引言
Sarah： 各位听众，欢迎回到 No Priors。今天请到我直播间的是 DoorDash 的两位联合创始人——安迪·方（Andy Fang）和斯坦利·唐（Stanley Tang）。我们聊到了：如何用自然语言向 DoorDash 点餐、买杂货；这对智能体商务（Agentic Commerce）的未来意味着什么；他们的配送机器人 Dot；DoorDash 在过去 8 年里如何一直是一家机器人公司；他们配送网络的数据优势；
以及这一切对 900 万 Dasher（配送员）和每年 30 亿单配送意味着什么。
欢迎安迪、斯坦利，非常感谢你们来上节目。我特别兴奋，想跟你们聊聊 DoorDash 正在做的这些疯狂的事情。我想我们可以从 DoorDash 在智能体商务上的进展聊起。我觉得你们是把 AI 真正用来改变人们消费方式的最大规模落地案例之一。
Andy： 是的。
Sarah： 那这背后的故事是什么？
从语音到对话：Ask DoorDash 的缘起
Andy： 其实要说我们在这方面的尝试，得追溯到几年前。我们最初看好的是语音这种交互方式。那个……
Sarah： 结果语音这条路没走通。
Andy： 对，当时确实没走通，也许未来会成，但那次就是没做起来。不过对我们来说，真正有意思的是这种自然对话式的体验。我们看到的是，人们可以把脑子里的想法自然地翻译成对界面的输入，而不是先上网做功课、或者琢磨关键词怎么搜。
人们发现，用这种方式搜索东西更省事——不管是更细腻的餐厅发现类搜索，还是杂货侧的各种任务。而且随着我们扩大推广范围，看到的那些有意思的增长势头一直保持住了。
Sarah： 从用户侧你观察到了哪些行为变化？比如我吃饭、买东西的方式会变吗？
Andy： 在餐厅侧，使用 Ask DoorDash 找餐厅的用户里，50% 的下单轨迹发生在他们从没点过的店——这非常了不起，因为这历来是 DoorDash 最难撬动的指标之一。另一个是杂货侧，我们看到购物篮金额明显变大，大约大了 40%。
比如人们会拍一张自家冰箱的照片，说“帮我把冰箱补满”；或者做一周膳食规划，可能还带一些饮食限制；或者说“嘿，这周末我想和家人做一顿意面晚餐”；甚至只是说“帮我按常买的清单再来一单”。这比在传统界面里一步一步点要省事得多。
Sarah： 太惊人了。我从没觉得 DoorDash 难用，但照你这么说，其实存在大量没被满足的潜在需求，因为去新店吃饭这件事过去不够容易。
Andy： 没错。在餐厅侧，很多人会形成固定的点餐习惯，
Stanley： 但人们在吃的方面也确实想要多样性。所以我们觉得，这种体验恰好成了一种自然的方式，让人们把这点表达出来。你想想看这里面的社交货币：我朋友安迪给我发现了一家超棒的新餐厅，安迪这人真够意思，对吧？所以我觉得，这甚至让人们用一种不一样的眼光看待 DoorDash。
Andy： 还有，我们做的一项投入是把世界知识（world knowledge）融进这个体验里。
Sarah： 这是什么意思？
Andy： 就是 DoorDash 平台之外、那些餐厅正在发生的事。比如我们会看互联网上什么东西正在走红。这些信息模型里本来没有——因为模型的知识截止日期太早——但人们会想知道：网上现在流行什么、各个论坛里大家在聊什么。这也呼应你刚才说的，人们想吃点时髦的、酷的东西。所以我们把这些融入体验，让人们更信任它。
智能体优先：Ask DoorDash 的下一步
Sarah： 你觉得五年之后，人们在餐厅这件事上的购买方式或思考方式会有什么不同？
Andy： 五年之后我可说不好。
Sarah： 我懂，在 AI 时代预测那么远太难了。（笑）那说下一步吧。
Andy： 对 Ask DoorDash 来说，先说未来几个月吧。我觉得重点是把入口做得更容易发现，让人们搞清楚能用它干什么——因为如果你只看到一堆可以输入的建议查询，有些人会发怵，不知道从何下手。所以我们要琢磨怎么在用户体验上做实验、调优，鼓励人们找到属于自己的用法。
再往远了想就比较推测性了，不过斯坦利和我一直在聊这个话题：如果今天有人要从零创办 DoorDash——比如几个大学生在车库里创业——它会长得很不一样，大概率是智能体优先（agentic first）的。我最近在琢磨一个数据：现在网络上的智能体流量已经超过了人类流量。那我们要怎么打造一种顺应这个趋势的 DoorDash 体验？这里面有些很有意思的猜想，但很难说死。
Sarah： 那我的智能体可以知道我想吃什么、或者我想从杂货店买什么吗？帮我理解一下，你们怎么思考更丰富的上下文、怎么让它更聪明。
Andy： 当然。一个很酷的例子是：有人说，嘿，我们办公室可以在储物架那儿装个摄像头，
