每當我們在尖峰時段開啟 Uber 應用程式叫車或點外賣，背後其實正進行一場與時間競賽的數字運算。為了在瞬間決定哪位司機最接近、計算最準確的預計到達時間（ETA），Uber 宣布與 Amazon Web Services（AWS）深化合作，引入其最新自研晶片 Graviton4 及 Trainium3，重點之一是分析數以十億計的歷史行程數據，讓叫車配對過程變得更智能、更個人化。
對於 Uber 而言，技術的核心挑戰在於如何於毫秒之間處理海量的即時預測。透過擴展其「行程服務區域」（Trip Serving Zones）基礎設施，Uber 利用 AWS Graviton4 晶片的高效能表現，確保系統能在交通尖峰或大型活動期間，依然維持低延遲的配對服務。這種運算能力的提升，讓系統能在最短時間內回答：哪條路線最快？司機實際上何時到達？從而大幅提升用戶的使用體驗。
秒速配對乘客與司機 Graviton4 降低運算延遲
Uber 工程副總裁 Kamran Zargahi 指出：「Uber 的運作規模讓每毫秒都很重要。將更多 Trip Serving 工作負載移至 AWS，讓我們能更靈活地加快配對乘客與駕駛，並在不中斷服務的情況下處理外賣需求高峰。」這項改進不僅減少了乘客等待的時間，更透過優化晶片效能來降低能源消耗與營運成本。
在即時定位資訊處理方面，Graviton 晶片的加入令 Uber 能夠在大規模運作下維持高可靠性。當系統在毫秒內處理數百萬次預測時，任何細微的延遲都會影響整體的調度效率。透過這次硬件升級，Uber 即使面對每日數百萬次的行程與外送需求，也能在不犧牲安全性的前提下，實現快速反應。
Trainium3 強化模型訓練 預測抵達時間更準確
除了即時配對，Uber 亦開始試用專為 AI 訓練設計的 AWS Trainium3 晶片。AI 模型需要消化過去十億級別的行程資料，才能學會如何更精準地派遣司機，並向客戶推薦最合適的餐廳或外送選項。訓練這類龐大的模型需要極高密度的運算能力，而 Trainium3 的高效能且具成本效益的特性，正是 Uber 構建未來智能服務的技術基石。
隨著模型持續學習路面數據，用戶將發現預估抵達時間變得更為精準。Kamran Zargahi 補充道：「透過在 Trainium 上試行部分 AI 模型，我們正在建立讓每次 Uber 體驗都更智慧的技術基礎，這樣我們就能將焦點放在每天使用 Uber 的人。」這種以 AI 驅動的預測模型，讓 Uber 不僅僅是一個代步工具，更成為一個能理解用戶需求、並能即時應對全球交通狀況的智能平台。
Source：AWS