一個計程車司機的 AI 導航，繞了遠路卻賺更多
換句話說，他多跑了五公里，多收了六十五元，卻省下二十一萬毫秒——不對，是二十一分鐘。
AI 導航沒有說出口的那句話：「前方的塞車不是距離問題，是收益問題」
多數人對導航的誤解，是把「導航」等同於「找近路」。但現代路線規劃演算法的核心，其實是一個多目標優化問題（multi-objective optimization）。它同時在算這幾件事：
換句話說，AI 在幫老陳計算的，不是「哪條路比較短」，而是「哪條路的總體代價比較低」。而在市區尖峰時段，時間的成本永遠高於距離的成本。因為距離是可以事後補回來的，時間不行。
這就是為什麼一條看起來「繞遠路」的路線，在演算法的世界裡其實是「捷徑」。它繞開的不是地理上的距離，而是那些會把時間吃掉的節點：一個卡住的匝道、一段事故封閉的車道、一連串紅燈的平面道路。
「繞路」在 AI 的語言裡，從來不是繞路，而是「避開高成本區域」。人類看到的是地圖上的線條變長了，演算法看到的是成本函數上的數值變小了。
而老陳那天真正賺到的，其實還不只是那六十五元。他賺到的是「時間」。省下的二十一分鐘，讓他在板橋車站附近剛好遇上高鐵南下列車到站的時段，接到一張到桃園機場的單。那一趟跳表九百八十元。
這才是整件事真正的重點：繞遠路賺更多，不是因為那趟車資變高，而是因為它改變了你下一趟車的可能性。
二、AI 導航到底在算什麼？拆解「繞遠路卻賺更多」背後的四個變數
如果只把這件事理解成「導航很神」，那就太可惜了。老陳的案例之所以值得拆解，是因為它同時觸及了四個層次的成本結構。這四個變數，不只適用於開車，也適用於任何在 AI 時代做決策的人。
變數一：時間成本與距離成本，從來不是同一件事
在傳統的價值觀裡，「省」這個字幾乎等同於「少花」。少花錢、少走路、少繞路。但在營運現場，「省」的真正定義是「單位時間內的產出最大化」。
對計程車司機而言，一天能開八到十小時，扣掉吃飯、加油、休息，真正在載客的時間可能只有五到六小時。這五到六小時裡，如果有一半卡在車陣裡，那就算里程數很漂亮，實際收入也不會高。
所以老陳後來自己歸納出一條公式：「我賺的不是公里數，是『有效移動時間』。」
這句話在企業管理裡有個對應的概念，叫做「資產周轉率」。同一台車、同一個司機，如果能把「空轉」的時間壓低，產出自然拉高。而 AI 導航做的，本質上就是把「卡在紅燈裡的時間」轉換成「可以載客的時間」。
這也是為什麼很多外送平台的派單演算法，寧可讓外送員多騎兩百公尺，也要把他從一個「訂單密度低」的區域拉回「訂單密度高」的熱區。因為對平台而言，外送員的「待命時間」才是最貴的成本。
變數二：需求密度——AI 把你送到「有人的地方」
老陳那趟車真正幸運的地方，不是他跑得快，而是他「跑到了對的地方」。板橋車站，六點半，高鐵旅客下車。這是一個需求密度極高的節點。
而需求密度這件事，是路線規劃演算法近年最大的進化方向之一。早期的導航只算「A 點到 B 點怎麼走最快」，現在的 AI 調度系統算的是「A 點到 B 點之後，哪裡最可能接到下一單」。
這在技術上叫做「聯合優化」（joint optimization）——把路線選擇與訂單預測綁在一起算。對司機而言，感受就是：「照著螢幕走，奇怪，怎麼運氣特別好。」
但運氣不是運氣。那是因為 AI 已經把你「未來的可能性」也一起算進去了。
這背後有一個很重要的觀念轉變：單趟任務的最佳解，不等於整天下來的最佳解。
假設有兩條路線：路線甲讓你這趟快五分鐘，但會把你丟在一個鳥不生蛋的工業區；路線乙讓你這趟慢兩分鐘，但終點在百貨公司門口。單看這一趟，甲比較好；看一整天，乙可能多接兩張單。
AI 的強項就在這裡：它不會被「這一趟」綁住，它看的是整體期望值。
變數三：油耗與車損的隱藏帳單
老陳有一本小筆記本，記錄每一趟的里程、時間、油錢。「繞遠路」聽起來多花油，但實際上有個反直覺的現象：在市區走走停停跑五公里，可能比在快速道路順順跑十公里還耗油。
原因很簡單。市區行駛的油耗殺手不是距離，是「怠速」與「起步」。每一次從零加速到四十公里，引擎都在做一次劇烈的能量轉換；每一次煞停，那些動能都變成煞車皮的熱能散失掉。這也是為什麼車廠公布的「市區油耗」跟「高速油耗」數字往往差了一大截。
所以老陳那趟多跑的的五公里，如果是在國道三號上以八九十公里的時速巡航，實際增加的油錢可能只有三十元左右，但省下的是二十一分鐘的怠速、二十一次起步、二十一次煞停。
