作为全球最大的网约车平台，优步（Uber Technologies Inc., NYSE: UBER）正以”AI+自动驾驶+大数据”为核心路径，系统化推进出行行业的人工智能转型。从2024年10月宣布与OpenAI合作推出基于GPT-4o的司机AI助手，到2025年1月在CES宣布与英伟达合作通过Cosmos生成世界模型仿真工具推动自动驾驶技术发展，再到2026年2月成立Uber Autonomous Solutions自动驾驶解决方案部门、2026年5月推出将数百万司机车辆转变为自动驾驶数据采集平台的”AV云”计划，Uber的AI实践覆盖了司机助手、乘客服务、自动驾驶、车队运营、需求预测、动态定价等全链路业务场景。本文将围绕Uber的核心AI场景、多场景协同、实施要素展开，并对其创新价值、争议挑战与行业启示进行点评。
一、案例企业介绍
优步（Uber Technologies Inc.）由Travis Kalanack和Garrett Camp于2009年在美国旧金山创立，2019年5月在纽约证券交易所上市（NYSE: UBER）。Uber是全球最大的网约车平台，业务覆盖网约车（UberX、Uber Black、Uber Comfort等）、外卖配送（Uber Eats、Postmates）、货运（Uber Freight）、自动驾驶等多个领域。截至2025年Q4，Uber平台月活跃用户（MAPC）达1.7亿，日均订单数超过3000万，业务覆盖全球70多个国家和地区、1.5万个城市的数百万司机与商家。2024年Uber实现营收440亿美元（同比增长16%），净利润39亿美元，首次实现全年GAAP盈利。
Uber的AI布局起步很早，早在2015年即收购了由卡内基梅隆大学机器人研究所科学家创立的自动驾驶卡车公司Otto，组建Uber ATG（先进技术小组）专攻自动驾驶技术。2017年Uber推出Michelangelo机器学习平台，作为公司统一的AI基础设施。2024年10月，Uber在伦敦Go-Get活动上宣布与OpenAI合作，将GPT-4o集成至Uber司机App；2025年1月，在CES大会上Uber宣布与英伟达合作，通过Cosmos生成世界模型仿真工具加速自动驾驶研发；2026年2月成立Uber Autonomous Solutions部门；2026年5月推出AV云计划，将数百万司机车辆转变为自动驾驶数据采集平台。AI对Uber而言，已不只是”算法优化工具”，而是重塑出行行业未来10年格局的核心引擎。
二、案例介绍
（一）核心 AI 场景：GenAI Gateway + 司机 AI 助手——大模型赋能网约车司机
Uber AI战略最具标志性的核心场景，是2024年10月与OpenAI合作推出的基于GPT-4o的司机AI助手。从2025年初开始，Uber在美国推出这款AI助手，司机可从Uber司机App主屏幕访问AI聊天机器人，能够通过文本、音频和视觉进行类似人类的对话和推理。AI助手能够回答司机关于电动车充电、行程优化、收入提升、税务处理、车辆维护等问题，并不断更新新信息。Uber CEO Dara Khosrowshahi表示：”AI助手将成为Uber司机日常工作的得力伙伴，让他们更专注于服务乘客和提升收入。”
支撑这一应用的是Uber内部构建的GenAI Gateway（生成式AI网关）平台。GenAI Gateway是Uber统一的生成式AI能力中台，可对内对接各种大模型（GPT-4o、Claude、Gemini、自研模型），对外为各业务部门提供统一的AI能力调用接口。这一平台使Uber能够在司机助手、乘客客服、行程推荐、营销文案生成等多个场景快速部署生成式AI能力，避免”每个业务独立接入”的烟囱式弊端。Uber AI产品负责人Naga Murthy透露，目前GenAI Gateway每日处理数百万次AI调用，已成为Uber内部最繁忙的AI基础设施之一。
