跳转至

DoorDash 的自动配送体验：Agentic Commerce 与 Dot 机器人（No Priors，2026-07-23）

  • 嘉宾: Andy Fang（DoorDash 联合创始人/CTO，负责 AI/agentic commerce 侧）· Stanley Tang（DoorDash 联合创始人，负责 Labs / 自动化机器人侧；转录稿因自动字幕误记为 "Stanley Ting"）
  • 主持: No Priors（本期为 Sarah Guo 主问）
  • 来源: YouTube · 49 分钟（自动字幕）
  • 转录稿: sources/no-priors/20260723-vNpcg_Ma-FA

本库第一份从大规模实体商业网络内部看 AI 落地的一手材料。DoorDash 一年做 30 多亿单配送、9 百万 Dasher、40 多个国家，两位创始人给出三条主线：① agentic commerce（Ask DoorDash）如何真实改变消费行为；② DoorDash Dot——一台自研的、介于人行道机器人与 robotaxi 之间的自动配送车，以及"做自动化的生意需要的远不止自动化"的规模化教训；③ 公司内部的 AI enablement（Metis 收购、Dashbench、支出 20 倍暴涨后被压平、开放权重模型路由）。这为本库此前多处只是"提到 DoorDash"（Dashbench 路由、token 治理、Applied Intuition"那些人去跑 DoorDash 了"）补上了当事人自述。

说话人映射（据补做分离的 speakers.md；转录稿本身无标签，此处认人属 wiki 层编辑判断）： | 标签 | 占比 | 认定 | 依据 | |---|---|---|---| | SPEAKER_01 | 54.0% | Stanley Tang | 主持问"Stanley, you guys are doing…"（[00:06:09] 块）后由此标签讲机器人项目的起源（[00:07:10] 块，100%）；同块又说"like Andy said"，所以不是 Andy | | SPEAKER_02 | 27.8% | Andy Fang | "you know Stanley and I talk about this all the time"（[00:04:08] 块，100%）；高纯度块是 agentic 下单与 Tasks 产品（[00:20:16]、[00:47:30]），与其 AI/agentic commerce 分工一致 | | SPEAKER_00 | 18.2% | Sarah Guo（主持） | 开场"Hi listeners, welcome back to No Priors. Today I'm here with Andy Fang and Stanley Ting"（[00:00:05]，100%） |

概要

DoorDash 把自己看成一个本地商业的操作系统 / 生态，而不只是外卖网络。两位创始人反复强调同一个方法论——一切都从实验开始、从用例往回倒推（这也是 2013 年 paloalto.com 八份 PDF 菜单 + 一个 Google Voice 号码起家的故事）：先搞清楚要解决的客户问题，再倒推该建什么技术，而不是"先把技术造出来再找问题"。这条方法论既解释了 Ask DoorDash，也解释了他们为什么最终决定自研 Dot。

核心观点

Agentic commerce：Ask DoorDash 真的改变了消费行为

  • 起点是"对话式"而非"语音"：两年前他们最初押注语音作为交互模态，"结果那个没成"；真正 landing 的是自然对话体验——用户能把脑子里的东西直接翻译成界面，不用先做搜索、再做关键词优化（[00:00:05]–[00:01:05]）。
  • 可量化的行为改变（本节最硬的一手数据）：
  • 餐厅侧：用 Ask DoorDash 的 trajectory 里 50% 是从没点过的店下单——而"让用户从新店下单"历来是 DoorDash 最难撬动的指标之一（[00:01:05]–[00:02:06]）。
  • 杂货侧：客单量大约高 40%——用户会拍一张冰箱照片说"帮我补货"、做带饮食限制的 meal planning、或"这周末想给家人做意面"（[00:02:06]）。
  • Sarah 的反应很关键："我从没觉得 DoorDash 难用，但这说明存在没被满足的潜在需求——不是难用，而是'去新地方吃'这件事此前不够容易。"Andy 确认：人会建立习惯，但也想要多样性，对话式体验成了表达这种多样性的自然出口（[00:02:06]–[00:03:07]）。
  • 把 world knowledge 接进来：模型知识截止太早，所以他们特意接入"DoorDash 之外正在发生的事"——网上在流行什么、论坛里在聊什么——来提升可信度、贴合"想吃点酷的"这种社交货币式需求（[00:03:07]）。
  • agent-first 的未来：Andy 反复提到一个统计——"现在网上的 agent 流量已经超过人类流量"；如果今天在车库里重做一个 DoorDash，"大概会是 agentic-first 的样子"（[00:04:08]）。上周他们上线了 DoorDash CLI，就是在降低 agent 参与这套体验的摩擦。一个具体用例：办公室经理把摄像头对准茶水间货架，货架快空时自动 fire 一个 query 让 DoorDash 补货（"这是个'人类存在任务'"）（[00:05:08]、[00:47:30]–[00:48:31]）。
  • 对未来购买方式的判断：Google 搜索 query 在变长 → 人越来越愿意像对真人一样对 app / agent 说话；把这种摩擦降下来会直接提高下单意愿，且会外溢到食品之外的杂货、便利店、零售（[00:46:29]–[00:48:31]）。