架子快空了的时候，就自动向 DoorDash 发起一个请求，把货架补满。
Sarah： 对，这活儿现在是人在干。没错。
Andy： 对对。这其实就是我们对自己命令行工具（CLI）的早期探索——这个我们稍后再展开聊——核心就是让智能体参与进这个体验的摩擦更小。
Sarah： 好，那既然聊到用户需求，
我绝对是 DoorDash 消费排前列的用户。我不知道具体排多少，反正现在用得非常多。我每周日晚上都要给一大家子亲戚张罗家庭晚餐，
我们会点 DoorDash，因为我不可能每周都给这么多人做饭。（笑）至少没法顿顿都做。
而我每次的流程都一样：先挨个问一圈——这周日谁来？
Andy： 哦，对。
Sarah： 然后这个人有那种过敏，那个人有别的讲究，再问有没有人特别想吃什么。
然后我再下单。我觉得这整套流程完全是可以自动化的。
你直接帮我开成自动巡航（autopilot）模式，我人到场，全家就吃好了。
Andy： 这个场景确实成立。不完全一样但很类似的一个场景是办公室午餐团购：如果你是行政负责人，你肯定不想天天操心这事，而且你还得盯着——必须在某个时间前把午餐订好，不然就送不到。同样地，每个人各有各的过敏和饮食偏好。所以……
八年机器人押注：从合作到自研
Sarah： 斯坦利，你们在自动驾驶（autonomy）和机器人方向也做了一大堆事情。作为创始人，你们对 DoorDash 的愿景显然比外界更宏大——外界可能只停留在表面印象，觉得它是个外卖配送网络，或者公司最早的那句一句话介绍。机器人方面的工作是多久以前启动的？
Stanley： 其实我们研究机器人、自动驾驶的时间比大家想象的要早得多，从 2018 年就开始了。那时候自动驾驶和机器人会成为大势还一点都不明显。但我们觉得这项技术会深刻改变我们所处的行业，甚至可能带来颠覆。我觉得这正是创始人领导的公司的好处：我们可以去思考那些更远期的、更推测性的东西，并且不停地想：如何确保自己不被颠覆——不被下一个 DoorDash 颠覆。就像安迪说的，下一个 DoorDash 出现的时候，它不会是把原来的 DoorDash 原样照抄一遍、再配个更好看的界面——那就太蠢了。
它一定会是这样一家公司：琢磨怎么把 AI、智能体融入商务，怎么融入自动驾驶、机器人、无人机配送等等。快进到今天，七八年过去了，你看到这一切正在兑现——AI、机器人、自动驾驶，Waymo 的车满街跑。我们很高兴早在 2018 年就下了那笔注。
Sarah： 2018 年的时候这门生意已经很惊人了——当然没今天这么惊人，这么说还算公允吧？你们怎么思考这些超长期押注的时机和先后次序？从资本配置的角度，什么时候才适合投这些事？
Stanley： 我觉得这跟我们在 DoorDash 投很多事情的方式是一样的：一切都从实验开始。从某种意义上说，这就是 DoorDash 自己的创业故事。DoorDash 就是斯坦福宿舍里的一场实验，一开始只是一个叫 paloaltodelivery.com 的网站，上面挂了 8 份 PDF 菜单，外加一个 Google Voice 电话号码。直到我们发现“这里面有东西”，才决定把它做成一家公司。
过去 13 年，我们基本一直秉持这套哲学，也把它用到了自动驾驶和 AI 上。2018 年刚起步的时候，我们的意图并不是“搞一个庞大的机器人项目、招一批机器人专家、自己造硬件”。当时就是我加上半个工程师的时间，一个臭鼬工厂（skunk works）式的小项目。它就是一场探索：去看看外面都有什么——我们甚至不知道自动驾驶会长什么样、机器人会怎么影响我们的行业，但先去探索、去建立合作、去学习、去实验。
而且最初我们并没打算自研机器人，甚至觉得自己根本不需要掌握任何这类技术。我们想的是：跟一大帮外面的人合作不就行了？那时候我们对机器人一窍不通，而市面上已经有那么多创业公司把机器人和自动驾驶做出来了——我们为什么不直接跟他们合作？我们专心做平台：搭好 API、负责分发。
我们确实这么干了好几年，跟这个领域的所有人都合作过——从做人行道配送机器人的，到做自动驾驶出租车（robotaxi）的，全都合作过。那段经历让我们学到三件事。
第一，它验证了我们的信念：这里面确实有东西，自动驾驶是“什么时候发生”的问题，而不是“会不会发生”的问题。快进到今天，你看 Waymo 的车已经上路了，对吧？它真的在发生。所以我们应该继续投。
第二个收获是，这段经历让我们弄清楚了：要真正让自动驾驶跑起来，需要具备哪些东西。事实证明，围绕自动驾驶要搭建的东西非常多——基础设施、生态系统。自动驾驶如何接入 DoorDash？哪些订单交给它来送？运营层面怎么配合？要搭的东西远比你想象的多，不是把一台机器人往那儿一放——或者像搞 AI 那样把一个大模型往上一接——事情就会自动运转起来。围绕它有大量工作要做，你得建起一个平台生态。
