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

DoorDash 联合创始人详解：AI 让用户下单新餐厅的比例提升50%，自研送货机器人已L4运营两年，靠10亿次配送数据解决物理世界难题。

• Ask DoorDash 上线后，用户行为发生两个显著变化：一是餐厅端，50% 用自然语言搜索的人，点的是从没点过的餐厅——这是 DoorDash 历史上最难撬动的指标之一。二是生鲜端，购物篮金额平均大了 40%。
• 用户怎么用：有人拍张冰箱照片说"帮我补货"，有人做家庭餐计划（"周末想给家人做顿意面晚餐"），有人直接说"帮我重新下单我常买的东西"——比逐项点选快得多。
• 他们还把互联网上的"世界知识"融进了搜索：比如"现在网上什么餐厅最火""论坛里大家在聊什么"——因为模型的知识截止日期太早，这些实时信息能让用户更信任推荐结果。

• 2018 年就开始探索，当时只是"一个半工程师的业余项目"，先跟所有玩家合作——从 sidewalk 机器人到 robo taxi 公司，做了好几年。
• 合作中学到三件事：1) 自动驾驶是"什么时候发生"而非"会不会发生"；2) 要让自动驾驶真正跑起来，需要围绕它建一大堆基础设施（API、调度、消费者体验），他们管这叫"自动驾驶配送平台"；3) 最重要的一条：必须从用例出发，而不是先造技术再找问题。
• 为什么最后决定自己造：市面上的产品都不对。sidewalk 机器人速度太慢（2-3 mph），DoorDash 平均配送距离 3-5 英里、期望时间 15 分钟；robo taxi 又太重（4000 磅），而且载人和载货的"最后 100 英尺"问题完全不同——人可以从半条街外走过去，包裹不行。
• 他们从第一性原理出发：要解决的是"密集郊区 3-5 英里配送"，最合适的形态是自动摩托车/踏板车——300 磅、时速 20-25 mph，能走自行车道也能上路。市面上没人做，他们就自己做了，取名 DOT。

• DOT 已在凤凰城运营两年，去年达到 L4 全自动驾驶。它是唯一设计为同时走 sidewalk、自行车道和公路的配送机器人。
• 规模化的三个瓶颈：1) 自动驾驶本身——两年前是最大问题，现在反而越来越不是瓶颈；2) 运营——每个城市的餐厅布局、接口都不一样，凤凰城和旧金山完全不同；3) 硬件制造——前 100 台可以手搓，但到 1000 台、10000 台就要考虑供应链和零部件可靠性。他们找了从 Rivian 分拆的微出行公司 Also 合作量产。
• 大量"你根本想不到"的 edge case：比如树叶盖住半边车轮，左右轮需要的扭矩完全不同；急刹车时再生制动系统会反冲电池；机器人每天开机要 30-45 分钟，100 台就是巨大的生产力问题；GPS 定位不准，机器人到了地址却找不到具体哪个门——而 DoorDash 有人类骑手历史送达位置数据，这是 Google Maps 没有的独家资产。

• 去年收购了 AI 原生公司 Metis，目的是给这家万人公司注入"AI 原生的思考方式"——很多老员工根本不知道什么是可能的。
• 他们发布了内部基准 Dashbench，专门测各种模型和框架在编程任务上的表现。原因很现实：6 月 AI 花销比 1 月涨了 20 倍，必须算清楚每一分钱的回报。
• 给研究人员的招聘话术："你是想在一个 PhD 实验室做原型和 demo，还是想做出能在真实世界发货的东西？"——强调"不是纯研究，是真正落地、有 impact"。

"自动驾驶的问题五年前是技术，现在越来越变成运营、商业化和硬件制造——而这正是 DoorDash 的规模优势和运营优势能发力的地方。"

• 自然语言搜索在"发现"场景的威力被严重低估：DoorDash 用一句话就让用户尝试新餐厅的比例翻倍——做电商、本地服务的产品，应该立刻把"自然语言搜索"作为核心交互，而不是传统的关键词匹配。
• "先合作再自建"是硬件/机器人领域最务实的路径：DoorDash 先跟所有玩家合作了好几年，摸清了真实需求和行业天花板，才决定自己造——这比一上来就烧钱自研聪明得多。做 AI 硬件的团队可以照抄这个"先合作学习、再决定是否自建"的节奏。
• AI 花销涨 20 倍不可怕，可怕的是没有 ROI 度量体系：DoorDash 的做法是立刻建内部基准 Dashbench——任何想大规模用 AI 的公司，第一步都该是"定义清楚怎么算账"，否则钱烧完了都不知道值不值。