還記得春節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候產生的。

也正是那次，直接讓千問在國民 AI 產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。

有了這個能力，千問就能實現復雜需求的意圖理解，例如「6個人需要匹配商務車」、「接個人是要增加途經點」等。還具備地點記憶、時間預約等能力。

我體驗了產品在不同打車場景下對需求的滿足程度，從目前的情況看，完成度已經不錯了。

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，它會讓你先完成授權。

千問識別分析完我的需求后，會基于起點和終點推薦一個出行方案，包括車型、價格明細、路線規劃和時間等。

注意一個細節，我只告訴它我的終點在哪里，并沒有給他起點，但千問也是基于定位識別到了我的當前位置。

如果此時我沒有其他問題，直接跟它說確認用車就行，接下來它就會幫我去叫車。

后續的支付流程，也是用支付寶來完成的。

看似很絲滑，但實際的打車場景可比這個要復雜。

所以，我們給它上點難度。

這次，我的需求里不僅包含了對車型的選擇，還有就是出發時間是未來，也就是預約打車。

很顯然，千問也是準確識別到了我的需求，并且幫我設計好了打車方案。

只要我確認用車，這個打車需求就會被發出去，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，所以我再復刻一個真實的打車場景。

這次，我指定起點，但是這個起點不是我的當前定位，也就是我幫別人打個車，并且把他送到我家里來。

注意，這個過程中我也沒有告訴千問我家在哪。

然后，它也準確識別分析并完成了叫車方案設計，全程沒毛病，這背后應用到了長下文記憶的能力。

別覺得我在為難它，其實我這就是日常場景里的正常需求而已。

實際上，打車看似是一個小需求，但是它所覆蓋的場景其實非常多，而且很復雜。

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 開始真正進入辦事時代了。

很多人會把它理解成一個演示：你說一句「幫我打車去公司」，系統替你完成下單。

看起來像是把原來 App 里的點擊操作，換成了一句自然語言。

如果只看到這里，那就低估這件事了。

因為打車的本質，從來不是「操作」，而是「決策」。

為什么這么說？

你點外賣點錯了，最多重下一單，損失的是一點錢和等待時間。

但是，打車不一樣。

車打錯了、位置錯了、車型選錯了、時間卡錯了，代價往往不是幾塊錢，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，打車不是一個輕交互服務，而是一個強履約服務。

這也是為什么全球很多 AI 產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起打車接口，而在于誰對結果負責。

技術上，把一個 App 喚起來不難，難的是 AI 要理解你的真實需求，要替你做出合適的選擇，還要對最終結果兜底。

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。

這些事情本質上屬于信息處理，哪怕答錯一點，問題也未必很大。

但一旦進入真實世界，進入辦事的場景，標準立刻變了。

你要的不是一個差不多的回答，而是一個能落地的結果。

從這個角度看，千問能打車，真正有價值的地方不是它替你省了幾個點擊動作，而是它邁過了一道更難的門檻：AI 不只是執行指令，而是開始承接責任。

這背后還有一個更大的變化，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，確認費用，提交訂單，等待司機接單。

整個過程，本質上是人去學習工具的操作邏輯，再按照工具規定的步驟一步步完成。

所以，這是一種典型的「操作導向」。

而現在，如果你只需要說一句「幫我打車去公司」，系統就能理解你的意圖、結合你的歷史習慣、當前位置、常用路線、支付方式，直接幫你完成任務，那么人與工具的關系就變了。

以前，是人找服務。

以后，是服務找人。

以前，是你去適應工具。

以后，是工具來理解你。

這看起來只是少了幾個步驟，實際上是一次人機交互范式的遷移。

因為，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方式的接口。

說白了，人真正想表達的從來不是我想點擊哪個按鈕，而是我現在要去哪里，我希望快一點、舒服一點、別出錯。

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

這也是我認為這件事特別重要的原因：它讓 AI 從會聊天走向會辦事，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？

很多人第一反應會覺得，這是模型能力的問題。誰模型更強，誰就更容易搞定。

但如果你把這件事拆開看，就會發現核心不只是模型，而是生態。

AI 打車不是一個單點能力，它至少需要幾樣東西協同：地圖定位、路線理解、司機供給、實時調度、支付閉環、異常處理。

你不能只有一個聰明的大腦，還得有完整的手腳和神經系統。

全球范圍內，真正同時擁有這些能力的公司并不多，阿里就是其中一個。

千問并不是憑空創造一個新能力，而是把原本分散在不同業務里的能力串了起來，讓模型成為那個新的統一入口。

這也說明了一個趨勢，AI 競爭正在進入下一階段。

上一階段，比的是誰的模型更聰明，誰的參數更多，誰的推理更強。

下一階段，比的是誰能把模型和真實世界的服務網絡連接得更深。

不是模型軍備競賽，而是生態能力 PK。模型決定上限，生態決定落地。

還有一個細節，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 會怎么理解？

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

不要臭車，到底是什么意思？

是司機身上有異味？車里有煙味？空調味太重？還是車況不佳、衛生太差？

以前，很多 AI 遇到這類表達會直接懵掉，因為它只能理解字面意思，缺乏真正的生活經驗。

而真實世界里的需求，恰恰大量都是這種不標準、不結構化、但又非常真實的表達。

這個過程中，用戶不是在給系統下結構化命令，而是在表達感受和偏好。

「不要臭車」的重點，不是「臭」這個字本身，而是人為什么在乎這件事。

因為坐車和點外賣不一樣，人在車里是被困住的、無法回避的。體驗一旦差，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：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，誰才真正摸到了 Agent 的門檻。

更進一步看，AI 打車其實只是一個開始。它背后真正發生的，是 AI 正在吃掉越來越多的「認知勞動」。

過去我們打車，需要自己做很多微小但消耗精力的決策：用哪個平臺、選什么車型、在哪個上車點更順、價格是否劃算、是否需要趕時間。

這些決策看似不難，但每天都在消耗注意力。

現在，AI 可以逐步接管這些事。

未來也一樣，幫你選餐廳、幫你比價、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知勞動，都會被 AI 接手。

這意味著，人在很多場景中的角色會發生轉移。

先是執行者。

然后是決策者。

再往后，可能變成監督者。

所以未來真正稀缺的能力，未必是你會不會操作工具，而是你知不知道什么應該交給 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化越來越強的世界里，保留自己的判斷權。

AI助手千問能打車了，看起來只是一次產品升級。但如果放到更長的時間尺度里看，它其實像一個信號——服務的入口正在從App 圖標，轉移到一句自然語言之中。

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

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

在傳統模式下，用戶必須在 App 里按菜單一步步點選：輸入起點、終點、選車型、確認價格等等。

整個過程預設了「人要適應工具」的前提，這不僅限制了表達——比如你說「我想去一個市區最近很火的看郁金香的地方」，系統根本無法理解；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，傳統打車 App 的打開率和用戶黏性將面臨結構性下滑。

就像 Claude 推出設計技能后，Adobe 和 Figma 股價應聲下跌所預示的那樣：當任務可以在通用智能體中完成，垂直工具的價值就會被重新定價。

未來最值得關注的，不是哪個模型又刷了多少分。

而是，哪個 AI 真的能用最自然的方式把事辦成！

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

安可時刻

生活服務是 AI 能夠介入且大大提效的場景，可能一開始我們會懷疑，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，有些進程就是不可逆的。

AI，正是其中之一。