滴滴如何用多模態大模型做網約車安全?召回優先的風控架構解析

重點摘要

• 2026 年 6 月 27 日，滴滴在成都安全開放日披露：平台年安全投入已超過去年集團淨利，並配置 4000 餘名工作人員負責風險工單複核。
• 多模態大模型對全部訂單以一分鐘為單位切片做全量掃描，進入人工預警中心的工單中，真正有風險的比例可能僅幾千分之一至幾萬分之一。
• 平台主動風險識別率為 82%，能力邊界落在錄音遮擋、信號中斷與缺乏言語前置特徵的蓄意行為。

2026 年 6 月 27 日，滴滴在成都辦了一場罕見的安全開放日，媒體、司機、乘客與行業專家走進安全預警中心，看一線人員如何聽音、研判、決定是否介入正在進行的訂單。滴滴創辦人兼執行長程維在現場表示，保障每天數千萬訂單的安全是平台責任，但這套體系「還在路上」。這也是滴滴少有地把安全後台攤開給外界看的機會。

安全演算法為什麼跟推薦演算法邏輯相反？

推薦與搜尋系統的日常是在準確率和召回率之間取平衡：多撈不相關結果，就是用準確率換召回率。安全場景的邏輯不一樣。滴滴網約車技術與安全負責人曹樂指出，安全風險是低頻事件，只要平台有能力識別，就不能為了準確率而漏掉。

這個選擇幾乎確定附帶大量誤判。曹樂披露，即使過了大模型多輪篩查，進入安全預警中心的工單裡，真正有風險的比例可能只有幾千分之一，甚至幾萬分之一。一線複核人員大多數時候看到的是安全訂單，卻不能放鬆，因為下一張工單可能就是例外。他把這項工作形容成「西西弗斯推石頭」：每天重複處理大量無風險工單，風險壓下去之後，從頭再來。

曹樂進一步說，這是「幾乎唯一不會被質疑 ROI 的投入方向」。這句話的來源可以追溯到 2018 年順風車事件，此後滴滴重建整套安全體系，即使成本持續攀升，安全預算從未被壓縮。平台年安全投入目前已超過去年集團淨利。這筆帳的邏輯不是每一分投入都要產生收入，而是不能漏掉任何一個可識別的風險。

多模態大模型如何接管全量掃描？

舊的識別鏈問題在累積衰減：語音轉文字，文字觸發關鍵字規則，再疊加軌跡與停留異常等特徵，每轉一層，準確度就掉一些，累積起來系統能看到的資訊愈來愈少。

滴滴現在讓多模態大模型直接吃原始資料，把錄音錄影、位置軌跡、訂單資訊、司機與乘客的歷史紀錄同時餵進去，由模型綜合判斷有無風險。粒度拉到最細：每筆訂單切成一分鐘一個片段，每個片段都跑一次風險偵測，不抽樣、不跳過。模型偵測到風險後進人工複核，99% 的工單要在一分鐘內回應。

對未成年乘客、醉酒、深夜獨行、弱勢族群等場景，系統傾斜更多安全資源。模型若識別到司機詢問乘客是不是在學校、有沒有交往對象，或索取聯絡方式，這些都算前置風險信號。人工確認後，安全專員依風險程度選擇發提醒、外撥震懾，或直接報警。

平台對「行程安全」的定義也比乘客預期的長。從叫車成功算起，直到司機與乘客確認安全分離才結束。行後，平台用軌跡、錄音錄影、藍牙與 Wi-Fi 訊號判斷兩人是否真的分開；有疑慮時，安全專員主動外撥確認。這條延長的邊界意味著平台要承受更多誤判與乘客投訴，也要付出更高的營運成本，但曹樂說這是滴滴在長時間內部爭論後的選擇。

82% 識別率背後，大模型看不到什麼？

干預有效率 99.8%、及時率 98.73%，這兩個數字說明一旦識別到風險，後段流程的執行率相當高。問題在「識別到」這個前提，平台主動識別率目前停在 82%。

剩下 18% 去哪了？曹樂直接說出原因：錄音錄不到、現場聲音嘈雜、設備被遮擋、訊號中斷，以及有些風險根本沒有言語交流。這幾類情況的共同點是，大模型能發揮作用的輸入本身就不存在，沒有音訊、沒有異常軌跡，模型就沒有辦法識別。更難的一類是沒有前置特徵的風險：小口角臨時升級，或蓄意行為沒有留下歷史投訴與異常記錄。這不是資料量或模型能力的問題；不確定性本身消除不了，技術也沒有辦法把它轉成可預測的問題。

目前平台每千萬訂單出現一起肢體碰觸類風險，每百萬訂單出現一起言語類風險。以每天數千萬訂單的規模換算，真實風險事件的絕對數量不容輕忽，而主動識別率 82% 說明現有技術對這個問題還有明確的覆蓋缺口。那個 18% 能否縮小，是大模型接下來要正面回答的問題。

打算在生產環境部署安全類 LLM 的工程師，可以拿這套系統當對照。把召回率設成第一優先，不是調個演算法參數就完了，背後要設計誰來吸收誤判的成本，滴滴的答案是 4000 多名工作人員加上超過集團淨利的年度預算。這個規模不是一般產品能直接複製的，但它說明了一件事：把召回率訂成第一優先，誤判就是結構性成本，不是邊際成本。多模態全量掃描確實比單模態規則鏈看得更多，但有一個條件：信號必須存在。信號本身不在場的那 18%，人工複核也接不住。這意味著，在高危場景部署 LLM，設計系統時要先問「還有什麼看不到」，不是先問「準確率多高」。