核心要点
50% 是新店：用 Ask DoorDash 找餐厅时，有 50% 的用户轨迹是在从没点过的店下单——这是 DoorDash 历史上最难移动的指标，说明自然语言释放了此前被界面摩擦压住的潜在需求。
篮子大 40%：杂货侧用对话下单后客单量大约提升 40%，用户会拍冰箱照片说"帮我补货"、做带饮食限制的备餐规划，或直接"帮我重下常买的"，比逐项点选轻松得多。
从 2018 就在做：机器人与自动驾驶探索早在 2018 年就以"我加半个工程师"的 skunk works 起步，当时行业还看不清自动驾驶是不是真会成，如今 Waymo 已上路验证了"是何时而非是否"。
用例倒推：最重要的一条学习是"朝用例造技术"。多数自动驾驶公司先造技术再找问题，产物总差一口气；DoorDash 坚持从生意和客户用例第一性倒推，才发现要的既不是人行道机器人也不是 Robotaxi。
DOT 是折中体：3 到 5 miles 的密集郊区配送，正确形态是介于两者之间的"自动摩托/单车"轮廓车——约 300 lb、时速 20 到 25 mph，是唯一设计成能在人行道、自行车道和马路间穿行的配送车，已在凤凰城 L4 运营近两年。
数据是真护城河：10 billion 次配送、40 million 月活消费者沉淀出"最后 100 英尺"这类独家数据——一个 GPS pin 到底对应哪个门、哪个院子，Google Maps 没有，只在 DoorDash 有，人类 Dasher 历史投递点就是答案。
花费涨 20 倍后走平：内部 AI 投入 6 月对比 1 月涨了约 20x，随后通过 Dashbench 基准和把便宜任务下放到开放权重模型等手段开始 flatline；非技术岗位（分析师、运营、客户经理）的席位增长反而最快。
章节时间轴
- 0:51 Ask DoorDash 的由来 — 几年前曾押注语音这一模态但没成，真正立住的是自然对话式体验。
- 1:38 行为剧变的数据 — 50% 轨迹去新店，杂货客单量大 40%，拍冰箱、做备餐、一键补货。
- 3:57 世界知识与 agent-first — 引入 App 外的世界知识建立信任；网上 agent 流量已超人类流量，若今天重做 DoorDash 会是 agentic first。
- 5:30 更丰富的上下文 — 办公室货架摄像头一空就自动向 DoorDash 补货，家庭聚餐点单自动化。
- 7:01 2018 年的机器人起点 — 创始人主导让公司敢押注远期，避免被"下一个 DoorDash"颠覆。
- 8:33 实验哲学与创业史 — 从斯坦福宿舍的 politely.com、8 份 PDF 菜单起家，一切先做实验再成公司。
- 10:06 合伙探路的三个学习 — 与人行道机器人到 Robotaxi 玩家合作数年，学到自动驾驶是"何时"、要建整套平台生态、要朝用例造技术。
- 12:24 两类公司都不合用 — 人行道机器人太慢（2 mph），Robotaxi 太重（4000 lb）且有首尾 100 英尺问题。
- 16:14 技术优先的误区 — Sarah 提出"大家以为一切都会像 ChatGPT 一样通用即插即用"，物理世界远比软件世界混乱。
- 20:52 DOT 是什么 — 自研、300 lb、20 mph、汽车 1/10 大小的 L4 配送车，凤凰城 Tempe 体验像"缩小版 Waymo"。
- 27:49 规模化的边缘案例 — 镜头沾泥、树叶导致左右轮扭矩不同、急刹再生制动反冲电池、500 台机器人的启动脚本崩溃。
- 39:21 内部生产力与花费 — 收购 Metis 注入 AI 原生思维，发布 Dashbench，花费涨 20x 后走平。
- 44:44 十年后更多 Dasher — 预测未来 Dasher 更多而非更少，多模态车队人机并存。
详细内容
