Uber内部AI助手Genie通过Slack解答工程支持问题，采用RAG而非微调：用Spark ETL管道从Engwiki等来源提取文档，经LangChain分块和OpenAI嵌入模型生成向量，存入内部向量数据库Sia供检索。提问时先检索相关片段，再连同来源URL交给LLM生成带引用的回答以减少幻觉。Genie支持追问、标记解决或转人工，并收集四类反馈存入Hive分析；Uber还用LLM评审评估回答与文档质量。上线一年覆盖154个频道，回答超7万问题，有用率48.9%，节省约1.3万小时。

费城女子卡罗琳·马文因阻挡Uber送货机器人通行被捕，被控扰乱治安。她称抗议是因机器人抢走人类配送工作，警方要求其让路遭拒后将其逮捕，事件视频引发关注。送货机器人已在费城街头常见并引发反弹，公众对自动驾驶系统冲击低技能就业的担忧日益加剧。

Light 为极简手机 Light Phone III 和 Light Flip 推出 Rideshare 工具，用户可直接叫 Uber 和 Lyft，查看费用、预计到达时间并预订行程。该功能与 Tremp 合作，收取 10% 服务费（最低 2 美元），新账户前五单免手续费。这也是 LightOS 工具库 SDK 的早期预览，未来将开放开发者提交工具。

Uber在伦敦率先推出商用机器人出租车服务，击败Waymo。车辆采用英国Wayve公司的自动驾驶技术，无激光雷达和地理围栏，初期配备安全驾驶员。此举测试了英美以外市场对无人驾驶的需求，Uber计划投资超100亿美元扩展该业务。

Uber公开AI成本优化实践：通过将总花费拆解为六个可独立优化的变量，并采用四层架构管理智能体，实现了周活跃用户增长7倍、请求量增长9.4倍的同时，AI总支出自4月起保持稳定，单次请求成本下降34%，会话成本下降52%。核心方法包括模型选型基准测试、MCP工具CLI化、Code-Mode压缩Token、优化Prompt Cache TTL及构建上下文图谱，强调成本可见性与文化引导，为AI编程降本提供了系统化工程方案。

Uber推出青少年账户实时视频流功能，家长可通过司机手机前置摄像头实时查看青少年乘车过程。该功能基于现有安全工具，行程中加密直播，结束后视频加密存储14天，仅安全调查时可访问。初期在美国九个市场推出，计划全国推广。

Uber更新青少年账户功能，允许家长通过司机手机自拍镜头实时查看行程视频。司机需同意授权，家长会收到通知，行程结束即停止。视频加密，仅关联家长可看。此举回应家长对网约车安全的担忧，尤其Uber面临数千起性侵诉讼。

Uber与无人机公司Zipline合作，将于今年在达拉斯-沃斯堡启动Uber Eats无人机送餐，目标2029年日送百万单。Uber已投资Zipline，后者自2016年起在卢旺达等地运营。此举正值监管放宽，DoorDash等对手也推出无人机配送，竞争加剧。

本文总结了Airbnb、Netflix、Lyft和Uber如何将因果推断应用于LLM功能测量。核心要点：根据部署机制选择方法（如DiD、RDD、AIPW），运行诊断验证假设，将短期指标与长期价值关联，并让因果估计支持前瞻性决策。强调提前埋点、匹配方法与场景、避免混淆数据，以可靠评估AI功能真实影响。

Uber CEO表示与Waymo的合作关系依然牢固，尽管此前终止了凤凰城合作并出现分歧。双方继续在奥斯汀和亚特兰大运营，但Uber强调不依赖单一伙伴，正拓展Zoox等多家自动驾驶合作方。Waymo规模领先，但机器人出租车仅占Uber行程量不到0.5%，未来竞争格局不确定。

DoorDash、Instacart和Uber Eats以不同方式将LLM整合进搜索系统。DoorDash离线用LLM丰富知识图谱，运行时保持传统检索；Instacart用LLM处理查询理解，结合RAG和微调模型；Uber Eats将微调Qwen作为嵌入骨干，统一多垂直领域检索。三者差异源于现有基础设施，核心问题是LLM应深入运行时多深。