先有情境，再造送餐機器人

169 · 先有情境，再造送餐機器人

49:20YouTube 上架 2026-07-23Andy Fang & Stanley Tang（DoorDash）

Building an Autonomous Delivery Experience with DoorDash Co-Founders Andy Fang and Stanley Tang

DoorDash 兩位共同創辦人談用自然語言點餐的 Ask DoorDash，以及自家的送貨機器人 DOT。重點是從使用情境倒推，還有規模化時才冒出來的營運、硬體與資料問題。

169 講了什麼

自然語言點餐有用講到 Ask DoorDash，其中一位共同創辦人說，餐廳端約一半的使用軌跡是點沒點過的店，雜貨的購物籃大了約 40%。他們一開始押的是語音，後來發現真正有效的是自然對話。
機器人從實驗做起Stanley 說公司從 2018 年就研究自動化，起初只有自己加上半個工程師的時間，想靠合作夥伴就好。合作幾年後才發現沒人針對 DoorDash 的使用情境做東西，決定自己造。
DOT 介於人行道機器人與 robotaxi 之間Stanley 認為 3 到 5 英里的密集郊區配送，適合像摩托車或自行車大小的車。DOT 重 300 lb、時速最高 20 mph，在 Phoenix 以 L4 全自動營運。
規模化卡在自動駕駛以外的事落葉讓左右輪子的扭力不同、急煞時回充的電流衝擊電池、幾百台機器人每天早上開機都要等。其中一位共同創辦人說現在的瓶頸已經是營運、商業化與硬體製造，不再是自動駕駛本身。
DoorDash 自己的資料是優勢Stanley 提到 10 billion 筆配送、每月超過 40 million 消費者，還有歷史上外送員把東西放在哪裡的資料，這些 Google Maps 沒有。
公司內部也在用 AI其中一位共同創辦人說公司推出了 Dashbench 來衡量模型寫程式的表現，並想算清楚投入的報酬：6 月的花費比 1 月高 20 倍，近期已持平。

從哪一段開始看19 段

00:05Ask DoorDash 的起點主持人介紹兩位來賓與主題。其中一位共同創辦人說原本看好語音，最後留下的是自然的對話式搜尋，推出後使用量一直有撐住。
01:53使用者行為變了餐廳端約一半的軌跡是點沒點過的店；雜貨端購物籃約大 40%，常見用法是拍冰箱、排菜單、重點常買的東西。
03:28網路熱門資訊與接下來的重點他們把網路上正在紅的餐廳等模型不知道的資訊加進來。Andy 說接下來幾個月先讓人更容易找到這個功能，並提到 agent 流量比人還多。
05:18agent 能替人做什麼舉例用辦公室零食櫃的攝影機，快空了就叫 DoorDash 補貨；主持人說自己每週日替大家庭訂晚餐，希望能全自動。
07:08自動化從 2018 年開始主持人問機器人何時起步。Stanley 說 2018 年只投入半個工程師，當作小型實驗，起初想當平台，與人行道機器人到 robotaxi 的各家合作。
10:15合作幾年學到的三件事Stanley 說合作幾年學到三件事：確認自動化遲早會來、學到周邊要建什麼，也看出多數新創是先做技術再找問題，這才讓他們決定自己做。
12:52為什麼不是現成的機器人人行道機器人太慢，平均配送是 3 到 5 英里；robotaxi 的車重 4,000 lb 又不適合送餐。他們要的是約 300 lb、時速 20 到 25 mph 的車。
16:46物理世界比軟體亂主持人認為許多人以為模型做好後面都容易，並不同意。Stanley 說 DoorDash 一年有超過 3 billion 筆配送，沒有兩筆一樣。
19:11資料與 TasksStanley 提到 10 billion 筆配送資料，與每月超過 40 million 消費者。另一位說他們也推出 Tasks，請外送員蒐集資料訓練 world model。
21:16DOT 是什麼完全自製、300 lb、最高 20 mph，可走人行道、自行車道與路面；在 Phoenix 已營運快兩年，是 L4 全自動。
23:06多種配送方式並用郊區中距離交給 DOT，偏遠且貨輕的可以用無人機，要上下樓梯的雜貨訂單仍由外送員。消費者與商家端的體驗不變。
25:56怎麼找人主持人問機器人人才不夠怎麼辦。其中一位共同創辦人的說法是：要做原型和展示，還是做真的會上線的東西，並說很多自動化的人已厭倦十年看不到產品被使用。
28:05規模化的邊角問題落葉讓兩側輪子的扭力不同、急煞時回充系統衝擊電池、幾百台機器人每天開機要等；還有 GPS 定位在公寓區不準，得靠過往投遞資料。
33:04現有業者的資料優勢主持人說多數人對 incumbent 的資料優勢想得太淺，並以自己投資的 Sunday 為例，說真實家庭裡的狀況無法靠想像。
35:24往後的三個瓶頸自動駕駛、營運、硬體。自動駕駛是自己做的，現在瓶頸轉向營運與製造；他們與一家從 Rivian 分出來的微型交通公司合作。
39:50公司內部的 AI買下 Metis 帶入 AI 原生的做法，推出 Dashbench；6 月的花費比 1 月高 20 倍，近期持平，並想用開放權重模型處理便宜的任務。
43:28模型碰到企業資料會計、分析等任務在公司資料上表現不如給實驗室去識別後的資料，不確定是 harness 的問題還是模型本身的缺口。
44:46外送員會變多還是變少其中一位共同創辦人預測十年後外送員會更多：現有超過 9 million 位外送員、業務年增 25%，光靠人撐不起 5 倍或 10 倍。
46:49agent 優先的購物Andy 說 Google 搜尋的字串越來越長，人會越來越像跟人說話一樣跟 app 互動；並提到剛推出的 DoorDash CLI。