一、Agentic Commerce：从关键词到"说人话"
Andy 复盘 Ask DoorDash 的起点时坦白，公司最初其实押注的是语音这一模态，"结果那不是对的东西"——但他补了一句也许未来会是。真正立住脚的，是自然对话式体验本身：人们能把脑子里的东西直接翻译进界面，而不必先上网做研究、再做关键词优化。无论是更微妙的餐厅发现，还是杂货侧的各种任务，用户就是觉得这样更容易。
行为数据的变化大到出乎主持人 Sarah 的意料。餐厅侧，用 Ask DoorDash 的用户轨迹里有 50% 是在从未光顾过的店下单。Andy 强调这个指标的分量：让用户去新店，是 DoorDash 历史上最难移动的指标之一。杂货侧则是客单量约大 40%——用户会拍下冰箱内容说"帮我补货"，会带着饮食限制做备餐规划，会说"这周末想和家人做意面晚餐"，也会简单地"帮我重下常买的"。Sarah 由此意识到，她从没觉得 DoorDash 难用，但这说明此前存在被界面摩擦压住的潜在需求。Andy 的解读是：人会建立习惯，但人也想要饮食上的多样性，对话体验成了表达这种多样性的自然出口，甚至带上了"我朋友 Andy 发现家新馆子"的社交货币属性。
一项被两人强调的投资是把"世界知识"引入体验——即 DoorDash 平台之外正在发生的事：网上在流行什么、论坛里大家在聊什么。因为模型的知识截止太早，接入这些实时信息能让用户更信任推荐、吃到"正当红"的东西。
谈到五年后人们会怎样买餐，Andy 先自嘲"AI 时代很难预测下一步"。他把近景收缩到未来几个月：关键是降低发现门槛，因为空对着一个能输入建议 query 的框，很多人不知从何开始。放远看则更思辨——若今天由"车库里的大学生"重做 DoorDash，形态会很不一样，大概率是 agentic first。他抛出一个反复出现的数据锚点：如今网络上的 agent 流量已超过人类流量，问题变成如何让 DoorDash 式体验顺应这个趋势。Stanley 补充了办公室货架摄像头的例子：货架一空就自动触发 query 补货，这正是他们用 CLI 做的早期实验——降低 agent 参与体验的摩擦。Sarah 也贡献了自己的用例：她每周日办家庭聚餐，要挨个问谁来、谁有过敏或特殊需求再下单，很希望能"设成自动驾驶"。Stanley 说这和办公室午餐订餐的场景很像。
二、方法论之争：用例优先，还是技术优先
这期最硬的观点交锋，是"物理世界的技术该怎么造"。Stanley 把 DoorDash 一以贯之的哲学讲透：一切始于实验。DoorDash 本身就是斯坦福宿舍的实验，起点是一个叫 politely.com 的网站，只有 8 份 PDF 菜单和一个 Google Voice 电话号码，确认"这里有东西"后才变成公司。这套哲学延续了 13 年，也套用到了自动驾驶和 AI 上：2018 年启动机器人时意图并非组建庞大团队造硬件，而是"我加半个工程师"的 skunk works，去探索、结伴、学习。
他们最初甚至不打算自研任何技术，认为可以只做平台——建 API、管分发，让外部机器人公司来供货。这条路走了好几年，从人行道机器人玩家一直合作到 Robotaxi 玩家。三个学习由此而来：其一，验证了"自动驾驶是何时发生而非是否发生"，看看今天的 Waymo 就知道，所以该继续投；其二，学到要让自动驾驶跑起来，得围绕它建一大堆东西——基础设施、生态、调度、运营、如何与 DoorDash 集成、该接哪些订单,"不是把机器人或 LLM 一放，事情就魔法般发生了",于是他们建了 Autonomous Delivery Platform；其三，也是最重要、最终逼他们自研的一条——要朝一个用例去造。