（二）多场景协同：自动驾驶、AV云、需求预测、动态定价、机器人配送
除核心司机助手场景外，Uber的AI布局延伸至自动驾驶、车队运营、需求预测、动态定价、机器人配送等多个业务节点。
场景一：Uber Autonomous Solutions自动驾驶解决方案。2026年2月23日，Uber宣布成立Uber Autonomous Solutions自动驾驶解决方案部门，旨在帮助自动驾驶技术公司降低每英里成本，并加快产品上市速度。该解决方案覆盖基础设施（自动驾驶训练数据集、数据增强型动态地图）、用户体验（车内UI）、车队运营（任务控制、商业保险）三个层次，包括自动驾驶训练数据集、数据增强型动态地图、车内UI、任务控制、商业保险等组成元素。该方案已帮助多家合作伙伴在全球多地市场实现Robotaxi的商业化运营。
场景二：AV云——司机车辆变数据采集平台。2026年5月，Uber宣布将数百万名司机的人工车辆转变为自动驾驶数据采集网络，为自动驾驶汽车（AV）企业采集真实世界数据。Uber正在构建的系统被称为”AV云”，是一个经过标注的传感器数据库，供合作公司查询调用，用于训练各自的模型。合作伙伴还可利用该系统以”影子模式”将训练好的模型与Uber的真实行程进行比对，模拟自动驾驶车辆在不实际上路的情况下的表现。Uber计划为旗下人工司机的车辆加装传感器，将真实驾驶数据贡献给AI模型训练。
场景三：与英伟达合作——Cosmos生成世界模型仿真。2025年1月CES大会上，Uber宣布与英伟达达成合作，借助其新推出的生成世界模型仿真工具Cosmos和基于云的人工智能超级计算平台DGX Cloud，推动自动驾驶技术的发展。Uber每天都有数百万次出行，庞大而丰富的数据源与NVIDIA Cosmos平台和DGX Cloud配对，帮助AV公司训练基础模型。2025年10月双方进一步深化合作，重点是利用Uber收集的大量真实驾驶数据（机场接送、复杂路口、各种天气条件）来训练基础模型。
场景四：与Autobrains合作的慕尼黑Robotaxi测试。2026年6月，Uber宣布与以色列软件开发商Autobrains和芯片制造商Nvidia合作，在德国慕尼黑启动无人驾驶出租车测试。该项目使用基于标准摄像头的低成本方案（六台标准摄像头+航拍图像定位），Autobrains开发的”代理型人工智能”将驾驶任务分配给多个软件代理（行人检测、优先权判断等），由上层系统实时做出驾驶决策，目标实现L4级自动驾驶。2026年落地慕尼黑。
场景五：Michelangelo机器学习平台。Uber的Michelangelo平台支持端到端的机器学习工作流，包括数据管理、模型训练、评估和部署，是Uber内部AI能力的核心基础设施。该平台使得内部数百个机器学习用例（需求预测、动态定价、欺诈检测、ETA预测、推荐系统等）能够统一训练和部署。Uber ATG自动驾驶部门使用Michanglo平台开发自动驾驶汽车的感知、预测、运动计划和控制组件，并通过VerCD工具实现模型的生命周期管理和自动化持续交付。
场景六：动态定价与需求预测。Uber的核心商业模式依赖其著名的”动态定价（Surge Pricing）”算法，该算法基于机器学习模型实时分析供需关系、天气、事件、交通等因素，为每次出行计算最优价格。AI需求预测模型可提前7天预测每个城市、每个时段的需求量，准确率达90%以上，使Uber能够在高峰期提前调度司机资源。
场景七：Copilot4D激光雷达预测模型。前Uber首席科学家创立的自动驾驶公司Waabi等使用生成式AI模型Copilot4D，该系统使用激光雷达传感器的大量数据进行训练，可以输入一种交通情况（如司机鲁莽驶入高速），模型会预测周围车辆将如何运动，生成未来5-10秒的激光雷达示意图，以及展示潜在的追尾事故。这是AI在自动驾驶预测领域的典型应用。
