AI越「聰明」，美團和滴滴越重要

進入2025年，大模型在純軟件上的"暴力美學"正遭遇邊際效益遞減。

算法的壁壘會隨著時間的推移而逐漸變薄，但扎根于物理世界的運營能力和數據積累卻會隨著時間的沉淀而愈發深厚。

這正是美團與滴滴的價值所在：它們不是AI技術的提供者，而是物理AI落地的"必要條件"。

文｜行之

編輯｜奇博士

過去兩年，大模型狂飆突進，字節跳動以"豆包"打響AI應用第一槍，阿里通義千問與百度文心一言輪番迭代，騰訊混元與華為盤古也不甘示弱。

美團和滴滴這兩家老牌TMT明星似乎在AI浪潮中失聲。

但這是一種誤判，算法決定AI的下限，數據質量決定上限。當AI跳出屏幕，從“會聊天”轉向“會辦事”，競爭的核心便落到對物理世界的理解上，這需要大量真實的物理信息作依托。

幾十年線下運營積累，讓美團和滴滴成為唯二擁有物理世界真實閉環數據的企業，而他們手握的“專屬數據”，成為“后AI時代”最值錢的資產。

一

美團，AI本地生活的“地面部隊”

AI來襲，王興既焦慮，又興奮。

他用“猴子和花”來類比AI帶來的變革量級，用“唯一合理的策略是進攻，而非防守”來宣誓美團布局AI的決心，力爭成為"未來本地生活需求的AI入口"，是他給美團定下的新目標。

在王興看來，AI的價值不在于智力有多高，而在于“高效執行”。

所以當Token經濟學席卷全球市場，大眾目光普遍聚焦于云廠商與獨立大模型企業時，美團選擇另辟蹊徑，深耕供應鏈與履約力。

本地生活的難點從不是“信息獲取”，而是“對齊現實”。

互聯網上的數據是靜態的，它可以告訴你一家餐廳“在哪里”，卻不知道它此刻是否在營業；可以總結評價，卻無法反映當下排隊情況、出餐速度，甚至配送是否可達。

一旦AI把這些信息用于決策，就會出現明顯的“失真”：看似“聰明”，卻無法執行。

王興舉過一個頗具代表性的例子：“就算愛因斯坦當秘書，讓他訂一個餐廳，他依然不知道那個餐廳有沒有座位。”

而這正是美團的優勢。

16年本地服務運營經驗，讓美團沉淀下海量真實可用的物理數據。

需求側，覆蓋外賣、即時零售、酒旅、到店服務等幾乎日常生活的全部場景；供給側，商戶系統、快驢進貨、自營前置倉等能力，持續向商品與供應鏈深處滲透。

數百萬騎手與實時調度系統構成履約網絡，將分散的供需在空間與時間中精準撮合并完成交付。

每一筆交易，都是一次對現實世界的動態測量。

不只是“誰買了什么”，還包含實時天氣、時段、緊急程度；商家出餐能力、庫存狀態、后廚負載、騎手路徑、交通限制、電梯/小區規則等等。

如果說互聯網數據教AI“理解世界”，那么美團的數據，則在教AI“應對世界”。

美團自主研發的“超腦”即時配送系統，能夠應對千億級騎手的軌跡挖掘，平均僅需0.55毫秒就能為騎手規劃一次最優路線，LBS日調用峰值760億。

履約過程中產生的各種"意外"，繞路，可能是地圖未標注的禁行；午間爆單，可能是附近新開寫字樓；高評分但低復購，可能是外賣體驗差……這些從混亂物理現實中自然涌現的"噪聲"，都是訓練AI泛化能力最珍貴的原料。

大模型會越來越強，算法的壁壘會逐漸變薄，但對物理世界的控制能力，才是支撐AI Agent高效“執行”的地基。

美團的數據，是幾十年沉淀，被數百萬騎手“跑”出來、被數億用戶“消費”出來的。手握“物理活地圖”的美團，在AI時代的護城河只會更深、更寬。

美團在AI領域的布局，也始終圍繞“真實物理世界”的主線。最新發布的財報顯示，公司全年研發投入達260億元，同比增長23%，其中相當一部分流向自研大模型、具身智能與無人機配送。