我们最终搭建的东西之一，叫做“自动驾驶配送平台（Autonomous Delivery Platform）”。本质上它要回答的是：在一个自动驾驶、机器人和无人机无处不在的“后自动驾驶时代”，你需要构建哪些产品和技术——API、调度系统等等？如何与商家集成？消费者体验应该长什么样？
而我们学到的最后一点——可能也是最重要的一点，正是它让我们最终意识到必须自研这项技术——就是“围绕用例来构建”这个理念。
Sarah： 嗯。
Stanley： 对。市面上的自动驾驶初创公司很多，但我们总感觉，这些公司并没有真正聚焦在某个用例上，总感觉他们是先把技术做出来，
Sarah： 嗯。
Stanley： 然后再回头找一个能套进去的问题。这些东西都是在真空中造出来的。这挺奇怪的，因为在软件世界里——比如我们当年参加 YC（Y Combinator）的时候——一直被教导的是：你必须服务客户，做出人们想要的东西。这是被刻进骨子里的，然后再去迭代。但到了硬件、硬科技、AI 和机器人领域，大家好像反着来：先把技术做出来，却不太思考自己在为哪个用例而造。一旦这样，你最终做出来的东西总是差那么一点、对不上。我们和市面上很多这类公司都打过交道，但总感觉它们并不完全是 DoorDash 需要的。
举个简单的例子：自动驾驶领域基本有两类公司。一类是人行道机器人公司，就是那种时速两三英里、“装了轮子的饮水机”，特别好使、技术也很简单。但我们很快意识到，速度和距离是巨大的限制——DoorDash 的平均配送距离大约是 3 到 5 英里，不算出餐时间的话，典型配送时长约 15 分钟。如果你派一台时速 2 英里的人行道机器人去送，根本行不通。
而在光谱的另一端，是 robotaxi 玩家。它们本质上是围绕载人设计的：4000 磅重的车，跑得飞快，运的是人。但事实证明，载人和送货其实是两个不太一样的问题。如果你只是送几个卷饼，真的需要一辆带座椅和空调的 4000 磅的车吗？
robotaxi 的取送问题也很不一样。你可以自己走向一辆 Waymo——你坐 Waymo 的时候，它经常把你放在离目的地半条街甚至一条街远的地方，这完全没问题，因为你腿着就过去了，但包裹不会自己走路。这个问题怎么解？这就是我所说的“最初和最后一百英尺（first and last 100 feet）”问题。餐品在商家那边怎么取？这种集成长什么样？到了客户那边，餐怎么送？怎么找到私家车道？要知道，人们期望的是餐品——或者说车辆——能直接停到自家车道口或者门廊前。
所以我们环顾四周，问自己：如果从第一性原理（first principles）出发——这一直是 DoorDash 的哲学——从业务和客户用例倒推回来，造出一个恰好能解决我们用例的东西，它会是什么样子？我们看了一圈，发现根本没有人在造这个东西。它不是人行道机器人，也不是 robotaxi。我们觉得正确答案大概在两者之间。
再说一次，如果你要解决的是“密集郊区里 3 到 5 英里的配送”这个场景——绝大多数配送都发生在那里——正确的参照物大概是一台自动驾驶摩托车、踏板车，或者说自行车形态的车。它不需要 4000 磅，大概 300 磅就够，但又必须比人行道机器人快得多——时速上到 20、25 英里。
当我们确认没人在造这东西之后，我们决定：既然没人做，与其干等着它发生，不如把命运握在自己手里。我们投入进去，看看能造出什么。
这中间经过了很多次迭代——我们用真实的 DoorDash 配送去做测试，挖掘我们累计完成的 100 亿单配送数据，提炼运营层面的经验——最终促成我们推出并交付了 Dot，也就是我们自研的自动驾驶配送机器人。这一路走来很不容易。但同样，这也是我们希望带到业务方方面面的方法论：无论是自动驾驶、机器人还是 AI，一切都从实验开始，永远从“你在解决什么客户问题、什么用例”开始，倒推回来，然后迭代、验证你的假设，慢慢地把产品打磨出来。
物理世界的复杂性
Sarah： 这听起来非常合理，也很酷。我想问一下：在“人人都能享受到自动化配送”这件事的生命周期里，我们现在处在什么位置？另外我有一个假设，很好奇你们俩是否认同——为什么这个时代很多人都在“技术先行”，而不是从客户倒推。我觉得，大家是以为所有东西都会像 ChatGPT 那样奏效。
Andy： 嗯。
