Aftercasting
← No Priors

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

2026-07-23

DoorDash 联合创始人 Andy Fang 与 Stanley Tang 向 Sarah Guo 说明：Ask DoorDash 自然语言订餐/杂货如何改变发现与客单价；公司自 2018 起布局自动驾驶配送，自研 Dot 机器人在凤凰城跑了两年多；强调「用例倒推」与多模态车队，并预测十年后 Dasher 人数不减反增。

  1. Ask DoorDash：新餐厅发现约 50%，杂货篮约 +40%。
  2. 下一代 DoorDash 应是 agent-first（CLI/摄像头补货）。
  3. 2018 起自治；合作验证后自研 Dot（300lb / 20mph）。

播出信息

  • 日期：2026年7月23日（RSS pubDate）
  • 时长：约 49:19（2959 秒；YouTube 2960s）
  • 主持人：Sarah Guo
  • 嘉宾：Andy Fang、Stanley Tang（DoorDash 联合创始人）
  • 音频：Megaphone MP3
  • YouTube：vnpzg_Ma-FA
  • 英文转写：Podscripts（未用 Whisper）
  • GUID：67540c92-8640-11f1-8f2a-e322343e668d

背景

DoorDash 常被看成外卖网络，但创始人长期以机器人/自治公司自居：2018 起以 skunkworks 探索，先合作人行道机器人与 robotaxi，再因「3–5 英里/约 15 分钟」配送画像决定自研介于人行道车与汽车之间的 Dot（约 300 磅、最高约 20 mph，可上人行道/自行车道/道路）。并行推出 Ask DoorDash 对话界面与 CLI，服务 agentic commerce。网络数据：约 900 万 Dasher、年约 30 亿单级配送规模（口述）。

节目结构 / 议程

  1. 开场：对话订餐 + 八年机器人公司 — 00:00 🎧 · ▶️
  2. Ask DoorDash：新店 50%、杂货篮 +40% — 00:34 🎧 · ▶️
  3. 2018 起机器人：实验→合作→必须自研 — 06:54 🎧 · ▶️
  4. 物理世界：30 亿种不同的单 — 16:31 🎧 · ▶️
  5. 招人：真船 vs 十年 demo — 25:48 🎧 · ▶️
  6. 规模化：落叶扭矩、启动脚本、最后 100 英尺 — 28:04 🎧 · ▶️
  7. 生产力：Metis、Dashbench、支出 20× 后走平 — 39:30 🎧 · ▶️
  8. 未来：更多 Dasher + agent-first — 44:56 🎧 · ▶️
  9. 结语 — 49:10 🎧 · ▶️

分节详解

1) 开场：对话订餐 + 八年机器人公司 — 00:00 🎧 · ▶️

💬 他们说了什么： Sarah 预告 Ask DoorDash、agentic commerce、Dot、八年机器人投入、数据优势，以及对 900 万 Dasher 与年约 30 亿单的含义。

💡 为什么重要： 一开场就把「外卖 App」重定位为本地商业 + 物理自治平台。

⚡ 争议点： 规模数字为口述，需对照最新财报。

2) Ask DoorDash：新店 50%、杂货篮 +40% — 00:34 🎧 · ▶️

💬 早期押注语音未成，对话式自然语言成为主界面。餐厅侧：使用 Ask 的轨迹中约 50% 订单来自从未点过的店——历史上极难拉动的指标。杂货侧：篮尺寸约 高 40%（拍冰箱求补货、膳食计划、饮食限制、「平常那单」）。融入「世界知识」（网络趋势、论坛、模型截止日期外的热点）以增强信任与「吃点酷的」。

💡 证明 LLM 界面不只省点击，而改变发现与客单结构。

⚡ 50%/40% 是否控制选择偏差；语音是否会随模型再起。

3) 下一步：引导使用；agent 流量已超人类 —— 03:52 🎧 · ▶️

💬 近程：降低「对着空白框不知说什么」的恐惧，用 UX 实验引导用例。远程投机：若今日在车库重做 DoorDash，应 agent-first；已有「网上 agent 流量 > 人类流量」的判断。情景：办公室摄像头看储物架空了就向 DoorDash 发单；Sarah 周日家庭聚餐——汇总人数/过敏/偏好后自动下单。公司在试 DoorDash CLI 以降 agent 接入摩擦。

💡 产品路线从「更好的搜索框」走向「机器客户」API/CLI。

⚡ agent 流量占比口径不清；家庭聚餐全自动的责任与偏好冲突。

4) 2018 起机器人：实验→合作→必须自研 — 06:54 🎧 · ▶️

💬 Stanley：2018 即布局（当时非共识），创始人公司才能做超前 speculative 投资。路径同 DoorDash 本身：宿舍实验（Palo Alto Delivery PDF 菜单 + Google Voice）→ 验证再加码。机器人最初是他 + 0.5 工程师的 skunkworks，本想只做平台/API、与所有人行道机器人到 robotaxi 合作。三年教训：(1) 自治是 when 不是 if；(2) 必须建 Autonomous Delivery Platform（调度、商户、消费者体验）；(3) 多数硬件公司技术先行再找场景——人行道车太慢（2–3 mph vs 均距 3–5 英里、约 15 分钟），robotaxi 为载人（4000 磅、座椅空调），包裹不能「停在半街区外走过去」。第一性原理：郊区 3–5 英里配送 → 自动驾驶摩托/滑板车形态，约 300 磅、20–25 mph——无人做，故自研并迭代上线。