Stanley 的批评很直接：外面的自动驾驶公司总像是先造技术，再回过头找问题来套，东西是在真空里造的。这很反常,因为软件世界里 YC 反复灌输"服务客户、造人们想要的东西",但到了硬科技、机器人领域,人们却反着来。结果就是产物总不完全契合 DoorDash 的需要。他用两类公司举例:人行道机器人是"带轮子的饮水机",技术简单有效,但 2 到 3 mph 的速度和距离是硬伤——DoorDash 平均配送 3 到 5 miles、除去出餐典型送达约 15 分钟,2 mph 的车永远不可能行;另一端的 Robotaxi 是 4000 lb、为载人设计的高速车,可只运几个 burrito 根本不需要带座椅空调的四千磅车,而且取送货完全不同——Waymo 把你放在半个街区外你能走过去,包裹不能,这就是他称之为"首尾 100 英尺"的问题。
于是他们做第一性原理推演:从生意和客户用例倒推,自己造一台恰好解决用例的车会是什么样?环顾四周没人在造——它不是人行道机器人也不是 Robotaxi,而是介于两者之间。针对"密集郊区的 3 到 5 miles 配送"这个大多数订单发生的场景,正确的隐喻是自动摩托/踏板车/单车轮廓的车:不必 4000 lb,大约 300 lb,但要远快于人行道机器人,时速 20 到 25 mph。既然没人造,他们决定掌握自己的命运。经过多轮迭代、用真实 DoorDash 配送测试、从已完成的 10 billion 次配送里提取运营洞见,最终催生了自研配送机器人 DOT。
Sarah 顺势抛出自己的假设并被两人认同:很多人这个时代先造技术、而非从客户倒推,是因为"以为一切都会像 ChatGPT 那样"——把它当成一种通用技术,以为能免费变成各种应用,尤其在自动驾驶里,大家觉得"先做出模型,别的即便不简单也是次要的"。Sarah 明确说这完全不是她的看法。Stanley 呼应:这套或许在软件世界行得通,但 DoorDash 是物理世界生意,物理世界永远更乱、更复杂、更微妙。
三、复杂度的真面目:3 billion 次没有两次相同
Stanley 反复强调人们低估了 DoorDash 的复杂度:一年 3 billion 次配送,没有任何两次长得一样,形态尺寸地理各异。旧金山市中心的配送与达拉斯、欧洲、下雪的赫尔辛基完全不同;送披萨与送冰淇淋不同、晚餐与杂货不同,如今还在扩到零售、药品和包裹。与商家的对接同样千差万别——对接麦当劳、星巴克的方式,与对接夫妻三明治店不同;得来速餐厅与商业街店铺、市中心主街店铺又不同,取货点和交互都不一样。管理这种复杂度的关键,依旧回到"是否理解用例"。
而 DoorDash 的独家优势,就叫 DoorDash 本身:10 billion 次配送数据可供提取,40 million+ 月活消费者,对"出错时如何处理""如何跨各类商家集成"有深刻理解。Andy 从 AI 角度补充:他们几个月前上线了一个叫 Tasks 的产品,让 Dash 车队的人帮忙采集数据点,用于训练一些世界模型。他认为这与人形机器人领域的走向类似,现在极早期,形态众多、对哪类模型能成也众说纷纭;但不同于 ChatGPT,这里的 V1 就需要大量前期投入,而且有真实压力去证明价值——无论是 DOT 端到端送东西还是别的玩家,都必须在质量或成本上真的优于现有替代方案,否则"我们在干嘛"。
四、DOT 长什么样,以及"分布"这个真问题
Stanley 介绍 DOT:完全自研的自动配送机器人,300 lb,时速最高 20 mph,汽车的 1/10 大小,是唯一被设计成不只走人行道、还能上自行车道和马路的配送车,在凤凰城已运营近两年、去年起全自动 L4。他说来 Tempe 体验,感觉真的像旧金山的 Waymo。