（三）实施要素：平台化、合作伙伴、数据飞轮三维协同
Uber AI战略之所以能大规模落地，源于其在平台化、合作伙伴、数据飞轮三个维度的系统化布局。
平台化路径，Uber构建了统一的Michelangelo机器学习平台和GenAI Gateway生成式AI网关，将公司所有AI能力集中在统一平台上，避免”每个业务独立建设”的烟囱式弊端。这种平台化策略使Uber能够在司机助手、乘客客服、行程推荐、营销文案等多个场景快速复用AI能力。
合作伙伴路径，Uber选择与OpenAI、英伟达、Autobrains、Waabi等多个头部AI公司合作。在大模型层面与OpenAI合作（GPT-4o），在自动驾驶仿真层面与英伟达合作（Cosmos+DGX Cloud），在算法层面与Autobrains合作。这种多元生态合作确保Uber能够快速获取不同领域的最新AI能力。
数据飞轮路径，Uber平台每天产生3000万+订单、产生海量真实出行数据（GPS轨迹、视频、传感器），这些数据被用于训练AI模型（需求预测、动态定价、自动驾驶），训练后的AI模型又提升服务质量、吸引更多用户和司机加入平台，产生更多数据。这种”数据→AI→服务→用户→数据”的飞轮效应是Uber AI能力不断进化的核心动力。
组织变革路径，Uber设有专门的AI战略委员会，由CTO和各业务负责人组成，统筹全公司AI战略规划与资源配置。同时设立专门的GenAI产品团队负责生成式AI产品的研发与落地。
三、案例点评
（一）创新价值：从”出行平台”到”自动驾驶数据基础设施”的战略升级
Uber AI案例的最大创新价值在于将公司从单纯的”出行平台”升级为”自动驾驶数据基础设施”。通过AV云计划，Uber将数百万司机的人工驾驶数据转化为自动驾驶训练的”真实世界语料库”，这使Uber从”自动驾驶的竞争对手”（与Waymo、Cruise争夺Robotaxi市场）转变为”自动驾驶的赋能者”（为所有AV公司提供数据和基础设施）。这一战略转变使Uber能够在自动驾驶产业链中占据独特位置——既不与Waymo等全栈自动驾驶公司直接竞争，又通过数据服务获得长期收入。同时，Uber的Michelangelo平台和GenAI Gateway使其在AI基础设施层面建立了难以复制的能力护城河。
（二）争议挑战：司机数据权益、AI责任界定与劳动力替代
Uber AI应用同样面临多重挑战。首先是司机数据权益问题，AV云计划要求司机车辆加装传感器，可能引发司机对个人数据收集范围、隐私保护、数据收益分配等问题的担忧与抗议。其次是AI责任界定问题，当AI辅助决策（如自动驾驶的紧急避险算法）导致事故时，责任应在Uber、AV公司还是传感器制造商，目前尚无清晰的法律界定。第三是劳动力替代焦虑，自动驾驶技术的成熟将使数百万网约车司机面临失业风险，引发工会与劳工权益争议。第四是AV云的”商业可持续性”质疑，Uber官方表示该项目目标不是通过数据盈利，而是希望”民主化”数据访问，但考虑到平台的明显商业价值，这一立场可能难以长期维持。
（三）行业启示：出行行业的 AI 化路径选择
Uber AI案例对全球出行行业带来三点核心启示：第一，传统出行平台的AI转型应坚持”数据飞轮+平台化”双轮驱动，避免重复建设AI基础设施；第二，自动驾驶产业链的机会不仅在”造车”更在”数据”，Uber的AV云模式为所有出行平台提供了参考；第三，AI技术的引入必须妥善处理司机/骑手权益、数据隐私、监管合规等社会议题，避免引发广泛的社会争议。Uber的实践证明：出行行业的AI竞争，已经从”算法优化”进入”AI Agent+自动驾驶数据生态”的新阶段。