Sarah： 对吧。顺带说一句，ChatGPT 背后当然也做了指令微调（instruction fine-tuning）这些工作，才把它塑造成一个产品——那依然是一种用户体验。但我觉得大家的心智模型是：这是一项通用技术，几乎可以不费力气地变成各种不同的应用。他们正把这个模型套用到很多领域上。尤其是在自动驾驶领域，我的感觉是，大家觉得：好，我们先把模型做出来，其他东西就算不容易，至少也是次要的。这完全不是我的观点。
Andy： 对，这一点我同意你。其实你刚才说的这套，基本就是我们打造 Dot 这个产品形态（form factor）的方法论。
Stanley： 我觉得那种做法也许在软件世界里行得通，但至少对我们这样的生意来说——DoorDash 是一门物理世界的生意——你把技术带进物理世界，而物理世界永远要混乱得多、复杂得多、微妙得多。
我觉得有一点大家没有意识到：DoorDash 这件事到底有多复杂。我们一年完成超过 30 亿单配送，没有任何两单是一模一样的，30 亿单每一单都不一样。它们的形态、大小、所在地域千差万别：在旧金山市中心送一单，跟在达拉斯送一单完全不同，跟在欧洲、跟在下雪的赫尔辛基送更不一样；送披萨和送冰淇淋很不一样；送晚餐和送杂货订单很不一样，而我们现在还在扩展到零售、药品和包裹。DoorDash 配送的多样性复杂到——我觉得人们有时候根本没有意识到这个问题有多微妙。而这就是我们在 DoorDash 必须解决的东西。
这也是我们一路走来学习过程的一部分，尤其是在做自动驾驶、甚至做 AI 的时候：你怎么驾驭所有这些复杂性？而这最终还是会回到那个问题——你到底懂不懂这个用例？我认为我们相比其他人有巨大的优势，因为我们拥有一样别人没有的东西，它叫 DoorDash。我们有 100 亿单配送的数据可以挖掘，有超过 4000 万消费者每个月都在下单，我们深谙各种突发状况该怎么处理，也知道怎么与各种不同类型的商家做集成。
你跟麦当劳、星巴克打交道的方式，和一家夫妻经营的三明治小店打交道的方式完全不同；一家得来速（drive-thru）餐厅，跟一家开在沿街购物中心（strip mall）或者市中心主街上的餐厅也不一样。你怎么处理这些不同的用例？不同的交互方式、不同的取餐点。安迪，关于 AI 这块，你有没有什么想补充的？
Andy： 对我来说，你刚才那个类比——我不光是从自动驾驶的角度在想，也在想人形机器人（humanoid robotics）这个领域可能会怎么演进。我们几个月前还上线了一个叫 Tasks 的产品，让配送员队伍（Dasher fleet）里的人帮忙采集数据点，用来训练一些世界模型（world models）。我觉得这个方向还非常早期，它可能呈现很多不同的形态，关于什么样的模型会奏效、什么样的不会，也有很多不同的观点。
但我觉得，跟 ChatGPT 那样的东西不同，做这件事光是 V1 版本就需要投入巨大的成本——当然，我猜 ChatGPT 也花了不少钱。但我认为真正的压力在于：你得想清楚怎么才能真正提供价值，你必须比人们今天的替代方案做得更好。不管是让 Dot 端到端地把东西送到，还是这个领域里的其他玩家——这个领域你大概也投了不少公司——都有实实在在的压力，要求你在质量上、或者成本上、或者两者上，比替代方案更强。就是这样。
对。不然的话，我们到底在干嘛呢？
Sarah： 对，没错。
那么，对于我们这些不住在菲尼克斯（Phoenix）的人来说，DoorDash Dot 到底是什么？跟我们讲讲它的设计吧。
Stanley： DoorDash Dot 是一台自动驾驶配送机器人，完全由 DoorDash 内部自研。它重 300 磅，最高时速 20 英里，体积只有汽车的十分之一。它是市面上唯一一台被设计成不只能上人行道、还能跑自行车道和机动车道的配送机器人。它已经在菲尼克斯落地，我们做真实配送已经两年了，而且是完全无人的 L4 级自动驾驶。如果你来菲尼克斯的坦佩（Tempe）看一看，那感觉真的很像旧金山的 Waymo。
真实数据与多模态策略
Sarah： 我来说一个观点，你看看对不对、认不认——除了理解丰富的用例之外，做机器人还得搞清楚：自己要在什么样的环境分布里运行。这对所有人都是个大问题。我想大多数熟悉这个领域的人都明白，挑一个好场景、做一个某个任务上很炫的成功演示，并不算难，对吧？
难的是让它在任意物体、任意环境下都能工作。所以行业里一直有个大问题：我们去哪儿弄到“足够真实”的数据？而最真实的数据，其实就是真实世界的数据。所以我觉得这是一个很有意思的前提——除了这件事本身能提升你们业务的质量之外，这也许就是你们有资格做这件事的原因。
Stanley： 完全正确。而且这恰恰也是 DoorDash 的优势能够发挥的地方：我们并不一定要把 100% 的用例都解决掉。这也是我们早期那几年学到的东西之一——就是最开始做对外合作、搭建自动驾驶配送平台的那段经历——我们弄清楚了什么样的配送适合什么样的运载方式（modality）。