Sarah 抛出机器人领域的核心洞见并请两人验证:除了理解海量用例,你还必须知道你要面对的"环境分布"。业内熟悉的人都懂,拿到一个精挑细选的单任务成功 demo 并不难,难的是让它在任何物体、任何环境下都能工作;所以真正的问题是如何获取"像真实数据的数据",而最好的真实数据就是真实世界数据。这正是 DoorDash 有资格去做这件事的前提——不只是为了自家生意质量。Stanley 认同,并指出 DoorDash 的另一层优势是:不必解决 100% 的用例。多模态策略从一开始就是方向——不设计一个通吃的东西,而是让 DOT 做 3 到 5 miles 的郊区商业街配送(凤凰城这种密集但又足够分散的郊区是 DOT 的完美市场);路况差的乡村且是轻订单,可以派无人机;需要上下楼、拣货打包的复杂杂货订单,仍然交给 Dasher。对消费者仍是同一个 App,对商家仍是一次集成,却一下子接入了 Dasher、无人机、自动驾驶和各种 AI 工具。这套"本地商业生态"极难复制,尤其要在 40 到 50 多个国家、面对各种商家和岗位做到。
Sarah 用她投资的机器人公司 Sunday 做类比:你无法想象出真实分布——想去洗碗,结果"为什么洗碗机里有只猫?",主人说"猫喜欢洗碗机",这不是工程师坐在桌前能想象出的场景;就像 DOT 那个"一侧轮子压着树叶"的扭矩问题。而且你还得知道这种情况在分布里到底有多重要,只有攒够数据、又在另一处发现"另一只猫在另一台洗碗机里",才知道该怎么办。Andy 说这正是他们对 AI 下一前沿最兴奋之处——它将如何影响物理世界,而仿真和想象是有上限的。他进一步点出 DoorDash 的另一底气:把世界级运营专长与世界级技术配对。很多 AI 研究者要么不愿碰运营,要么以为运营很容易;而 DoorDash 有世界级运营团队可供合作——采集与标注数据、部署机器人、跑通车队运营,这对他们接触的很多人极具说服力,因为"这不是假设,我们真在凤凰城送货"。
五、规模化才是地狱:那些没人想到的边缘案例
Stanley 把"造自动驾驶生意远不只是自动驾驶"这句话讲得很具体。去年实现全自动 L4 是激动人心的里程碑,但从几台、十台爬到一百台、再往上,难点集中在三块。第一是自动驾驶本身:五年前问题是"这到底可不可能、是不是科幻",如今 Waymo 做出突破、Tesla 开始突破、他们去年也突破了;而且他们整套自动驾驶栈完全自研、专为配送打造——不能照抄 Waymo 塞进 DOT 就行,因为 DOT 是一台在马路与人行道间不断切换的自行车道轮廓车,据他所知世界上没有第二台像 DOT 这样行为的车。
但他坦言自动驾驶正越来越不是瓶颈,真正的约束是后两块。第二是运营:凤凰城的餐厅行为不同于旧金山、伦敦、赫尔辛基,如何适配各种集成——这是接口层加车队管理。真正暴露问题的是规模下的边缘案例:镜头沾上泥、地上有树叶(DOT 像自行车一样靠右行,右两轮压在树叶上、左两轮还在沥青上,得给车轮送出完全不同的扭矩,整个中间件和底层控制都得据此处理,这是在漂亮的 demo 环境里永远想不到的);急刹时再生制动会反冲电池、造成电击(极端边缘案例,但出于安全必须处理);还有启动时间——demo 阶段没人在意,原始版本只是某工程师几小时拼出的 Jenkins 脚本,单机没问题,可每天早上要启动几百台、脚本一半时间会崩、要花 30 到 45 分钟,乘以 500 台就成了巨大的生产力问题。此外还要建 depot、做维护、给电池充电。
一个看似傻却极关键的问题是定位:在 Google Maps 上输入地址得到的 GPS pin,尤其在公寓小区,从来不是精确的那个点。人类 Dasher 会自然而然搞定——找到餐厅、认出这栋楼、这扇门;但机器人开到一个 pin,就会犯懵:是哪个店面、哪扇门、哪道闸?而这恰是 DoorDash 的数据优势——历史上人类 Dasher 到底把包裹放在哪儿,这份"首尾 100 英尺"的数据 Google Maps 里没有,只在 DoorDash 里有。Sarah 由此展开:早期人们对"在位者的数据优势"有很表层的理解,以为"我们有客户记录和数据库"就是优势,可那跟 agent 要完成的事关系很小;真正的优势是与用例、与要达成的智能强绑定的那类数据。