而煞車皮、來令片、變速箱油、引擎積碳——這些「隱形成本」不會出現在跳表上，卻會出現在保養廠的估價單上。這是 AI 導航「沒告訴你，但它默默幫你算進去」的部分。
其實更精確地說，是「AI 幫你把顯性成本最小化了，但你必須自己把隱性成本補上，才會真的賺。」老陳後來在車上裝了一個簡單的油耗監測 App，搭配導航的路線選擇，才慢慢抓出自己車子的「甜蜜時速帶」。
變數四：乘客體驗與評價分數，是演算法世界裡的隱形資產
還有一個變數，是很多人忽略的：那趟車的乘客，最後給了老陳五星評價，外加一百元小費。
在車隊 App 與叫車平台的世界裡，「評價」不只是面子問題，它會直接影響派單優先序。評價高、取消率低的司機，在尖峰時段更容易接到單。這是一個正向循環：服務好 → 評價高 → 派單多 → 收入高 → 更有餘裕服務好。
而老陳那天做了什麼？他只是誠實地跟乘客說：「小姐，我幫你走一條會繞一點路，但比較不會塞的路，好不好？」
這句話有兩個作用。第一，它讓乘客參與了決策，降低了「這司機在繞路坑我」的疑慮。第二，它展現了專業判斷，而不是盲目跟著螢幕走。
這就是人類駕駛在 AI 時代仍然不可取代的地方：AI 給你最適解，但只有人能讓這個最適解被接受。
同樣的路線，如果老陳一句話都不說，乘客看到里程跳得比預期多，很可能一下車就給三顆星。路線一樣，結果卻完全不同。差別不在演算法，在溝通。
三、從導航到職涯：AI 時代最貴的不是效率，而是「目標函數」
講到這裡，我們可以把視角從一台計程車，拉高到一整個世代的工作者。
老陳的故事之所以有共鳴，是因為它精準地打中了一個集體焦慮：我們明明比以前更有效率了，為什麼沒有變得更輕鬆、賺得更多？
答案往往不是「不夠努力」，而是「目標函數設錯了」。
效率是「把事做對」，效能是「做對的事」
管理學裡有一句老話：「效率（efficiency）是把事情做對，效能（effectiveness）是做對的事情。」在 AI 時代，這句話的殺傷力變得空前巨大。
因為 AI 最擅長的就是「效率」。你給它一個明確的目標函數，它可以用遠超人類的速度、遠超人類的精準度去逼近最佳解。但問題是——目標函數是誰給的？
如果老陳的目標函數是「里程最短」，AI 會給他最短的路，然後他卡在堤頂大道上。
如果他設的是「單趟車資最大」，AI 可能會給他繞最遠的路，然後乘客隔天客訴他。
但如果他設的是「今日淨收入最大化」，AI 給出的就會是那條繞了五公里、卻讓他接到機場單的路線。
同樣的 AI，不同的目標函數，完全不同的結果。
而這正是很多上班族的困境：我們被交付的 KPI，往往是最容易衡量的那個（工時、產出量、拜訪數、回覆率），而不是真正驅動價值的那個（客戶終身價值、問題解決率、決策品質）。於是我們用 AI 工具把自己變成一台高效的機器，卻發現自己只是更忙、更累、更沒有方向感。
你的 KPI 是誰設定的？
這個問題值得每個人誠實回答。
如果你是一位行銷人員，你的目標函數是「貼文數量」還是「品牌記憶度」？AI 可以幫你一天產出三十篇貼文，但如果目標函數錯了，那三十篇只是三十份噪音。
如果你是一位工程師，你的目標函數是「完成票數」還是「系統穩定性」？AI 可以幫你快速產碼，但如果目標函數錯了，你只是在更快地製造技術債。
如果你是一位學生，你的目標函數是「作業完成度」還是「能力養成」？AI 可以幫你寫完報告，但如果目標函數錯了，你只是把四年學費換成一張漂亮的成績單。
老陳的體悟來得很直白：「以前我以為開車就是『把客人從 A 送到 B』，後來才知道，我真正在做的是『把我的時間賣給出價最高的人』。」
這句話有點冷酷，但它很誠實。而這種誠實，正是設定正確目標函數的前提。
在 AI 趨勢的討論裡，我們太常聚焦在「工具會不會取代我」，卻太少討論「我要用工具去哪裡」。前者是技術問題，後者是價值問題。而價值問題，AI 幫不了你。
四、一位運將的 AI 工作流：實戰操作筆記
老陳不是工程師，他不懂什麼叫「啟發式演算法」或「貝氏推論」。但他有一套自己的 AI 使用哲學，而且相當扎實。以下是他口述、我整理的實戰筆記，某種程度上，這比多數企業的「數位轉型簡報」還要實用。
早上七點的棋盤格：熱區預判
老陳每天出門前，會先花三分鐘看兩件事：一是車隊 App 的「熱區地圖」，二是高鐵與機場的班次表。
「熱區地圖」是平台根據歷史資料與即時需求算出來的熱點分布，紅色代表需求高、藍色代表供給過剩。多數司機會往紅色擠，但老陳的做法相反——他會看「紅色正在往哪個方向移動」。