龍貓（LongCat）大模型在兩個月內密集發布四款模型，其中5600億參數的LongCat-Flash-Omni已在多個基準測試中達到SOTA。

圖：LongCat-Flash 架構圖

收購叮咚買菜、發力小象超市，也是在提升美團的全場景履約密度，截至2025年Q4，美團外賣業務已覆蓋全國2800多個市縣，超2.7萬個鄉鎮，年活躍商戶數突破1500萬。閃電倉數量突破5萬家。

面向B端，美團推出了“智能掌柜”“花小牛”“袋鼠管家”等覆蓋餐飲、即時零售、酒店等多個行業的AI工具，致力于讓“每個商家都用上自己的AI助理”。

最新財報披露，AI選址成功率提升30%，客服效率提升80%。面向C端，美團推出了AI助手“小美”和“小團”，可以讓用戶一句話完成外賣點餐、餐廳推薦、酒店預訂和景點門票購買等。

此外，美團還以投資為觸手，搭建起一個龐大的"物理AI"生態。

據不完全統計，美團已在硬科技領域投資超50家，從底層算力的摩爾線程、沐曦，到中間的大模型智譜AI、月之暗面、光年之外，再到具身智能宇樹科技、銀河通用，甚至延伸至自動駕駛與智能汽車（理想汽車、禾賽科技、九識智能），這讓美團在訓練物理AI時擁有遠超同行的樣本效率。

圖源：極客公園

如今這些投資和場景合作已有些取得了成效。銀河通用的Galbot機器人已在北京10余家藥店實現24小時無人值守分揀，基于VLA模型的自變量機器人，也能完成從取餐、裝餐、進電梯到送達的全過程。

不過這并不意味著美團勝券在握，它的焦慮依然存在。

千問、豆包、元寶等AI應用都在完善Agent的辦事能力，最大的潛在威脅來自騰訊微信。微信手握13億月活的關系鏈、超400萬小程序構成的商戶生態，一旦用戶習慣在微信Agent上“下需求”，勢必會動搖美團“本地生活AI入口”的地位。

二

滴滴，AI移動出行的“時空底座”

如果說美團是中國最大的“本地生活數據庫”，那么滴滴則是中國最大的"移動出行數據庫"。

滴滴是一個覆蓋網約車、單車、貨運、代駕等多種場景的出行網絡，每一次“從A到B”，都在給這張網絡“喂”真實的移動數據。

網約車仍是核心，但里面已經細分出很多不同場景：快車、特惠快車承載了最大規模的日常通勤；專車、豪華車疊加了“服務”維度，比如車內環境、等待時長等。

出租車線上化把原來散落在路邊攔車的那部分需求也納入系統，補齊了城市出行“最后一公里”的數據空白。

圍繞主業，滴滴又長出了單車、貨運、代駕、充電等衍生服務，把城市的“動”刻畫得更細。

海外業務（DiDi Global）則是在不同國家復制這套模型，同步搭建移動出行的樣本庫。

自動駕駛業務（Robotaxi）是這套數據體系的“升級引擎”，Robotaxi測試運營中產生的高精地圖、攝像頭/雷達感知數據、自動駕駛決策軌跡、人工接管記錄、極端場景庫（雨霧/夜間/施工），與網約車業務的真實人類駕駛數據形成互補，完成從"人類駕駛行為"到"機器駕駛決策"的數據閉環。

提到出行，我們難免會想到高德、百度等地圖廠商，但地圖廠商掌握的是"意圖數據"，滴滴掌握的是"交易數據"。

滴滴記錄的是物理世界的真實結果：誰在幾點幾分從哪真的上車，坐了多久，到哪真的下車，付了多少錢，走了哪條路，遇到擁堵還是選擇繞路。

這是一個需求、下單、履約、支付結束的強閉環，每一條都是真實位移，不可偽造，不可撤銷。

而地圖導航軟件記錄的是規劃與可能性，導航開了，最后可能根本沒去；或者換了方式去（地鐵、自駕、朋友送）。它捕捉的是"你打算去哪"，而非"你真的去了哪"。

這種差異在物理AI時代具有決定性意義。當AI試圖理解城市交通時，它需要知道的不是"多少人規劃去機場"，而是"多少人真的去了機場、花了多長時間、付出了多少成本、最終選擇了哪種交通方式"。

