DoorDash 的下一场竞争，不只发生在模型里

导语

Ask DoorDash 和配送机器人 Dot 看起来像两条产品线：一个让用户用自然语言买食物，另一个把食物送到门口。但 DoorDash 联合创始人 Andy Fang 和 Stanley Tang 给出的解释更接近同一套方法论：先确定用户真正要完成的任务，再让模型、硬件和运营共同服从这个任务。

自然语言改变的，是需求表达

传统搜索要求用户先把需求压缩成关键词。自然语言入口则能接受更完整的上下文：冰箱里缺什么、家庭成员有哪些忌口、周末想做什么菜、办公室食品架何时应该补货。 Fang 称，在使用 Ask DoorDash 寻找餐厅的路径中，约一半最终选择了用户从未下单过的餐厅 Andy Fang 02:00 “50% of those trajectories are people ordering from places they've never ordered from before” 原声音频直达锚点 播放原声 02:00 ；杂货订单的篮子也更大。这些数字是他的公司陈述，尚未在节目之外核实，但它们说明团队关注的并非聊天本身，而是聊天是否改变购买行为。

这种入口也把 DoorDash 从“下单工具”推向需求协调器。家庭聚餐不只是选餐厅，还要知道谁出席、谁过敏、何时送达；办公室补货则可能由摄像头观察库存后自动触发。智能体商业的价值因此不在于把按钮换成对话框，而在于让过去需要人持续协调的流程变成可执行上下文。

从配送问题倒推机器形态

DoorDash 从 2018 年开始试验自主配送，起初只投入极小团队并与外部公司合作。合作带来的关键判断是：自主能力周围还需要调度、API、商家接入、消费者体验和现场运营。 更重要的是，设备必须从配送用例倒推，而不是先造技术、再寻找问题。 Stanley Tang 12:00 “this idea of building towards a use case” 原声音频直达锚点 播放原声 12:00

人行道机器人太慢，难以覆盖 DoorDash 所称的三到五英里平均配送；无人出租车又为载人设计，重量、座椅和空调都不是运送几份餐食的必要条件。乘客可以走到停在半个街区外的车旁，包裹却无法自行完成最后一百英尺。DoorDash 因此选择介于二者之间的车辆： Stanley Tang 将 Dot 描述为约 300 磅、最高时速 20 英里、可在人行道、自行车道和道路间运行的内部产品。 Stanley Tang 20:00 “weighs 300 lb, travels up to 20 mph” 原声音频直达锚点 播放原声 20:00

现实世界会制造实验室没有的问题

机器人演示可以挑选路线，配送网络不能。摄像头会沾灰；车辆一侧轮胎可能压在落叶上，另一侧仍在沥青上；再生制动可能冲击电池；数百台设备每天启动，会把一段临时脚本的失败率放大成运营故障。 Stanley Tang 的核心判断是，系统必须尽早“接触现实世界”，因为很多问题无法靠工程师预先枚举。 Stanley Tang 26:52 “You have to put something out in the real world make contact with the real world” 原声音频直达锚点 播放原声 26:52

地址也是同样的问题。地图坐标不等于公寓入口、商场店面或顾客门廊。人类配送员会依靠常识修正地图，DoorDash 则希望从历史交付位置中学习。这使公司的数据优势变得具体：不是“拥有更多数据”本身，而是拥有与提货、路线、异常和最后一百英尺直接相关的数据。

这种认识也解释了多模式配送。郊区订单可由 Dot 承担；轻量、偏远订单可能适合无人机；需要上楼、拣货和装袋的复杂杂货单仍由 Dasher 完成。平台的任务不是让一种机器覆盖所有环境，而是为每笔配送选择可行方式。

模型可用之后，规模化才刚开始

当自主能力开始成立，约束会转向制造、零部件寿命、车队维护、城市差异和商家流程。 Stanley Tang 甚至认为，自主能力正逐渐不再是最主要的阻碍，运营和硬件的重要性反而上升。 Stanley Tang 36:40 “autonomy is probably increasingly becoming less and less of a constraint” 原声音频直达锚点 播放原声 36:40

同样的现实主义也被用于公司内部 AI。DoorDash 发布 DashBench 评估模型和执行框架完成真实编码任务的表现，并尝试把较便宜的开放权重模型用于合适环节。 Fang 称，六月相关支出约为一月的二十倍，随后开始趋平；这同样是未经独立核实的公司数字。 Andy Fang 41:40 “our spend in June went up like 20x versus what the spend was in January” 原声音频直达锚点 播放原声 41:40 他的疑问很直接：模型在清洗后的实验任务上表现好，不代表它能处理带有完整上下文的会计、分析或运营工作。

自动化不是单一替代，而是网络扩容

当 Sarah Guo 问长期是否会由机器人取代全部 Dasher 时，Stanley Tang 给出相反预测： 十年后人类配送员可能更多，因为需求和网络规模也会增长。 Stanley Tang 45:00 “in 10 years time, we're actually going to have more Dashers doing doing deliveries, not less” 原声音频直达锚点 播放原声 45:00 这不是已验证结论，而是一项依赖增长、成本和自动化进展的公司预测。

更可信的部分是它背后的系统观：配送网络可能同时容纳人、Dot、无人机和无人驾驶汽车；智能体入口则不断产生更复杂、更持续的需求。 Fang 认为，自然交互会降低下单摩擦，并让自动补货等过去不经济的场景成为产品。 Andy Fang 47:00 “it's going to reduce the friction in terms of their compelling them to place an order” 原声音频直达锚点 播放原声 47:00

DoorDash 在这期对话里真正提出的竞争命题，不是“谁有最强模型”，而是谁能把模型接入真实需求、真实道路和真实组织，并承担由此出现的全部细节。模型决定系统可能做什么，运营决定它是否真的发生。