「比如說，早上七點，紅區可能在內湖。但那不是因為內湖的人要出門，是因為內湖的人要『往台北市區』去。所以如果我在內湖載到人，我要判斷他是去上班還是去機場。如果是去機場，那我一整天就順了。」
這種判斷，AI 不會直接告訴你，但 AI 給的資料可以推導出來。老陳的做法是「用 AI 的資料，做人的判斷」，而不是「照著 AI 的指示，關掉自己的腦袋」。
這其實就是所謂的「human-in-the-loop」：人類負責設定目標與詮釋情境，AI 負責計算與執行。兩者不是取代關係，是協作關係。
接單前的三十秒判斷
老陳說，接到單的那一刻，他會在心裡跑過三個問題：
這趟的目的地，是不是需求密集區？（決定下一單好不好接）
這個時間點，去那裡的路會不會塞？（決定這趟划不划算）
這個乘客，看起來趕不趕時間？（決定要不要主動溝通路線）
這三個問題，AI 大概可以回答前兩個半。第三個問題，只有人看得出來。
「我看過很多乘客，一上車就看手錶、一直滑手機查高鐵時刻表、講話很急。這種人你要主動跟他說路線，不然他會以為你在繞路。也有一種乘客，一上車就說『慢慢開，我不趕』，這種我就不繞了，走平穩的路，他舒服，我也省油。」
這就是老陳的「AI 加上人性」工作流。AI 提供選項，人做最後的加權。
值得一提的是，老陳並不完全信任 AI。他遇過導航把他帶進一條正在施工的單行道，也遇過系統誤判路況，把一條其實很順的路標成紅色。「AI 是參考，不是聖旨。它再強，也是看資料在猜，我人在現場，我看得到它看不到的東西。」
五、平台演算法的黑箱與駕駛人的主體性
談到這裡，不能不談一個比較嚴肅的面向：當 AI 導航與派單系統越來越強，司機的主體性會不會被侵蝕？
別把方向盤交出去
這是老陳最堅持的一件事。
「現在很多少年仔開車，螢幕說走哪就走哪，連看都不看外面。有一次我在承德路看到一台車，導航叫他左轉，他就硬轉，結果轉進一條巷子，卡住。我在後面看了都替他緊張。」
這當然是個案，但它點出了一個真實的風險：當人類過度依賴演算法，會逐漸喪失「情境判斷」的能力。
這在學術上有個名字，叫「自動化偏誤」（automation bias）——人傾向於相信自動化系統的判斷，即使自己有足夠資訊可以質疑它。在航空、醫療、金融領域，這都是被高度研究的風險。而在日常生活裡，它正以「照著導航走」的形式悄悄發生。
對老陳而言，對抗這件事的方法很樸素：每天花一點時間，不用導航開車。
「我休假的時候，會故意不開導航，憑記憶開。不是為了省電，是為了讓腦子還記得路。你如果連自己家附近的路都不認得，那你不是被 AI 取代，是你自己先放棄了。」
這段話聽起來像老人的碎念，但它其實是 AI 時代最珍貴的素養之一：保有「不依賴工具」的能力，才是真正能駕馭工具的前提。
這也回應了前面提到的目標函數問題。當你連「自己要去哪裡」都不知道，AI 給你的最佳解，只是把你更快地送到一個你不想去的地方。
六、給一般人的啟示：五個可以立刻練習的「繞路思考」
老陳的故事，終究要回到讀者身上。如果你不是計程車司機，這篇文章對你有什麼用？我整理出五個可以立刻練習的思考習慣：
這五點說起來簡單，做起來不容易。因為它們都要求你「慢下來」，而 AI 時代最不鼓勵的就是慢。
但老陳的故事告訴我們：有時候，慢一點、繞一點，反而更快到。
七、結語：繞遠路的人，往往看得比較遠
訪談結束前，我問老陳一個有點哲學的問題：「你覺得 AI 會不會有一天真的取代計程車司機？」
他想了一下，把車窗搖下來，點了一根菸。
「取代是早晚的事啦，自駕車總有一天會出來。但我覺得不是『取代』，是『改變』。就像以前我們用無線電叫車，後來用手機 App，現在用 AI 派單。工具一直換，但開車的人還是要會看路、會看人、會看天氣。」
「AI 可以幫我算哪條路最快，但它不會知道我這個乘客心情不好、不會知道我這台車的冷氣有點弱、不會知道前面那個路口今天在辦喪事。這些東西，還是要人來。」
他熄了菸，補了一句：「而且啊，AI 不會幫我決定今天要不要早點回家吃飯。」
這句話讓我笑了很久。
是啊，AI 可以算出最佳路線、最佳時段、最佳收益，但它算不出「什麼對你來說是值得的」。那是人的工作。
所以，下次當你的導航叫你繞路時，先別急著罵它。它可能看到了一些你看不到的東西——不是地圖上的線，而是成本函數裡的數字。
而當你願意停下來，問一句「它為什麼這樣算」，你就已經從「被 AI 導航的人」，變成「懂 AI 導航的人」了。
💬 想說點什麼？
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →