跳转至

DoorDash 创始人（Andy Fang & Stanley Tang）

  • 背景: DoorDash 联合创始人。公司 2013 年从斯坦福宿舍起家（最初叫 paloalto.com——八份 PDF 菜单 + 一个 Google Voice 号码），如今一年做 30 多亿单配送、9 百万 Dasher、覆盖 40 多个国家、约 100 亿单历史数据。
  • Andy Fang：联合创始人 / CTO，本期主讲 agentic commerce（Ask DoorDash） 与内部 AI enablement。
  • Stanley Tang：联合创始人，本期主讲 DoorDash Labs / 自动配送机器人 Dot（转录稿因自动字幕误记为 "Stanley Ting"）。
  • 定位: 本库第一份从大规模实体商业网络内部看 AI 落地的一手视角——既是 agentic commerce 的大规模部署方，也是自研自动配送硬件（Dot）的运营方，还是一个上万人老公司做内部 AI 转型的样本。方法论一以贯之：一切从实验开始、从用例往回倒推。

两条最有转述价值的主张：Stanley 的 "做自动化的生意需要的远不止自动化"（开机脚本、depot、落叶上的轮子扭矩）；以及关于劳动力的反直觉预测 "10 年后我们会有更多 Dasher，不是更少。"

核心观点

Agentic commerce（Andy）

  • 起点是对话而非语音：两年前最初押注语音模态"结果没成"，真正 landing 的是自然对话——用户把脑中所想直接翻成界面，不用先搜索、做关键词优化（视频页 00:00:05–00:01:05）。
  • 可量化的行为改变：用 Ask DoorDash 的餐厅 trajectory 中 50% 从没点过的新店下单（历来最难撬动的指标）；杂货客单量约高 40%（拍冰箱照片补货、带饮食限制的 meal planning）（00:01:05–00:02:06）。
  • 接入 world knowledge 补模型知识截止；agent-first："现在网上 agent 流量已超人类流量"，今天重做 DoorDash"会是 agentic-first 的样子"；上周上线 DoorDash CLI 降低 agent 参与摩擦（00:03:07–00:05:08、00:47:30）。

自动化 / Dot（Stanley）

  • 2018 年就开始，先做平台、跟从人行道机器人到 robotaxi 的所有玩家合作，得三条教训：验证"自动化是何时而非是否"；"让自动化跑起来要在它周围建一大堆东西"；最重要——必须朝用例造而非先造技术（"市面上的自动化创业公司都是在真空里造的"）（00:09:10–00:15:13）。
  • Dot 的形态由用例定义：平均配送 3–5 英里、约 15 分钟 → 人行道机器人（2 mph）太慢、robotaxi（4000 磅）过度设计且上下车问题不同（"包裹不能走"）→ 正确隐喻是自行车/踏板车 profile 的车：约 300 磅、20–25 mph。没人在造，于是自研（00:13:11–00:15:13、00:21:16）。
  • "做自动化的生意需要的远不止自动化"：几百台车、一天十小时、七天之后开始撞边缘案例——落叶让左右轮扭矩不同、再生制动电冲击、几百台车每早开机的 Jenkins 脚本崩溃、depot/维护/充电、在公寓楼找到确切门口位置（Google Maps pin 从来不准）（00:27:18–00:32:19）。
  • 数据护城河 = 最后 100 英尺："人类 Dasher 历史上把包裹放在哪"这份 drop-off 数据只存在于 DoorDash，Google Maps 里没有（00:31:19–00:32:19）。
  • 多模态车队：Dot 做密郊、无人机做路况差的轻单、复杂杂货单仍用人；对商户是一次集成拿到全部模态（00:23:17–00:25:17）。
  • 招人 pitch："想做 demo 待在 PhD lab，还是做能真正 ship 的东西？"——外加可搭档的 world-class 运营团队（00:26:18、00:34:21）。

内部 AI enablement（Andy）

  • 去年收购 Metis 为上万人老公司注入 AI-native 思维；发布 Dashbench 衡量模型/harness 在编码任务上的 ROI（00:39:25–00:41:26）。
  • 6 月支出比 1 月涨约 20 倍（"20x 不是 20%"），此后靠治理 flatline；路由做法是"把便宜任务下放给开放权重模型、拿到 Fable 级智能却付更少"（00:41:26–00:42:27）。
  • 一个诚实的能力边界：会计/分析任务上，"把问题 dumb down 模型就表现好，但带全部真实企业数据时又不如预期"——悬而未决：是 harness 问题还是模型数据分布本身缺这块（00:43:28–00:44:28）。

劳动力预测

  • "10 年后 Dasher 会更多，不是更少"：DoorDash 约 25% YoY 增长，再 5–10 倍下去人力供给追不上，必须多模态并进；配送越便宜需求越强——"你会看到更多自动化和机器人，但也会看到更多人"（00:44:28–00:46:29）。

视频