第三块是硬件。五年前大家以为硬件是商品,如今硬件反而在变成瓶颈:头 100 台是他们手工造的,没问题;但下一个一千、一万台就得考虑供应链、组件可靠性——这些东西得用很久,而且因为能实测部件在现场要撑多久、表现如何,他们不是在瞎猜。为此他们与 Also 合作——一家从 Rivian 分拆出的微出行公司,RJ(Rivian 创始人)是其董事长——"何不找真正懂如何规模化造车的人"。Stanley 总结这层反差:五年前的难题是自动驾驶,如今越来越是运营、商业化、硬件和制造,而这正是 DoorDash 凭规模和运营优势该发力、扬长避短之处——把这件事从 0 到 1、再到 100、1000,直至 1 到 3 billion。
六、招人、内部生产力与花费曲线
面对"机器人/应用 AI 人才供给不足、且多数人偏爱通用解"的现实,Stanley 的招聘话术很简单:你想在 PhD 实验室做原型和 demo,还是想造真正能在真实世界出货的东西?他说很多在自动驾驶领域干了十年的人,苦于产品从未真正被现实使用;而 Door Dash Labs 和各项 AI 努力设定的文化是务实、实用——不追疯狂的登月点子,而是把能出货的东西推进现实、与现实接触、真正学习技术如何与物理世界交互并迭代。他再次强调他们很早就在凤凰城做自动配送、去年才公开宣布已做了两年多,早期就是在学"如何把一次性 demo 变成规模化的车队、服务和生意"。
内部生产力方面,Andy 把去年收购 Metis 的动机说清:为公司注入 AI 原生思维。像他们这样体量的大公司,员工太习惯历史上的做法、难以看见如今的可能性,所以要引入见过前沿的人。编码是最明显的转型场,收益显著;他们几周前发布了名为 Dashbench 的基准,主要衡量各模型与 harness 在编码任务上的表现,作为计算 AI 投入 ROI 的起点。一个惊人数据:6 月的花费相比 1 月涨了约 20x。Sarah 追问后续曲线,Andy 说现在在 flatline——一部分靠有意的治理(砍掉浪费),一部分靠算 ROI:如果能把便宜任务委派给开放权重模型,就能拿到"fable 级别的智能"却付更少钱。
值得注意的是,虽然绝大部分花费仍在工程相关任务,但席位增长最快的却是非技术组织——分析师、运营、想自动化战略商家 QBR 的客户经理都在其中找到大量价值。Andy 也点出一个与前面"猫在洗碗机"呼应的难题:他们和前沿实验室在会计、分析任务上合作时,团队常说模型"还行",可一旦把真实企业数据经过脱敏、放进 RL 环境,模型就表现很好;问题是"把问题降维后模型表现好,但接上带真实全部数据的企业场景就不行"。这引出他们的下一步追问:到底是 harness 需要调优才能让模型发挥,还是模型本身在数据分布或能力上就缺了某种东西,导致会计、分析、财务这些职能没能出现编码那样的阶跃式跃迁。
七、终局:更多机器人,也更多人
Sarah 直问:长期看是不是干掉所有 Dasher、遍地都是 DOT?Stanley 的预测出人意料——十年后 Dasher 会更多而非更少。理由是规模:DoorDash 已有 900 多万 Dasher 在送货,生意还在以每年 25% 增长;十年后若要在此基础上再做 5x、10x,供给从哪来?"难道让半个美国每月都来送货?"所以必须既引入新模态、又提升效率。他描绘的是一支多模态车队:DOT、机器人、无人机、Waymo、人行道机器人——能拿到的每一种模态都要拿。而且随着自动驾驶带来效率提升、配送变得更实惠,需求本身会更强劲地涌现,于是你会看到更多自动驾驶和机器人,同时也看到更多人。
