No Priors × DoorDash：AI 点单只是入口，真正难题在机器人接管配送

这集 No Priors 讨论的重点，不是 DoorDash 给 App 加了一个聊天框，而是它试图把「表达需求」和「完成配送」一起改造成 agentic commerce：用户用自然语言说清楚想吃什么、缺什么，后台再决定由人、机器人还是无人机完成剩下的路。嘉宾 Andy Fang 与 Stanley Tang 是 DoorDash 联合创始人，主持人为 Sarah Guo。1

DoorDash 最初押注过语音交互，但两位嘉宾说，真正有效的方向是自然对话：用户不必先把需求压缩成关键词，也不必自己完成一轮外部搜索，而是直接描述约束和目的。比如拍下冰箱里的东西，让系统帮忙补货；说明饮食限制，要求安排一顿饭；或者告诉它周末要和家人吃意面。

他们给出了两个很具体的行为信号。在餐厅场景中，使用 Ask DoorDash 的下单轨迹里，约 50% 最终来自用户此前从未点过的餐厅。杂货场景的平均购物篮则大约大了 40%。这说明自然语言的价值不只是让熟客更快复购，也可能降低探索新商家的表达成本。2

另一个关键变化是，DoorDash 不想让模型只回答自己的目录。嘉宾提到，系统会把网络上的趋势、论坛讨论以及模型原有知识之外的新信息纳入餐厅发现。对用户而言，问题从「DoorDash 上有什么」变成了「最近大家在讨论什么，哪家店适合我的具体场景」。这也是他们理解 agentic commerce 的入口：代理不只是替人点击，而是先把模糊意图翻译成可执行的消费决策。2

DoorDash 从 2018 年左右开始探索 robotics 和 autonomy。早期只是 Andy 加上半名工程师的 skunk works 项目，公司也曾设想直接与外部机器人公司合作。但他们逐渐得出一个判断：自动化配送不是「会不会发生」，而是「何时、以什么运营形态发生」。技术必须从具体配送场景出发，不能先造一个机器人，再寻找它能解决的问题。2

现在的核心试验是 DoorDash 自研的 Dot。访谈中给出的参数是：约 300 磅，最高时速 20 英里，体积约为汽车的十分之一；它在凤凰城运行了两年多，嘉宾称其在上一年已达到完全自主的 L4 阶段。Dot 更适合 3 至 5 英里的配送，尤其是从商业街区或 strip mall 出发、密度较高的郊区路线。2

但 Dot 并不意味着把人从配送链条里删除。无人机适合偏远、道路条件差且订单较轻的场景；人类 Dasher 仍更适合要拣货、打包、上下楼的复杂杂货订单。DoorDash 设想的是一支 multimodal fleet，让不同运载方式各自承担最合适的一段，而不是把「自动化」理解成单一机器人包打天下。2

自动驾驶在道路中间跑起来，未必等于配送完成。两位嘉宾反复谈到 first and last 100 feet：机器人要从商家准确接上货，还要在另一端找到正确的门、车道、门禁或商铺入口。地图上看似相同的最后一小段，实际会被落叶、灰尘、混合路面和不同的扭矩条件放大成工程问题。

他们举的例子很具体：左右轮一边压在落叶、一边压在柏油上，摩擦差异就会改变控制；灰尘会覆盖摄像头传感器；紧急制动时的再生制动也可能给电池带来过强冲击。规模化后，问题还会从单车控制扩展到整套运营系统：仓储和换电、维修、车队调度、商家教育，以及取货和交付流程都要重新设计。2

软件基础设施同样会暴露规模问题。嘉宾提到，原本用于演示的 Jenkins 启动脚本，在每天启动成百上千台机器人时会失效，单次启动可能拖到 30 至 45 分钟。硬件也不再是可以买来的标准件：制造、供应链和零部件可靠性会随着车队规模成为核心约束。这个判断解释了 DoorDash 为什么与 Also 等具备车辆规模化经验的公司合作。2

两位联合创始人对劳动力的判断与「机器人替代配送员」的直觉不同。他们认为，未来十年 Dashers 不会简单减少，反而可能因为业务继续扩张而需要更多人；更现实的形态是 Dashers、Dot、无人机和其他机器人共同组成配送网络。这里的逻辑不是否认自动化，而是承认配送需求、订单复杂度和人类处理的最后一段不会同时消失。2

在软件侧，DoorDash 也在测试更 agent-first 的体验，包括 DoorDash CLI。嘉宾描绘的未来很朴素：办公室 pantry 快空时，代理自动补货；家庭聚餐、午餐和日常杂货则变成连续的意图表达，而不是一次次打开 App、筛选、比较和确认。

这集最值得带走的结论是：AI 可能很快把消费入口从「搜索和点击」改成「描述和委托」，但物理世界不会因此消失。真正的竞争力仍在那些不容易被演示视频覆盖的环节：商家交接、最后一百英尺、车队运营、硬件供应链，以及人和自动化设备如何共同完成一笔订单。