机器人/自动化：一段被低估的八年长跑

  • 2018 年就开始，比外界以为的早得多——当时自动驾驶/机器人还不明显会成。作为 founder-led 公司，他们能"想更远、更投机的事，并持续琢磨怎么不被下一个 DoorDash 颠覆"。而下一个 DoorDash"不会是把同样的东西配个更好的 UI 重做一遍——那太蠢了"，而会是"把 AI agent commerce、自动化、机器人、无人机原生地纳进来的那种"（[00:07:10]–[00:08:10]）。
  • 先做平台、后被迫自研——三条关键教训（[00:09:10]–[00:15:13]）：
  • 头几年他们不打算自己造机器人，而是当平台：建 API、管分发，跟"从人行道机器人到 robotaxi"的所有玩家都合作过。这验证了自动化是"何时"而非"是否"的问题。
  • 学会了"让自动化跑起来要在它周围建一大堆东西"——基础设施、生态、调度、运营。"不是把一个机器人 plop 进去、或者把一个 LLM plop 进去就自动发生了。"由此建了 autonomous delivery platform（后自动化世界里需要的全套 API、dispatch、商户/消费者集成）。
  • 最重要的一条：必须朝用例造，而不是先造技术再找问题。"软件世界 YC 教你 serve the customer、build something people want；可一到硬件/hard tech/机器人，大家偏偏反过来先造技术。"市面上的自动化创业公司"都是在真空里造的东西"，没有一个正好是 DoorDash 需要的。
  • 为什么现有形态都不对——DoorDash 的平均配送 3–5 英里、典型配送时间约 15 分钟（不含做餐）：
  • 人行道机器人（2–3 mph 的"轮子上的饮水机"）：技术简单有效，但速度和距离是硬伤，"放个 2 mph 的机器人永远不可能 work"。
  • robotaxi（4000 磅、为载人设计）："只运几个墨西哥卷，真需要一辆带座椅和空调的 4000 磅车吗？" 而且 robotaxi 的上下车问题不一样——Waymo 把你放在半个街区外没关系（你能走），但包裹不能走。
  • 由此定义出 Dot 的形态：处在两者之间——"正确的隐喻是一辆自动的摩托/踏板车/自行车 profile 的车"：不用 4000 磅、大约 300 磅，但要比人行道机器人快得多，跑 20–25 mph（[00:14:11]–[00:15:13]）。没人在造这个，于是他们决定"掌握自己的命运"，自研。

DoorDash Dot：设计与现状

  • Dot 是完全自研的自动配送机器人：约 300 磅、最高 20 mph、体积是汽车的 1/10；唯一一款设计成不只走人行道、还能上自行车道和马路的配送机器人（[00:21:16]）。
  • 在 Phoenix（Tempe）已做配送近两年，去年升级到全自动 L4——"到 Tempe 会觉得像在旧金山看 Waymo"（[00:21:16]、[00:35:21]）。
  • 不能直接抄 Waymo："这是一辆自行车道 profile、在马路和人行道之间不断切换的车，据我所知世界上没有别的东西像它、也没有别的东西表现得像 Dot"——因为是为配送用例专门造的（[00:36:22]）。