我们的愿景从来不是设计一个“包打天下”的东西，而是制定一个多模态（multimodal）的策略：比如让 DoorDash Dot 去跑那种从沿街购物中心出发、3 到 5 英里的郊区配送。我们现在已经在菲尼克斯上线了，那就是 Dot 的起点，也是最适合 Dot 的市场——人口密集的郊区，但各个地点之间又隔得足够远。如果是道路基础设施很差的乡村地区，订单量又很少，也许就派无人机去送。如果是复杂的多步骤杂货订单，要上下楼梯、要拣货打包，那还是交给 Dasher 来做。
我觉得这正是 DoorDash 的好处：这不是一个“全有或全无”的选择。你可以随着时间逐步引入不同的运载方式，针对每个用例挑选最合适的方式——说到底还是围绕用例：该解决哪些用例、每个用例配哪种方式最合理；哪些配送可以单独切出来，用机器人来送会比用人来送更合理。
Sarah： 是的。而且我觉得很酷的一点是，路由和分发的控制权在你们自己手里——你们可以自己判断“这个任务我接得下来”。
Stanley： 没错。而且从消费者侧和商家侧看，体验完全一样：顾客还是用同一个 App，所有东西都在里面；对商家来说，也只需要做一次集成。
你已经集成了 DoorDash，然后突然间，你得到的不只是 Dasher，还有无人机、自动驾驶配送，以及我们陆续推出的所有 AI 工具和产品。我认为这才是 DoorDash 最终在构建的东西——一个本地商业（local commerce）的生态系统。这是很难复制的。要在现实世界里、横跨四五十个国家、覆盖各种各样的业态和商家做到这一点，才是这门生意真正难的地方。
从演示到规模化：被低估的运营硬仗
Sarah： “我有个朋友”想问问：你们是怎么走到今天这一步的。
相对于你们想做的这么多很酷的用例，整个生态里懂机器人、懂应用型 AI（applied AI）的研究者和人才其实是供不应求的。而且很多人都倾向于去做“通用解”——就是那种“我们可以毕其功于一役”的思路。我猜你们也在争夺这批人。你们是怎么说服他们来 DoorDash 做这些问题的？
Stanley： 我的说辞很简单：你是想去博士实验室里做原型、做演示，还是想做一个能真正在现实世界里交付落地的东西？我认为这已经成了我们建立的文化——无论是 DoorDash Labs，还是所有 AI 方向的努力——我们不是来做纯研究的。归根结底，我们交付的东西要产生真实的影响。至少在自动驾驶这个圈子里，过去十年里很多人已经受够了：一件事做了十年，却始终没能看到自己的产品在真实世界里被真正用起来。
对我们来说，因为我们一直更务实、更讲究实际：我们不是非要去做什么疯狂的“登月计划”（moonshot），而是先把能在现实世界交付的东西做出来，开始学习这些技术如何与物理世界交互，然后不断迭代。还是那句话，这些技术不是在真空里造出来的，你必须把东西放进真实世界，与真实世界碰撞，然后从中学习。这一点我们在 DoorDash 做得很早。其实很多人不知道，我们在菲尼克斯做自动驾驶配送已经两年多了——我们去年才对外宣布已经做了两年多——但最开始的时候，真的就是在学习。
就像你之前提到的：做一个花哨的演示、或者在一个一次性的环境里跑通一次，是一回事；而怎么把它变成一支真正有规模的车队、一项有规模的服务、一门有规模的生意，完全是另一回事。我经常讲的一点是：做自动驾驶生意，需要的不只是自动驾驶技术——怎么在现实世界里把规模做起来、把车队规模做起来？你会突然撞上各种各样的边缘案例（edge cases），这些你之前根本看不到。当你要每周七天、每天十小时、大规模地运转时，东西就开始出故障了。
故障可能简单到——一块泥糊住了你的某个摄像头传感器，你的自动驾驶技术栈（autonomy stack）得有多强的鲁棒性才能处理这种情况？再比如地上有落叶——因为我们的 Dot 虽然在机动车道上跑，但它尽量像自行车一样行驶，所以会走道路右侧或者自行车道——如果落叶正好堆在路边靠近人行道的位置，可能右侧两个轮子压在落叶上，左侧两个轮子还在柏油路面上。
对。突然间，你要输出给轮子的扭矩就完全不同了，你的自动驾驶技术栈、中间件和底层控制都得用不同的方式来处理——如果只是在一个舒舒服服的演示环境里跑，我永远不会想到这一点。东西就是会开始出故障，那运营怎么办？大家不会想到：要把自动驾驶规模化，其实有大量“与自动驾驶无关”的运营工作。比如你得建集散场站（depot）——再说一次，这是一门物理世界的生意——你得建场站、做维护，电池没电了怎么充电？