回到购物的未来,Andy 分享一个他觉得迷人的趋势:过去几年 Google 搜索 query 变长了,他的解读是人们越来越愿意像对真人一样对 agent、对 App 说话。所以越是能让人像与人交流那样与 App/agent 交互,就越能降低下单摩擦——无论是餐饮、杂货还是零售。另一件他认为会成真的事,是所有人都得思考"agent-first 体验长什么样"。他们上周上线的 Door Dash CLI 就是这方面的测试。一个具体例子:有人本想用 CLI 简化自家创业公司的办公室经理用例,发现 DoorDash 不止能订午餐、还能订便利店和杂货后,就把摄像头对准储物架,货架一空就触发 agent 自动补货。Andy 认为这类你平时想不到、在今天世界里也不太可行的用例,会随着体验变得更"自然地 agent-first"而变得越来越有意思。
金句
如果今天有人重做 DoorDash——比如车库里的大学生——它会很不一样,大概率是 agentic first。 —— Andy Fang 4:43
我常想的一个数据是:如今网络上的 agent 流量已经比人类流量还多。 —— Andy Fang 4:43
这些自动驾驶公司总像是先造技术,再回过头去找一个问题来套进去。它们都是在真空里造出来的。 —— Stanley Tang 11:38
你不能把 Waymo 做的东西直接复制粘贴进 DOT 就指望它跑起来——用例本就不一样。 —— Stanley Tang 36:17
造一门自动驾驶生意,需要的远不只是自动驾驶。 —— Stanley Tang 27:49
我的预测是,在一个机器人、无人机、AI 无处不在的世界里,十年后我们反而会有更多 Dasher,而不是更少。 —— Stanley Tang 44:44
提到的书·产品·人物
- Andy Fang（人物）：DoorDash 联合创始人,本期主要谈 Agentic Commerce 与 AI 内部生产力。
- Stanley Tang（人物）：DoorDash 联合创始人,本期主要谈机器人、自动驾驶与规模化。
- Ask DoorDash（产品）：自然语言点餐/采购体验,带来 50% 新店下单与 40% 更大杂货客单量。
- DOT / Door Dash Dot（产品）：自研 L4 自动配送机器人,300 lb、20 mph、汽车 1/10 大小,凤凰城 Tempe 运营近两年。
- Autonomous Delivery Platform（产品/平台）：围绕自动驾驶所建的产品、API、调度等整套生态层。
- Tasks（产品）：几个月前上线,让 Dash 车队采集数据点以训练世界模型。
- Door Dash CLI（产品）：上周上线的 agent-first 命令行体验,支持货架摄像头自动补货等用例。
- Dashbench（产品/基准）：几周前发布的基准,衡量模型与 harness 在编码任务上的表现,用于算 AI ROI。
- Metis（公司）：去年被 DoorDash 收购,为公司注入 AI 原生思维。
- politely.com（产品/公司前身）：DoorDash 起点,斯坦福宿舍实验,含 8 份 PDF 菜单和一个 Google Voice 号码(字幕原文如此)。
- Also（公司）：从 Rivian 分拆的微出行公司,与 DoorDash 合作解决硬件规模化。
- RJ（人物）：Rivian 创始人,Also 董事长。
- Sunday（公司）：机器人公司,主持人 Sarah 为其投资人,贡献"洗碗机里的猫"这一分布问题例子。
- Waymo / Tesla（公司/产品）：作为自动驾驶已实现突破的参照物被反复提及。
- ChatGPT（产品）：作为"通用技术即插即用"错误心智模型的对照被提及。
适合谁听
关心 AI 与机器人如何真正落进物理世界,以及在位平台如何把规模与数据翻译成护城河的创业者、投资人和产品人。