圖：智能沙盤展示滴滴自動駕駛慧桔港

更重要的是，滴滴的數據包含了真實的供需博弈。平臺知道某片區早高峰到底缺多少車（真實運力缺口），知道這條街、這個小區的人真實出行頻率（真實出行強度），知道多少錢用戶愿意走、多少錢會放棄（真實價格敏感）。

這對城市交通規劃、網約車調度、出租車投放，甚至新樓盤與新商業體的選址決策都有很強的參考意義。

這種對商業與城市的穿透力，是純粹的地圖數據無法提供的。

手握如此多高價值的真實移動數據，滴滴的AI戰略不是到處撒網，而是圍繞出行深挖兩件事：Robotaxi 和 AI打車Agent“小滴”。

滴滴自動駕駛公司自2021年獨立融資以來，持續深耕L4級自動駕駛。與廣汽合作的首款前裝量產車型將于2025年下線交付，2026年開始在重點城市示范運營，形成“AI +量產+運營”的市場驗證。

圖：廣汽埃安與滴滴自動駕駛合作開發的L4自動駕駛車

Robotaxi不僅是未來的出行業態，更是滴滴物理數據的"終極變現載體"，車輛本身成為數據采集器，真實路況數據反哺算法，這種“飛輪效應”是其他只有技術，沒有規模交易數據的自動駕駛公司短時間內難以復制的優勢。

滴滴近期上線的AI打車Agent"小滴"，基于滴滴在arXiv發布的DiMA架構，試圖解決大模型在出行場景的核心痛點：時空感知能力。

當用戶提出"幫我叫一輛不容易暈車的車，半小時后到機場"時，Agent需要理解的不僅是語義，而是將需求拆解為時間、空間和供給約束（哪輛車更穩、哪條路不堵、當前運力能否滿足）。

這背后是滴滴十余年積累的真實運營數據做支撐，沒有這些數據底座，Agent再聰明也會陷入"答得好聽、交付打折"的尷尬。

圖：滴滴基于大模型的網約車助手DiMA

過去，滴滴是連接乘客和司機的撮合平臺；現在，滴滴正在變成"城市移動的基礎設施"。其積累的真實出行數據，不僅可以優化自身的調度算法，還可以成為城市規劃者的決策依據。

比如交通部門可以用來看職住是否分離、夜間經濟是否活躍；商業地產和連鎖品牌可以用來判斷某個區域真實的消費能力和出行熱度。

當AI Agent試圖接管物理世界，它必然需要調用滴滴這樣成熟的、經過時間驗證的"移動數據庫"為其“執行”。

三

大模型駛入拐點

過去兩年，科技界的注意力被大模型的參數規模與benchmark榜單牢牢鎖定。但進入2025年，大模型在純軟件上的"暴力美學"正遭遇邊際效益遞減。

研究機構Epoch AI預測，2028年，互聯網上所有高質量文本數據將被耗盡，數據缺失導致的“數據墻”會放緩模型的擴展速度。

合成數據與仿真數據雖然能夠補充供給，但“治標不治本”，算力可以替代部分數據，Agent可以替代部分專家，但AI Agent最終還是要在真實世界中落地。

算法的壁壘會隨著時間的推移而逐漸變薄，但扎根于物理世界的運營能力和數據積累卻會隨著時間的沉淀而愈發深厚。

這正是美團與滴滴的價值所在：它們不是AI技術的提供者，而是物理AI落地的"必要條件"。

就像AWS是云計算的基礎設施、臺積電是芯片制造的基礎設施一樣，美團與滴滴正在成為AI連接物理世界的"樞紐"：一個提供本地生活的履約數據與決策接口，一個提供人與物移動的時空坐標與運力網絡。

這些"苦活、累活"積累下的真實數據，是AI時代最難以復制的護城河，也是美團和滴滴最值錢的資產。

本文來自微信公眾號“奇點研究社”，作者：奇點團隊，36氪經授權發布。