再举一个我们真实遇到的问题：某些情况下，车辆必须非常急地刹车，急到再生制动（regenerative braking）系统的回充功率会超过电池的承受能力，造成电流冲击。这种情况只发生在极端的边缘案例里，但有些场景你就是必须这么急刹——因为这是真实世界，安全是头等大事。所以系统如果处理不了这种情况，你就必须想办法解决。
另一个我们当初没想到的例子是机器人的开机启动。这还是个演示项目的时候，根本没人考虑过“开机时间”这种事。最早版本的机器人启动程序，说白了就是我们一位工程师花了几个小时攒出来的一个简单的 Jenkins 脚本，当时跑得好好的。可一旦你每天有几百台机器人、每天早上都要启动，这个脚本一半时间会崩，每台要花 30 到 45 分钟——再乘以 500 台机器人，情况突然就变成：我的天，这成了一个巨大的效率问题。
Sarah： （笑）
最后一百英尺与数据护城河
Stanley： 然后当然还要考虑可靠性——现在你还得开始操心制造和供应链——当然还有运营层面：这东西到底怎么跟商家对接？取餐和送达的问题怎么解决？怎么培训商家？
甚至，怎么找到客户家的确切位置——也就是地图上的那个定位点？这听起来有点傻，但你在谷歌地图（Google Maps）里输入一个地址，那个 GPS 定位点——尤其是去公寓小区的时候——从来都对不上那个真正精确的点。完全对不上。但人类配送员能自己弄明白，对吧？你根本不会意识到这件事的存在：一个人类配送员到了现场，自然就能找到餐厅在哪儿——就是这栋楼，就是这个正门。
Sarah： 机器人可做不到这一点。机器人开到一个定位点上，然后就懵了：等等，到底是哪个店面？哪个正门？哪个大门？想象一下 Dot 一脸茫然、四处张望的样子。
Stanley： 没错。这又是你必须解决的一个问题。但好在，DoorDash 手里有这个数据——我们有所有的送达数据，能看到配送员实际把包裹放在了哪里。
对。历史上人类配送员把东西放在了哪儿——这又回到那个“最初和最后一百英尺”问题——这个数据在别的任何地方都不存在。谷歌地图上没有，只有 DoorDash 有。
Sarah： 是的，我认为这是一个非常有意思、而且货真价实的优势。早些年大家讨论 AI 会怎么影响现有巨头和初创公司的时候，我觉得很多人对“巨头的数据优势到底是什么”的理解是非常表面的。
Stanley： 没错。
Sarah： 因为他们没有真正想清楚：我们到底要做什么？应用场景是什么？这个智能究竟要完成什么任务？所以他们只会说：“啊，我们有客户记录、有数据库。”而我想说，那些东西跟我们想用智能体去做的事情其实没多大关系。我认为这种情况在机器人领域也完全成立。我投资了一家叫 Sunday 的公司，我们对这家公司深信不疑的一点是：你根本无法凭空想象真实世界的分布。就像你说的，一旦接触物理世界，你就会惊呼：“天呐，我们要用机器人洗碗，为什么洗碗机里有只猫？”（笑）你走进别人的真实住宅，人家说“猫就喜欢待在洗碗机里”——这种东西你坐在办公室里是想象不出来的。就像你也想象不到“哦，我还要处理一个轮子压在树叶上、另一个不在的扭矩问题”。然后你会想：“好吧，但这在整体分布里到底有多重要？”等数据积累够了，你又在另一台洗碗机里发现另一只猫。我不知道外面还有多少这样的情况，但唯一能找出答案的方法，绝不是让工程师坐在那里空想“让我给这个机器人设想一下场景和设置”——那显然不会是真实现实。
Stanley： 我觉得，AI 的下一个前沿——至少我们最兴奋的方向——就是它将如何影响物理世界。接着你刚才的话说：你能模拟的东西终究有限，能凭空设想的演示场景也终究有限。所以另一件让我们很有信心的事，就是把我们世界一流的运营能力与世界一流的技术结合起来。
很多 AI 研究人员很抵触做运营方面的工作，或者觉得那很容易搞定。但我认为 DoorDash 真正强大的一点是：我们有一支世界一流的运营团队可以协作——无论是收集和标注数据，还是研究如何部署机器人、怎么让车队运营跑起来。
我觉得这对我们接触过的很多人来说非常有吸引力，因为这不是纸上谈兵——
规模化的三块拼图
Sarah： 你们是真的在菲尼克斯做配送。接下来要扩大规模，挑战是什么？
Stanley： 我们在菲尼克斯做配送已经两年多了，去年做到了完全无人化的 L4 级自动驾驶，那是一个超级令人兴奋的里程碑。接下来的问题是怎么把它做大——最初只有几台机器人，到 10 台、再到 100 台——这是一段必须攀爬的陡坡。我认为规模化有三个组成部分。
第一是自动驾驶本身能否规模化。五年前，大家的问题还是“自动驾驶到底可不可能？这是不是一个研究项目？是不是科幻？”