💡 经典「平台幻想 → 垂直一体化」案例；形式因子由 SLA 决定。

⚡ 自研硬件对上市公司的资本与安全责任；合作生态是否被过早放弃。

5) 物理世界：30 亿种不同的单 — 16:31 🎧 · ▶️

💬 Sarah 假设：人们把 ChatGPT 般「通用技术可免费套应用」心智误搬到机器人。Stanley：DoorDash 是物理世界生意，年 30 亿单「没有两单相同」——城市/郊区/雪地、披萨 vs 冰淇淋、杂货/药店/包裹。优势是约 100 亿历史配送、4000 万+ 月活消费者、麦当劳 vs 夫妻店、drive-thru vs 商场的运营 know-how。Andy：Tasks 产品让 Dasher 采集数据训练 world model；人形等形态仍早，须在质量或成本上明确胜过现状。

💡 驳斥「先训通用模型再考虑运营」；主张数据与运营是自治护城河。

⚡ 「无两单相同」修辞化；Tasks 数据采集的劳工与隐私议题未深谈。

6–7) Dot 规格与多模态分工 — 21:20 🎧 · ▶️

💬 Dot：全自研，约 300 磅、最高约 20 mph、约汽车 1/10 体积，可走人行道/自行车道/道路；凤凰城运行近两年，L4，Tempe 体感「像 SF 的 Waymo」。战略：不求一种机器人打全场——Dot 适合密集郊区 3–5 英里；乡村差路或用无人机；复杂多层杂货拣货仍要 Dasher。商户一次接入 DoorDash 即触达人+无人机+车+未来 AI 工具。真实世界分布无法靠「精选 demo」覆盖——最佳数据是真实配送。

💡 多模态车队把自治从零和「取代骑手」改成「路由到合适执行器」。

⚡ 凤凰城成功外推到湾区/欧洲冬季等；L4 边界与远程接管比例未披露。

8) 招人：真船 vs 十年 demo — 25:48 🎧 · ▶️

💬 招聘叙事：要做上线真实世界的东西，而非 PhD lab 原型；自治圈许多人厌倦十年无产品。务实文化：尽早接触物理世界迭代。凤凰城静默跑单超两年后才大宣——重点在学如何把 demo 变成规模化车队/服务。

💡 用「已在运」对抗人才向通用人形/基金实验室集聚。

⚡ 「非纯研究」是否吓跑顶刊导向人才。

9) 规模化：落叶扭矩、启动脚本、最后 100 英尺 — 28:04 🎧 · ▶️

💬 边缘：镜头蒙尘；右侧轮压落叶左侧压沥青导致扭矩分配；再生制动过冲冲击电池；Jenkins 黑客启动脚本在数百车时变成 30–45 分钟×500 的生产力灾难；供应链与制造；商户教育；公寓 GPS pin 不准——第一性与最后约 100 英尺 只能靠历史 Dasher 真实投放点，Google Maps 没有。Sarah 共鸣：Sunday Robotics 洗碗遇到「猫在洗碗机」——分布不可想象，只能场测。运营团队+技术配对是吸引力。扩展三维：自治（已较少是唯一瓶颈）、运营/接口/车队、硬件制造（与 Rivian 系微出行公司 Also 合作）。五年前硬件被视为商品，现成瓶颈。

💡 把「模型准确率」降级为规模化三件套之一；数据飞轮具体到门牌。

⚡ 安全事件与保险未谈；制造伙伴依赖风险。

10) 生产力：Metis、Dashbench、支出 20× 后走平 — 39:30 🎧 · ▶️

💬 收购 Metis 注入 AI-native 思维；万人公司难想象前沿可能。发布 Dashbench 衡量模型+harness 在编码任务表现以算 ROI。AI 支出 1→6 月约 20×，后经治理走平；用开权重量化便宜任务。非技术岗位 seat 增长最快（分析、运营、客户经理做 QBR）。与实验室合作时：内部「还行」的任务 scrub 后进 RL 环境却「碾压」——企业数据/harness 缺口 vs 模型能力的分野，类似机器人「简化题」幻觉。

💡 大型运营公司如何把 AI 从实验变成可计量投资组合。

⚡ 20× 支出绝对值未披露；开权重是否损质量。

11) 未来：更多 Dasher + agent-first — 44:56 🎧 · ▶️

💬 Stanley 预测：机器人/无人机/AI 普及的十年后，Dasher 会更多不是更少——业务 ~25% YoY，900 万骑手，5–10× 增长不能靠「半个美国来送」；需要新模态+效率，需求也会因更便宜配送而膨胀 → 多模态车队 + 更多人类。Andy：搜索 query 变长 → 人更愿对话式交互；agent-first 与 CLI 会解锁「货架摄像头自动补货」等新用例；有人发现 DoorDash 不止午餐后把 CLI 接到便利店/杂货。

💡 明确反对「自治=裁骑手」简单叙事；增长数学需要供给创新。

⚡ 乐观需求弹性；劳工政治与「更多但不同的工作」是否成立。

12) 结语 — 49:10 🎧 · ▶️

💬 标准 CTA。

💡 Seek >70% 时长。

⚡ 无。

金句

  1. 「若今天重做 DoorDash，会是 agent-first。」
  2. 「自治是 when 不是 if。」
  3. 「人行道车太慢，robotaxi 又太『载人』。」
  4. 「没有两单是一样的。」
  5. 「第一性与最后 100 英尺的数据只在 DoorDash。」
  6. 「你是想做 demo，还是想在真实世界发货？」
  7. 「十年后我们会有更多 Dasher，不是更少。」

争议与需核实

  1. 50% / 40% / 20× 支出等内部指标口径。
  2. Dot 安全记录、接管率、城市扩张时间表。
  3. Metis 收购与 Also/Rivian 关系细节。
  4. 「agent 流量 > 人类」的来源。
  5. Dasher 增长预测与劳动力市场现实。

来源