊哪個(gè)按鈕，而是我現(xiàn)在要去哪里，我希望快一點(diǎn)、舒服一點(diǎn)、別出錯(cuò)。

當(dāng) AI 能直接理解這個(gè)層面的需求，工具就不再只是工具，而開始變成你的數(shù)字分身。

這也是我認(rèn)為這件事特別重要的原因：它讓 AI 從會(huì)聊天走向會(huì)辦事，從輔助工具走向代理角色。

那么，為什么是阿里先把這件事做出來？

很多人第一反應(yīng)會(huì)覺得，這是模型能力的問題。誰模型更強(qiáng)，誰就更容易搞定。

但如果你把這件事拆開看，就會(huì)發(fā)現(xiàn)核心不只是模型，而是生態(tài)。

AI 打車不是一個(gè)單點(diǎn)能力，它至少需要幾樣?xùn)|西協(xié)同：地圖定位、路線理解、司機(jī)供給、實(shí)時(shí)調(diào)度、支付閉環(huán)、異常處理。

你不能只有一個(gè)聰明的大腦，還得有完整的手腳和神經(jīng)系統(tǒng)。

全球范圍內(nèi)，真正同時(shí)擁有這些能力的公司并不多，阿里就是其中一個(gè)。

千問并不是憑空創(chuàng)造一個(gè)新能力，而是把原本分散在不同業(yè)務(wù)里的能力串了起來，讓模型成為那個(gè)新的統(tǒng)一入口。

這也說明了一個(gè)趨勢，AI 競爭正在進(jìn)入下一階段。

上一階段，比的是誰的模型更聰明，誰的參數(shù)更多，誰的推理更強(qiáng)。

下一階段，比的是誰能把模型和真實(shí)世界的服務(wù)網(wǎng)絡(luò)連接得更深。

不是模型軍備競賽，而是生態(tài)能力 PK。模型決定上限，生態(tài)決定落地。

還有一個(gè)細(xì)節(jié)，我覺得特別有意思。

如果用戶說：「幫我打車去公司，不要臭車」，AI 會(huì)怎么理解？

這句話在生活里是一種人味兒的表達(dá)，看起來很生活化，但對于 AI 來說就有點(diǎn)模糊。但恰恰這種模糊，才最考驗(yàn) AI。

不要臭車，到底是什么意思？

是司機(jī)身上有異味？車?yán)镉袩熚?？空調(diào)味太重？還是車況不佳、衛(wèi)生太差？

以前，很多 AI 遇到這類表達(dá)會(huì)直接懵掉，因?yàn)樗荒芾斫庾置嬉馑?，缺乏真正的生活?jīng)驗(yàn)。

而真實(shí)世界里的需求，恰恰大量都是這種不標(biāo)準(zhǔn)、不結(jié)構(gòu)化、但又非常真實(shí)的表達(dá)。

這個(gè)過程中，用戶不是在給系統(tǒng)下結(jié)構(gòu)化命令，而是在表達(dá)感受和偏好。

「不要臭車」的重點(diǎn)，不是「臭」這個(gè)字本身，而是人為什么在乎這件事。

因?yàn)樽嚭忘c(diǎn)外賣不一樣，人在車?yán)锸潜焕ё〉?、無法回避的。體驗(yàn)一旦差，就不是不滿意，而是難受。

所以 AI 真正要理解的，不只是你說了什么，而是你為什么這么說。

這揭示了 AI 辦事的本質(zhì)：不是識別需求表面，而是理解需求背后的原因。

誰先做到這一點(diǎn)，誰才真正摸到了 Agent 的門檻。

更進(jìn)一步看，AI 打車其實(shí)只是一個(gè)開始。它背后真正發(fā)生的，是 AI 正在吃掉越來越多的「認(rèn)知?jiǎng)趧?dòng)」。

過去我們打車，需要自己做很多微小但消耗精力的決策：用哪個(gè)平臺(tái)、選什么車型、在哪個(gè)上車點(diǎn)更順、價(jià)格是否劃算、是否需要趕時(shí)間。

這些決策看似不難，但每天都在消耗注意力。

現(xiàn)在，AI 可以逐步接管這些事。

未來也一樣，幫你選餐廳、幫你比價(jià)、幫你安排行程、幫你篩選酒店、幫你做信息歸納，甚至幫你做部分投資輔助判斷。

越來越多原本由人親自完成的認(rèn)知?jiǎng)趧?dòng)，都會(huì)被 AI 接手。

這意味著，人在很多場景中的角色會(huì)發(fā)生轉(zhuǎn)移。

先是執(zhí)行者。

然后是決策者。

再往后，可能變成監(jiān)督者。

所以未來真正稀缺的能力，未必是你會(huì)不會(huì)操作工具，而是你知不知道什么應(yīng)該交給 AI，什么必須自己掌握。

你能不能判斷 AI 的建議靠不靠譜，你有沒有能力在自動(dòng)化越來越強(qiáng)的世界里，保留自己的判斷權(quán)。

AI助手千問能打車了，看起來只是一次產(chǎn)品升級。但如果放到更長的時(shí)間尺度里看，它其實(shí)像一個(gè)信號——服務(wù)的入口正在從App 圖標(biāo)，轉(zhuǎn)移到一句自然語言之中。

而這場遷移的沖擊波，首先就會(huì)打在那些依賴固定交互路徑的單一服務(wù) App 上。

出行類 Skill 的上線，不只是多了一個(gè)打車渠道，更是對滴滴這類傳統(tǒng)打車軟件的根本性挑戰(zhàn)。

在傳統(tǒng)模式下，用戶必須在 App 里按菜單一步步點(diǎn)選：輸入起點(diǎn)、終點(diǎn)、選車型、確認(rèn)價(jià)格等等。

整個(gè)過程預(yù)設(shè)了「人要適應(yīng)工具」的前提，這不僅限制了表達(dá)——比如你說「我想去一個(gè)市區(qū)最近很火的看郁金香的地方」，系統(tǒng)根本無法理解；而且也讓大量不熟悉圖形界面的用戶，比如老年人，被擋在服務(wù)之外。

而 AI 助手 + Skill 的模式，把交互還原成了最自然的語言。你不需要知道「怎么操作」，只需要說出「我想做什么」。

這種范式的切換，激活的不僅是新需求，更是被長期忽視的用戶群體。

一旦核心出行場景被 AI 助手承接，傳統(tǒng)打車 App 的打開率和用戶黏性將面臨結(jié)構(gòu)性下滑。

就像 Claude 推出設(shè)計(jì)技能后，Adobe 和 Figma 股價(jià)應(yīng)聲下跌所預(yù)示的那樣：當(dāng)任務(wù)可以在通用智能體中完成，垂直工具的價(jià)值就會(huì)被重新定價(jià)。

未來最值得關(guān)注的，不是哪個(gè)模型又刷了多少分。

而是，哪個(gè) AI 真的能用最自然的方式把事辦成！

················· 唐韌出品 ·················

安可時(shí)刻

生活服務(wù)是 AI 能夠介入且大大提效的場景，可能一開始我們會(huì)懷疑，甚至是抵觸，以及不信任。

但是，這就像我們第一次把錢放在支付寶和微信錢包里一樣，也是伴隨著不確定和小心翼翼。

但是，有些進(jìn)程就是不可逆的。

AI，正是其中之一。