在趕早高峰的司機(jī)陳師傅盯著前面——乘客就在前方50米低著頭打車，甚至因?yàn)殛悗煾狄暳O好，對方手機(jī)上自己所屬平臺(tái)的打車界面都看得到。

屏幕卻顯示“附近無可用車輛”，另一邊，乘客反復(fù)刷新，定位不變，派單卻從300米外的司機(jī)變成1.2公里外的空駛車輛。

這種“面對面卻匹配不到”的荒誕場景，揭開了網(wǎng)約車平臺(tái)算法的奇葩：看似高效的派單系統(tǒng)，實(shí)則藏著不透明的“黑箱邏輯”。

從“距離優(yōu)先”到“全局調(diào)控”

早期網(wǎng)約車平臺(tái)算法簡單直接：以乘客位置為中心，向半徑內(nèi)司機(jī)推送訂單，優(yōu)先選擇距離最近的司機(jī)。這種模式曾被視為“共享經(jīng)濟(jì)典范”，司機(jī)接單效率高，乘客等待時(shí)間短。

但隨著平臺(tái)規(guī)模擴(kuò)張，算法逐漸“進(jìn)化”為復(fù)雜的“全局調(diào)控系統(tǒng)”——它不僅考量距離，還疊加司機(jī)評分、歷史接單率、乘客消費(fèi)層級、實(shí)時(shí)路況甚至天氣數(shù)據(jù)。某平臺(tái)技術(shù)文檔顯示，派單模型包含200+變量，核心目標(biāo)是“平衡供需、提升平臺(tái)整體收益”。

這種進(jìn)化帶來了效率提升：空駛率從35%降至18%，乘客平均等待時(shí)間縮短至4分鐘。但硬幣的另一面是，算法開始“主動(dòng)干預(yù)”匹配邏輯。

例如，為避免司機(jī)“挑單”，系統(tǒng)會(huì)給取消率高的司機(jī)降低派單權(quán)重；為提高客單價(jià)，可能將高消費(fèi)乘客優(yōu)先推送給評分高的司機(jī)。當(dāng)算法從“工具”變?yōu)椤皼Q策者”，司機(jī)與乘客的直接需求反而成了次要變量。

誰在操控匹配？

“面對面不匹配”的怪象，可能是算法基于平臺(tái)利益的最優(yōu)解？更隱蔽的是，部分平臺(tái)會(huì)通過算法“引導(dǎo)”司機(jī)前往熱點(diǎn)區(qū)域——比如在早高峰前，給郊區(qū)司機(jī)推送“進(jìn)城獎(jiǎng)勵(lì)”，實(shí)則將運(yùn)力集中到平臺(tái)抽成更高的商圈。算法的可操縱空間，源于其“不解釋性”。

司機(jī)看不到自己的評分如何影響派單，乘客不清楚為何總等來遠(yuǎn)車。這種信息差讓平臺(tái)能都在“效率”與“公平”間游走：對司機(jī)強(qiáng)調(diào)“多勞多得”，對乘客宣稱“體驗(yàn)優(yōu)先”，自己卻坐收漁利。

當(dāng)司機(jī)抱怨“越跑越虧”、乘客吐槽“體驗(yàn)變差”，我們需要問一下平臺(tái)：算法究竟在服務(wù)用戶，還是在服務(wù)平臺(tái)的利潤曲線？或許，破解困局的關(guān)鍵不在否定算法，而在讓其“黑箱”透明——讓司機(jī)知道為何接不到單，讓乘客明白為何等來遠(yuǎn)車。畢竟，技術(shù)的溫度，不該藏在代碼背后。