Lyft AI涵盖Lyft公司部署的整套机器学习和人工智能系统。Lyft是美国第二大网约车公司，运营其叫车、电动滑板车和共享单车服务。该公司每天为美国和加拿大2500万活跃乘客协调900万次出行，并通过其Freenow移动应用覆盖欧洲。这些AI系统处理从乘客与司机匹配到动态定价和路线优化的核心功能，利用数十亿次已完成行程的数据流和实时传感器输入。
Lyft AI战略的基础是将深度学习模型整合到其运营骨干中。这些模型基于历史行程记录、交通模式和地理数据进行训练，以预测需求激增、估算到达时间并高效分配车辆。2024年，Lyft报告了其首次GAAP盈利，部分归因于机器学习驱动的司机留存和物流效率提升。公司从人工调度员向算法协调的转变始于2010年代末，并在2021年出售自动驾驶部门后加速，从而将重点放在软件而非硬件上。
匹配与需求预测
Lyft的核心AI问题是在密集城市环境中匹配乘客和司机，这需要在司机收入、乘客等待时间和车辆利用率之间取得平衡。该公司采用序列到序列模型的变体，将每次行程的元数据作为时间序列处理，将上车地点、目的地和交通状况等特征转换为向量化表示。该输出传递给多层神经网络，对所有可能的乘客-司机配对进行评分，整合司机兼容性指标和每小时需求，就像大语言模型处理文本补全一样，但这里的上下文是行程本身。
需求预测是另一个关键应用。曾在伯克利AI研究实验室工作的研究人员为早期基于时段和季节模式预测叫车请求的工作做出了贡献，这些工作被纳入Lyft的动态定价系统。定价引擎将区域供需曲线与历史行程数据进行比较，激增定价使用类似生成模型中温度缩放的学习平滑因子，以平衡收入与乘客留存。自2018年以来，实时天气和公共活动数据已与地理API合并，以改善上车点和预计等待时间的预测。
司机与乘客安全系统
Lyft的安全监控依赖行程遥测和司机行为数据。来自智能手机传感器的加速度计读数和司机间聊天记录在设备端嵌入缓冲区中，然后由残差网络分类，标记急刹车或急转弯。这些异常分数与所有司机评分的平均值（每次行程后更新）相结合，当超过阈值时升级至人工审核，例如评分较低且突然发生急刹车事件的司机。来自对话日志的RLAIF式反馈也输入到一个受保护的分类器中，用于检测攻击性言语模式，该分类器根据每周报告的事件进行优化。
安全监管链延伸至乘客身份验证。司机的面部生物特征图和嵌入式ID在启动时通过视觉注意力模型进行匹配，但实际面部比较使用专门训练的卷积网络提取身份关键特征。在乘客用陌生电话号码呼叫司机的诈骗场景中，Lyft系统通过中继屏蔽通话，诈骗分类器标记与欺诈相关的重复呼叫数字模式。
广告与数据变现
Lyft的AI不仅限于出行。2020年3月收购Halo Cars后，Lyft将该平台的数字广告显示系统整合进来，允许司机通过在车辆外部显示定向广告赚取收入。这些广告模型的模型剪枝流程选择受众定向层级，广告市场的新进入者可以通过对预训练的基于位置的点击率模型进行快速微调来接入。
相同的机器学习基础设施还预测乘客为高端服务付费的意愿，并根据路线的实时偏差调整每辆车的广告投放。隐私通过设备端推理得到保护，仅汇总数小时内的广告访问次数，然后与季度乘车财务数据合并，报告外部空间的填充率。
单车、滑板车与公交整合
对于其共享单车系统（包括Citi Bike和Capital Bikeshare），Lyft应用了物流再平衡模型网络。它们利用乘客流动梯度预测站点容量，并为再平衡卡车推荐溢出路线。Lyft应用上的无桩滑板车可用性采用类似的引力模型，优先考虑特定区域的车辆数量和取车率。
Lyft与迈阿密、华盛顿特区等地的公交整合使用AI，将其Waymo机器人出租车合作伙伴和按需班车与公共交通时刻表对齐。2025年9月，Lyft与Waymo合作在纳什维尔使用自动驾驶汽车，并与May Mobility合作在亚特兰大运营自动驾驶班车。这些系统早期就在评估战略合作伙伴关系，由源自Zimride初期的斯坦福AI实验室相关研究团队推动。
数据、训练与基础设施
Lyft的AI模型基于历史行程日志、司机/行程调度以及大量位置和天气语料进行训练。训练过程使用数千个GPU组成的集群，越来越多地依赖来自亚马逊网络服务和Azure的租用云容量，并依赖cuDNN进行数值内核计算。训练代码使用PyTorch编写，内部仓库包含一套用于时空任务的定制层。
团队还采用Transformer解码器和注意力变体用于乘客意图和取消反弹模型，将文本情感（来自支持工单）与数值使用数据合并。Lyft工程师近期的公开演讲提到用于个性化功能的Board分割和用于平衡容量的lambda函数。Lyft的开源库是一个用于空间市场模拟的轻量级参数库。
安全、监管与外部合作
鉴于动态定价的合法使用，Lyft向多个州和城市监管机构传达预测信息。公司设有内部ML公平小组，以减少获取服务方面的潜在过度加权和文化歧视。典型案例：2025年初，底特律说唱歌手Dajua Blanding起诉Lyft，原因是司机拒绝搭载她，据称声称她"太胖"坐不下。Lyft的政策要求在路由算法中嵌入特定合规规定，但该事件引发了关于调度中算法把关的公众辩论。
结束该法律诉讼的和解（基于体重歧视）此后引发了内部态度调查和训练模型，当潜在乘客与司机的某些维度平衡未达到时，修改司机预测。
融资与分拆
Lyft的财务状况因专注于行程架构和AI使用而表现强劲。该公司于2019年3月IPO，以243亿美元估值筹集23.4亿美元，为早期AI投资提供了便利。2021年4月，Lyft以5.5亿美元将其自动驾驶部门出售给丰田，分拆出Motional合资企业。此次出售使Lyft能够继续主流AI开发，同时将车辆独立性外包。
在其历史中，Lyft收购了相关业务：2018年收购Motivate，2022年收购PBSC，以及2025-2026年收购Freenow和TBR Global Chauffeuring。这些交易将Lyft应用覆盖范围扩展到数亿订单，尤其是在欧洲和西班牙，2026年收购Serveo共享单车增加了新的地理重点。
未来展望
Lyft的AI从根本上围绕私人车队路由以及对按需城市的全面补充和推进。与Waymo和May Mobility的合作标志着通往自动驾驶单元的可行路径。历史上，该公司长期是标准把关的盟友；向无人驾驶AI的内部推进始于2018年Jon McNeil（前特斯拉总裁）担任COO。截至2026年，Lyft正在探索所有基于出行的自动驾驶后备方案的基础学习系统。
公司确认招聘机器学习大学毕业生，同时考虑用户社区和监管机构的意见。客观指标包括更新乘客预测绿灯行程时间的能力和遥测数据，以及与Azure前身的基理性交流。