"做自动化的生意需要的远不止自动化"——规模化的真实边缘案例

这是本期最有价值的一段一手经验（[00:27:18]–[00:38:25]），把"demo vs 规模化服务"的鸿沟讲得极具体：

  • 一次做七天、一天十小时、几百台车之后，东西开始坏：
  • 传感器被灰尘盖住、地上有落叶——Dot 靠右像自行车一样走，可能右两轮压在落叶上、左两轮还在沥青上，要给轮子的扭矩完全不同，底层控制/中间件必须专门处理，"在漂亮的 demo 环境里我永远想不到这个"。
  • 再生制动的电冲击：某些场景要急刹到 regen braking 反过来冲击电池，属于极端边缘案例但必须处理，因为安全至上。
  • 开机时间：demo 期没人在意；原始版本是一个工程师几小时糊的 Jenkins 脚本，单台没问题，但每天早上几百台一起开机、脚本一半时间崩、要 30–45 分钟，乘以 500 台就成了巨大的生产力问题。
  • 还有制造/供应链/可靠性、depot 与维护、电池充电、如何找到客户家门口的确切位置——Google Maps 的 GPS pin 在公寓楼从来不准，人类 Dasher 能"看一眼就找到那栋楼、那扇门、那道闸门"，机器人不能。
  • 这里 DoorDash 的数据优势最锋利："人类 Dasher 历史上把包裹放在哪里"这份 drop-off 数据只存在于 DoorDash，Google Maps 里没有——正是"最后 100 英尺"问题的解（[00:31:19]–[00:32:19]）。

多模态车队策略：不是全有或全无

  • 不为万物设计一台机器，而是多模态：Dot 做 3–5 英里的密郊配送（从 strip mall 出发，Phoenix 这种密郊是 Dot 的完美市场）；路况差的乡村且是轻单可能用无人机；要爬楼梯、pick-and-pack 的复杂杂货单仍然用人（[00:23:17]–[00:24:17]）。
  • 对商户和消费者是同一套体验：消费者还是同一个 app，商户只需一次集成——"你已经接了 DoorDash，突然之间就同时拿到了 Dasher、无人机、自动化"（[00:24:17]–[00:25:17]）。
  • Sarah 点出一个真优势：DoorDash 掌握路由和分发，可以自己决定哪一单交给哪种模态。

为什么招得到机器人/AI 人才

  • Stanley 的 pitch 很简单："你是想做原型和 demo、待在 PhD lab，还是想做能真正在现实世界里 ship 的东西？"（[00:26:18]）
  • 过去十年 autonomy 领域很多人"做了十年却从没看到产品被真正用起来"；DoorDash Labs 走的是务实、可落地的路线——"不是去做疯狂的登月想法，而是把能 ship 的东西放到现实世界里、开始学这些技术怎么跟物理世界交互"。
  • 另一张牌是 world-class 运营团队：AI 研究者往往不愿碰运营、或以为运营很简单；DoorDash 能让研究者与运营团队搭档去采集/标注数据、部署机器人、跑车队运营——"我们不是在谈假设，你就在 Phoenix 做真实配送"（[00:34:21]–[00:35:21]）。

分布式环境与"猫在洗碗机里"——机器人数据的一手论证

  • Stanley：机器人真正难的不是 cherry-picked 的一次成功 demo，而是让它在任意物体、任意环境里都 work；最好的真实数据就是真实世界数据（[00:22:16]–[00:23:17]）。
  • Sarah 引她投资的 Sunday（家务机器人）呼应："你没法想象真实分布——去做洗碗，结果一只猫在洗碗机里（'这猫喜欢洗碗机'）；这不是工程师坐着能想象出来的场景"；就像 Dot 那个"一侧轮子在落叶上的扭矩问题"，"只有数据足够多才知道这类情况有多少"（[00:33:20]–[00:34:21]）。
  • Andy 补充：物理世界"你只能仿真那么多"，接下来 AI 最令人兴奋的前沿是它如何影响物理世界。他们几个月前上线了 Tasks 产品——让 Dash 车队的人帮忙采集数据点、训练 world model；坦言这块"非常早期"、form factor 与模型路线都还有分歧（[00:19:15]–[00:20:16]）。