现在，尤其是有了 AI 之后，你看到 Waymo 实现了突破，特斯拉（Tesla）也开始实现突破，而我们去年也实现了突破。我们整套自动驾驶技术栈都是自研的，而且是专为配送场景打造的——这又不太一样。你不能把 Waymo 做过的东西直接复制粘贴到 DoorDash Dot 上，就指望一切正常运转——这是很多人误解的地方：应用场景不一样。Dot 是一台自行车道级别的车，要不断在机动车道和人行道之间穿梭。据我所知，世界上还没有任何别的东西在行为方式上像 DoorDash Dot——我们是围绕自己的场景专门打造的。
所以自动驾驶绝对是第一块：怎么在菲尼克斯之外继续扩展？我们想把它带到湾区、带到更多城市，肯定还会遇到越来越多的边缘案例。但有意思的是，自动驾驶反而越来越不是瓶颈了。真正的瓶颈是后面两块——第二块是运营：怎么把运营规模化？菲尼克斯的餐厅和旧金山的餐厅不一样，和伦敦、赫尔辛基的餐厅也不一样。怎么适配所有这些不同的集成？怎么——
Sarah： 也就是接口层，再加上车队管理。
Stanley： 对，接口和车队管理，最后一块是硬件。说来挺有意思：五年前我们刚起步时，所有人都觉得硬件是大路货，但现在硬件反而开始成为瓶颈。前 100 台机器人是我们自己手工打造的，这没问题；但接下来的一千台、一万台呢？我们现在不得不开始考虑供应链、零部件可靠性这些东西——这些机器得能用很长时间。你得去思考——
Sarah： 而且你们不用瞎猜，因为你们能实实在在看到它需要用多久、在真实环境里表现如何。
Stanley： 没错。制造这些东西、把所有这些学问吃透，在规模化之后其实是个相当难啃的问题。所以我们做了一件事：和一家叫 Also 的公司合作——它是从 Rivian 分拆出来的微出行（micromobility）公司，RJ（Rivian 创始人 RJ Scaringe）本人就是这家公司的创始人兼董事长。
我们想，为什么不跟真正懂得如何把车辆规模量产的人合作呢？这就是我们达成的合作之一。但有意思的是：五年前的问题是自动驾驶，而现在问题越来越变成运营、商业化、硬件、制造。
这恰恰又是 DoorDash 能发挥规模优势和运营优势的地方——我们怎么把这件事从 0 到 1，再做到 100、做到 1,000——
Sarah： 做到一年 30 亿单。
Stanley： 对，一年 30 亿单。我觉得 DoorDash 在承接这件事上的位置得天独厚，优势非常独特——这正是我们想打的牌，要扬长避短。
AI 赋能与生产力基准
Sarah： 你们确实手握巨大的优势：有网络、有现成的好生意，还有智能体商务和自动驾驶这两张（当然肯定不止这两张）真正的大牌。DoorDash 是一家上万人的公司，很大一部分是运营，很大一部分是技术。我相信你们也在深入思考这整支团队的生产力问题——比如这事归谁管、眼下什么最重要。你们还在对外发布基准测试（benchmark），聊聊这方面吧。
Andy： 我觉得过去几年，要在科技行业保持高水平运转，所需要的东西变化很大。我们去年之所以那么兴奋地收购一家叫 Metis 的公司，很大原因就是想给公司注入一些 AI 原生（AI native）的思维方式。
对我们这种规模的公司来说——其实我认为每一家大公司都在面对这个问题——你可能比谁都清楚：创业公司的运作方式已经完全不同了。我们公司里很多人很难想象什么叫“可能”，因为他们太习惯于过去的工作方式了。所以关键在于：怎么把那些真正见过技术前沿、知道“什么是可能的”的人引进来，并把这种认知融入我们的工作方式。
编程显然是最显而易见的改造场景，我们已经看到了不少收益。但我们也在推进整个组织的 AI 赋能（AI enablement），比如琢磨怎么给公司各个部门建立基准测试。我们几周前发布了一个叫 DashBench 的基准测试，主要用来评估各种模型和脚手架（harness）在编程任务上的表现。这对我们来说是个很好的初步练习，让我们搞清楚怎么计算这一切投入的投资回报率（ROI）。我大概一周前看了下数据：我们 6 月的支出相比 1 月涨了大约 20 倍——
Sarah： 哇。
Andy： 是啊。所以我们想，好吧，这笔钱显然得带来某种回报。显然我们也看到了很多——
Sarah： 我能问一句吗？你也可以不回答：既然你盯过这笔支出，它是降下来了、持平了，还是在继续涨？
Andy： 我们看到它已经趋于平稳了。这很大程度上来自一些刻意的举措。去年 12 月到今年早些时候，大家刚开始尝试的时候，“什么是可能的”发生了一次阶跃式变化，所以那段时间主要是放手让大家去试、去跑。但到了某个节点就得收一收了：第一，有些简单的事情可以做，确保不搞浪费；
第二，就是结合我们发布的那个基准测试——我们真的得开始算 ROI 了。比如说，如果有一种方式能在最大化智能水平的同时，把一些便宜的任务分派给开放权重模型（open-weight model），我们就能用比纯用闭源权重模型（closed-weight model）更低的价格，拿到同等水平的智能。
