随着分享经济的发展,共享出行已经形成一波浪潮。但放眼全世界,只有中国的出租车参与其中,无论是在美国还是欧洲,出租车司机还是在路边接活。滴滴出行率先把国内整个出租车行业互联网化,如今几乎所有的有出租车服务的中国城市,都可以用滴滴APP一键呼叫出租车。
在帮助出租车司机降低空驶率、提高收入的同时,滴滴还利用大数据和产品创新帮助出租车行业转型升级,让出租车行业共享技术带来的变革,积极助力出租车行业破解发展困局。
回想2012年以前,传统出租车司机的工作方式还是上街“扫活”,乱转、花时间找订单。不仅司机辛苦,效率低下,油耗成本也高。那时智能手机尚不普及,CNNIC报告数据显示,截至2011年12月底,全国智能手机网民规模才达到1.9亿。可想而知,那时的出租车司机中,熟悉智能手机使用的也必然只是少数。
是滴滴从一点一点教育出租车司机,帮助他们安装软件、购买套餐、尝试使用新鲜事物。到2013年,在北京、深圳、上海等城市,开始有很多司机在使用滴滴,而在2014年底,基本上中国的出租车司机80%以上都开始用上了打车软件。
如今绝大多数的出租车司机都会熟练的使用移动终端,是滴滴让出租车司机从最不互联网化的一个群体变成了整个中国移动互联网程度最高的群体,这一互联网化的速度远远超过了之前电子商务或者团购对于传统行业互联网化的改造速度。
开出租车已有十三个年头的老杨就是被滴滴“互联网化”的一拨儿。在老杨看来,注册了滴滴的几年他变化最大的几年,是滴滴给他在移动互联网全面“扫盲”,“以前用诺基亚的功能手机,短信都不太会发,现在滴滴、微信、支付宝等全都玩精了。”
在加速行业信息化的同时,滴滴这一“互联网+交通”的方式帮助出租车司机降低了空驶率,提高了运营效率和收入,线上支付或扫码付功能解决了司机线下收钱找零假钱难辨的困扰;而顺风回家功能也有效降低了出租车司机收车回家的空驶成本。去年1月清华大学媒介调查实验室发布的《打车软件经济与社会影响调研报告》显示, 90.3%的被调查出租车司机认为安装滴滴软件降低了空驶率,其中41.2%的司机认为每月空驶率下降10-30%,3.9%的司机认为每月空驶率下降30%以上。此外,北京大学新媒体研究院发布的调查数据显示,截至去年5月31日,有20.06万的出租车司机通过滴滴APP每月多获得了超过2000元的收入。
今年4月26日,滴滴出行正式与上海“海博出租”签署战略合作协议,首批500辆海博网约车加盟滴滴专车,线下车辆、司机和运营资质由海博负责,而线上订单派接、用户运营、支付等由滴滴出行负责。双方携手探索互联网+传统出租融合发展,也为整个传统出租车行业的转型升级提供了新的途径。
在外界看来,此次合作显示了出租车行业与智能出行行业融合发展态势,双方寻求互利共赢,这可能是解决出租车出路问题的一个有益探索,是解决出租车行业稳定的长远之策。
据悉,目前滴滴正在与大量出租车公司合作探索,利用互联网技术和大数据优势,帮助出租车公司提高运营管理水平,减少空驶率,建立司机服务管理和乘客评价体系等。除了与海博的合作之外,滴滴也正在和很多地方性的出租车公司探索合作其他的市场化模式,根据各地不同的情况推进转型,在提升出租车司机的整体服务质量和司机收入的同时帮助整个出租车行业升级发展。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。