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。

在意大利打车与其他地方不同，无法使用Uber。需下载当地App如appTaxi和iTTaxi，计费从司机接单时开始，支付可用信用卡。预约车站接送需提前安排。

Uber首次在年度失物招领指数中纳入自动驾驶出租车遗留物品，常见物品包括手机、钱包和钥匙，奇特物品如保龄球和玩具也在其中。Uber计划在全球15个城市推广自动驾驶服务，目标成为最大的自动驾驶出租车经纪商。

Uber 的 AI 工具预算在四个月内耗尽，但与用户体验和功能提升无关。许多公司裁员以节省成本，裁员与投资回报率无关，主要是为了向投资者展示使用 AI 的决心。AI 的计费模式使预算难以预测，资金流向 AI 公司而非创造业务价值，未来可能需要重新招聘被裁员工，AI 只是改变了花钱方式。

Uber团队在优化Go语言微服务性能时发现，Goroutine的栈扩容消耗了近10%的CPU资源。通过修改Go运行时，他们成功将这一损耗降低至0.0047%。这一研究推动了Go语言的改进，未来将惠及全球开发者。