Building an Autonomous 深度访谈

主持人介绍本期嘉宾 Andy Fang 和 Stanley Tang，两人是 DoorDash 联合创始人。本期访谈的主线包括 DoorDash 如何让用户用自然语言订餐和购买杂货，这对 Agentic Commerce 的意义，以及 DoorDash 的配送机器人 DOT、长期机器人投入、网络数据优势和每年数十亿次配送背后的自动化影响。主持人将 DoorDash 的 AI 应用定位为较大规模的真实消费行为改变案例，并以 Ask DoorDash 的背景作为切入点。

Andy 回顾 Ask DoorDash 的起点，称团队几年前就开始探索相关方向，最初看好语音作为交互方式，但语音并未真正落地。真正有效的是自然语言对话体验，用户可以把脑中的需求直接表达出来，而不必做关键词搜索或手动筛选。在餐厅场景中，使用 Ask DoorDash 的路径里约 50% 会引导用户下单从未买过的餐厅，这对 DoorDash 过去很难撬动的新店发现指标意义重大。在生鲜杂货场景中，用户会拍冰箱、做膳食规划、提出饮食限制或复购常用品，购物篮规模约提升 40%。

主持人指出，DoorDash 原本并不难用，但 Ask DoorDash 的数据说明仍有未被满足的潜在需求，尤其是尝试新餐厅的需求。Andy 解释，用户会形成点餐习惯，但也希望饮食更有多样性，对话体验让这种需求更容易被表达。他还提到团队投入了“世界知识”能力，把 DoorDash 之外的餐厅信息、网络趋势、论坛讨论等纳入体验中，以弥补模型知识截止和平台内信息不足的问题。这让推荐不只是基于历史订单，也能回应“现在什么受欢迎”“什么值得尝试”等社会化餐饮发现需求。

主持人追问个人代理未来能掌握哪些关于饮食和杂货购买的上下文。Andy 举了办公室茶水间的例子：摄像头可以观察货架，当库存变少时自动向 DoorDash 发起补货请求。这类场景把原本由人执行的重复任务转化为代理可参与的流程。主持人也提出家庭周日晚餐的使用场景：每周需要确认来访人数、过敏信息、饮食偏好和特别想吃的东西，再完成订餐。Andy 将其类比为办公室午餐订购，指出办公室经理同样需要处理时间、人数、过敏和偏好等复杂约束。

话题转向自动化和机器人。Stanley 表示 DoorDash 对机器人和自动驾驶的研究比外界想象更早，约从 2018 年就开始，当时自动化和机器人是否会成为关键技术还不明显。但创始人团队认为，这类技术会对本地配送产生变革性甚至颠覆性影响。作为创始人领导的公司，他们可以持续思考更远期的技术趋势，以及如何避免被下一代 DoorDash 式公司颠覆。Stanley 认为未来的新进入者不会只是做一个 UI 更好的 DoorDash，而会把 AI 代理、自动驾驶、机器人和无人机配送结合起来。

Stanley 解释 DoorDash 如何安排长期技术投入：所有事情都从实验开始，这也延续了公司创立时的方式。DoorDash 最初只是斯坦福宿舍里的实验网站，包含几个 PDF 菜单和一个 Google Voice 电话号码。2018 年探索自动化时，团队也没有一开始就建立大型机器人项目，而是由 Stanley 和半个工程师时间组成小型秘密项目，目标是学习、寻找合作伙伴并验证方向。多年合作后，他们确认自动化不是是否会发生，而是何时发生。同时他们意识到，机器人之外还必须建设 API、调度、商户集成、消费者体验和运营系统，因此形成了 autonomous delivery platform 的概念。

Stanley 认为他们从合作中学到的最重要一点，是必须围绕具体用例构建技术。许多自动化公司先造技术再回头寻找问题，这与软件创业中“服务客户、做用户想要的东西”的原则相反。DoorDash 发现，现有两类方案都不完全适合自己的配送场景：人行道机器人速度慢、距离短，而 DoorDash 平均配送为 3 到 5 英里、去除备餐时间后约 15 分钟；Robotaxi 面向载人，车辆太重、成本和设计冗余，并且乘客可以步行去上车点，但包裹不能自己完成最后 100 英尺。由此团队判断，适合密集郊区 3 到 5 英里配送的形态更像自动驾驶摩托车、踏板车或自行车。

在确认市场上没有完全适合 DoorDash 场景的方案后，Stanley 表示团队决定不再等待外部公司提供答案，而是投入自研，以控制自己的技术命运。他们基于真实 DoorDash 配送测试、过往约 100 亿次配送数据以及运营经验反复迭代，最终推出内部自主配送机器人 DOT。Stanley 强调，这种路径并不只适用于机器人，也适用于 DoorDash 的 AI 和其他业务创新：先从实验出发，明确客户问题和使用场景，再从需求倒推产品，逐步验证假设并长期迭代。