文章核心观点 - 公司在顺风车业务中面临因行程长、非标准化、生态复杂带来的显著安全与体验治理挑战 公司通过将AI大模型深度嵌入业务全链条 构建了“风险识别-研判-干预”的人机协同安全体系 并针对高速费纠纷、反作弊等具体场景开发专项模型 显著提升了风险处置效率与准确性 同时 公司通过举办安全治理开放日 与用户、专家等多方共治 探讨规则优化 以应对行业长期存在的复杂难题 [1][2][9] 顺风车业务特征与治理挑战 - 顺风车具备互助共享属性 行程以长途、跨城为主 平均时长3.5小时 最长可达3000多公里 行程复杂且耗时长 [1] - 长单行程中司乘互动多 话题可能从家常升级至隐私甚至涉性敏感话题 导致风险易升级 此外 车主生态复杂 高频与低频接单者并存 部分车主存在多平台接单行为 加大了治理难度 [1] - 现实客观条件对AI识别形成制约 如车主强制结束App进程、切换导航、信号弱导致录音缺失 司机不接电话导致触达困难 节假日爆单致人工介入变慢 以及司乘要求线下交易脱离平台监管等 [4] - 顺风车非服务性质及合乘互助属性 使得诈骗套路与作弊手段层出不穷 进一步增大了治理难度 [8] AI大模型驱动的安全治理体系 - 公司构建了覆盖“风险识别—风险研判—人工干预”的人机协同安全体系 将AI大模型嵌入顺风车交易各环节 [2] - 在风险识别层 部署多模态风险识别模型 结合图片、文字、视频、轨迹和环境进行交叉验证 并对订单进行全量回扫 实时推送异常 [2] - 在风险研判层 AI大模型可自动生成内部安全报告 专家工作台可展示订单全流程 录音转文字功能配合高量词提醒提升了研判效率 [2] - 在干预执行层 对AI识别的高危风险 专家通过远程外呼、安全警示、紧急报警等方式介入 例如2026年1月通过预警和电话震慑 阻止了一起涉性敏感话题可能升级的风险 [2] - AI能力升级后 安全专家行程风险初步研判效率提升21% 平台整体风险识别率达到93.2% 截至2026年4月 异常订单有效干预率达99.6% [3] 针对具体场景的专项AI模型应用 - 针对高速费纠纷 上线AI判责系统 通过自动抓取聊天记录进行语义判断 结合行程路线、历史信用等交叉验证 目前模型判责准确率达96% [5] - 针对车主诱导乘客提供手机号后虚假完单的套路 在乘客上车环节接入反作弊大模型 实时识别和阻断索要联系方式等行为 并通过“二次确认到达目的地”弹窗、文字提醒、语音播报等组合措施 近一个月内“未坐车收费”相关投诉降至0例 乘客投诉率下降97.5% [6] - 在反作弊方面 通过设备指纹、操作频率、GPS漂移等多维度特征建模 识别抢单外挂、虚拟定位等行为 2024年至今 配合警方累计立案27起 抓捕96人 打掉作弊器团伙25个 查处作者13人、售卖代理83人 [8] 多方共治与规则优化探讨 - 公司通过安全治理开放日 与乘客、车主、媒体、专家等多方进行坦诚交流 以推动规则进化 [9] - 用户代表提出多项建设性意见 如为未成年人乘车设置单独通道和更严格安全策略 在叫车页面增设代叫功能 同时有观点强调家长是未成年人安全第一责任人 [9] - 用户代表也关注司机权益保障 如乘客爽约或迟到、上车乘客与订单不符时车主的应对与补偿机制 并建议通过评分机制筛选信用较差的司乘双方 [9] - 公司回应将主动承担企业责任 在产品与规则完善过程中持续守住安全底线 并已搭建全链路防护体系 实现司乘双向安全守护 [10]