内部 AI enablement：Metis、Dashbench 与失控的支出

这是本库关于大型非 AI-native 公司如何把 AI 用起来最具体的一份一手材料（[00:39:25]–[00:44:28]）：

  • 为什么收购 Metis（去年）：为一个上万人的老公司注入 AI-native 思维——很多员工"因为太习惯历史上的做法而看不到什么是可能的"，需要引入见过前沿的人。
  • Dashbench（几周前发布）：主要衡量各家模型和 harness 在编码任务上的表现，"帮我们算清在这上面花的钱的 ROI"。
  • 支出曲线（可核验的一手数字）：6 月的花费比 1 月涨了约 20 倍（"20x，不是 20%"）。被问到之后是否降下来，Andy 说已经 flatline（压平）——靠有意的治理：年初/去年底大家是在"实验、放手让人跑"，现在到了"一算 ROI、砍掉浪费"的阶段。
  • 模型路由的做法：如果能"把智能最大化、同时把便宜任务下放给开放权重模型"，就能拿到 Fable 级别的智能却付更少钱（[00:41:26]–[00:42:27]）。这与本库 评估与基准、token 治理 里转述的"DoorDash 用内部基准确认开放权重不降质量再路由"完全对上，此处是创始人本人口径。
  • 增长最快的是非技术岗：绝大部分支出仍在工程，但席位增长最快的是分析师、运营、客户经理（如自动化和战略商户的 QBR）。
  • 一个诚实的能力边界：他们和前沿实验室合作跑会计/分析任务时发现——团队随口说"还行"，但真送企业数据去（要做数据脱敏、搭 RL 环境）时模型才 crush，而带全部真实企业数据时又表现不如预期（[00:43:28]–[00:44:28]）。呼应 Sunday 机器人的类比："把问题 dumb down 后模型表现好，但一上真实企业数据就不行"。悬而未决的问题是：这是 harness 没调好，还是模型的数据分布/能力本身就缺这一块、从而无法在会计/分析/财务上带来 step-function。

劳动力预测：10 年后 Dasher 会更多，不是更少

  • 被问"终局是不是干掉所有 Dasher、全是 Dot"，Stanley 的预测反直觉：10 年后会有更多 Dasher 做配送，不是更少（[00:44:28]–[00:46:29]）。
  • 论证：DoorDash 增长约 25% YoY、9 百万 Dasher；再 5–10 倍下去，"总不能让半个美国都来送单"——所以必须引入新模态 + 提升效率。未来是一支 multimodal fleet（Dot / 无人机 / Waymo / 人行道机器人都要），"每一种模态我们都想拿到手";同时随着配送越来越便宜，需求还会更强地上涨——"你会看到更多自动化和机器人，但也会看到更多人。"

与本库其它观点的关系

事实性断言与预测（可验证）

  • DoorDash：一年 30 多亿单配送、9 百万 Dasher、40 多个国家、40M+ 月活消费者、累计约 100 亿单数据（断言，[00:00:05]、[00:17:14]–[00:19:15]、[00:45:29]）。
  • Ask DoorDash：餐厅 trajectory 中 50% 从新店下单；杂货客单量约高 40%（断言，[00:01:05]–[00:02:06]）。
  • DoorDash Dot：300 磅、20 mph、汽车体积的 1/10；在 Phoenix/Tempe 已配送近两年，去年达 L4（断言，[00:21:16]、[00:35:21]）。
  • 平均配送 3–5 英里、典型时间约 15 分钟（不含做餐）（断言，[00:13:11]）。
  • 与 Rivian spin-out 的微移动公司 Also（RJ Scaringe 为联创/董事长）合作解决规模化制造（断言，[00:38:25]）。
  • 内部 AI 支出 6 月比 1 月涨约 20 倍，此后 flatline（断言，[00:41:26]）。
  • 预测：10 年后 Dasher 会更多而非更少，配送走向 multimodal fleet（预测，[00:44:28]–[00:46:29]）。
  • 上周上线 DoorDash CLI，几个月前上线 Tasks（数据采集）产品（断言，[00:19:15]–[00:20:16]、[00:47:30]）。