值得記的話5 句

there's more agent traffic on the web than human trafficAndy 說，現在網路上 agent 的流量比人還多04:48
Autonomy is a question of when it was going to happen, not if.Stanley 說，自動化是何時會發生，不是會不會10:31
building autonomy business takes more than just autonomy.其中一位共同創辦人說，做自動化的生意，要做的不只是自動化28:22
that data doesn't exist anywhere else. It doesn't exist in Google Maps.其中一位共同創辦人說，外送員把東西放在哪裡的資料別處沒有32:31
we're actually going to have more Dashers doing doing deliveries, not less我們其實會有更多 Dasher 在送貨，而不是更少；這是對十年後的預測45:01

名詞與人物10 個

Ask DoorDash: DoorDash 讓人用自然語言找餐廳與雜貨的功能，一開始想做語音，後來留下對話式。
DOT: DoorDash 自製的送貨機器人，300 lb、最高 20 mph，可走人行道、自行車道與路面。
L4: DoorDash 用它形容 DOT 在 Phoenix 的運作：完全自動駕駛。
autonomous delivery platform: 他們合作期間建的平台，含 API、調度、商家整合與消費者體驗，供各種機器人與無人機接入。
Dasher: DoorDash 的外送員，超過 9 million 位。
Tasks: 讓外送員蒐集資料、訓練 world model 的新產品。
Dashbench: DoorDash 公布的基準，衡量各模型與 harness 在寫程式任務上的表現。
DoorDash CLI: 前一週推出的命令列工具，讓 agent 替使用者下單。
DoorDash Labs: DoorDash 的研發團隊，招募時強調做出的東西要真的上線。
agentic commerce: 由 agent 替人買東西的購物方式，Ask DoorDash 是他們的第一步。

提到但沒有展開

其中一位共同創辦人講了開機的例子：最早的開機程式是工程師花幾小時拼出來的 Jenkins script，常常當掉、一次要 30 到 45 分鐘，乘上 500 台機器人就成了生產力問題。
其中一位共同創辦人說，公司的 AI 席位成長最快的是非技術團隊，例如分析師、營運與客戶經理，他們用 AI 準備與大商家的季度檢討。

在 YouTube 看原片 ↗

DoorDash