我认为编程是机会最大的地方，因为绝大部分支出仍集中在工程类任务上。但有趣的是，从席位增长来看，增长最快的反而在非技术组织：分析师发现这东西很有价值，我们的运营人员也是；还有客户经理，他们在琢磨怎么做战略商户的季度业务回顾（QBR）、怎么把其中大量工作自动化。所以我们也在研究，怎么给这些其他领域的工作建立基准测试。
另一件有意思的事是，我们会和一些前沿实验室合作，评估最新模型在会计、分析这类任务上的表现。我们遇到的一个挑战是：我们问自己的团队“模型在你们的任务上表现怎么样”，他们说“还行”。但接下来当我们——
Sarah： 然后你就想说：好吧，这可是 3,000 万美元的“还行”。
Andy： 对，就是这个成本问题。接下来的流程是：我们把某个人的数据发给实验室，得先做数据清洗，还得搭强化学习（RL）环境之类的，然后模型表现炸裂。但我们会想：这显然有点像你说的 Sunday 机器人的例子——如果你把问题简化了，模型也许表现很好；但不知为什么，一旦换成企业真实数据、换上所有真实的东西，它的表现就没那么好了。所以对我们来说，问题是：到底是脚手架层面还有我们该做的事没做，导致模型发挥不出来？还是模型本身在数据分布或能力集合上先天缺了点什么，使它们无法在会计、分析、财务这类职能上实现阶跃式提升？这是我们在编程之外下一步要搞清楚的事——当然编程那边也还有大量工作要做。但“怎么让这种阶跃式变化真正发生在各类工作上”，这里面有很多有意思的问题。
未来十年：更多的 Dasher，而不是更少
Sarah： 长期的图景是什么？把所有 Dasher 都撤掉，满大街都是 Dot 机器人？会发生什么？
Stanley： 我的看法——其实也是我的预测——恰恰相反：在一个机器人、无人机、AI 无处不在的世界里，十年后我们的 Dasher 反而会更多，而不是更少。
原因很简单：DoorDash 的增长速度和运营规模实在太惊人了。不知道大家是否了解，我们有超过 900 万名 Dasher 在送餐送货，而业务还在以每年 25% 的速度增长。放眼十年，如果我们要在此基础上再增长 5 倍、10 倍，供给从哪来？难道让半个美国的人每个月都给我们配送吗？这显然不可能。我们必须找到新的途径——既引入新的运载方式，也提升业务内部的效率。
我认为未来你会看到一支多模态的运力舰队：Dot 机器人、无人机、Waymo、人行道机器人，每一种模式我们都要用。所以你不仅会看到更多自动驾驶、更多机器人，也会看到更多的人类配送员。而且随着自动驾驶和机器人带来的效率提升，配送变得越来越便宜、越来越可负担，需求还会迎来更强的爆发。
Sarah： 我盼着哪天每天都能收到这样的配送。（笑）
智能体商务的未来
Sarah： 太棒了。安迪，回顾你们在智能体商务上的初步尝试，你学到了什么？未来人们在餐饮之外的消费方式会有什么不同？
Andy： 我觉得过去几年有个趋势很有意思：谷歌搜索的查询长度一直在变长。我的解读是：人们越来越习惯像跟真人说话一样，跟智能体、跟应用对话。
所以展望未来，我认为我们越能让人们像跟一个人打交道那样去使用应用和智能体，就越能减少他们下单过程中的摩擦——不管是点餐、买杂货，还是买零售商品，都一样。
另一件我认为必然会发生的事是：我们所有人都得思考“智能体优先”的体验长什么样。我们上周刚推出的 DoorDash CLI 就在测试这方面的东西。一旦你开始从这个角度思考，就会冒出很多有趣的新场景。举个具体的例子：有个人特别兴奋地用上了 DoorDash CLI，因为他想帮初创公司把“行政订餐”这件事彻底简化。当他发现 DoorDash 能做的远不止午餐时，他说：“等等，DoorDash 还能买便利品和杂货？”于是他直接拿了一个摄像头对着公司的储物架，只要货架快空了，就自动触发智能体去补货。
这类场景你平时根本想不到，但我认为它会解锁很多有意思的新用法——在今天的世界里不太可行的事情，随着体验越来越自然地变成智能体优先，会变得越来越有意思。
Sarah： 太棒了。我很欣赏你们的雄心——无论是对用户体验，还是对 DoorDash 的边界与规模。谢谢两位。
Andy： 是啊，很高兴来做客。
Sarah： 在 Twitter 上找我们：@NoPriorsPod。[音乐] 想看我们的脸，就订阅我们的 YouTube 频道；在 Apple Podcasts、Spotify 或你常用的任何平台关注本节目，这样你每周都能收到新一期节目。想订阅邮件或查看每期文字实录，请访问 nopriors.com。