外卖员给AI打工？从送餐到「喂」数据，800万骑手成AI训练师

外卖员居然成了 AI 训练数据最重要的一环？

最近的这件事，挺有意思。美国外送巨头 DoorDash 悄悄地发布了一款叫「Tasks」的应用。简单说，以后他们家的外卖员送完餐，可以顺便拍点东西——一段街景、送餐的视频，或者几张照片，就能额外赚点小钱。DoorDash 的说法是，这能帮助商家获得更真实的线下洞察，同时，也能让AI和机器人系统更好地“看懂”现实世界。

（图源：knowledgewharton）

这意味着什么呢？过去，外卖员送的是餐；现在，他们还得“生产”一份训练数据。这两年，大家看惯了大模型的常规操作：先用海量公开文本、图片做预训练，再靠人工标注和反馈来“调教”。而 Tasks 的出现，隐约指向了一个新方向：AI训练的战场，正从虚拟的互联网文本和图片，卷向纷繁复杂的现实世界本身。不过问题也随之而来：采集现实数据的方法那么多，为什么偏偏选中了外卖员？

平台的数据生意，全靠外卖员

得先澄清一点，这个 Tasks 并非在外卖流程里强行加塞一个动作，而是一套独立的“零工”体系。骑手除了接外卖单，还能像接任务一样，去拍菜品、找酒店入口、记录日常动作，甚至录制外语对话。虽然平台承诺每完成一项都给报酬，但这“兼职”可没看上去那么轻松。

根据《洛杉矶时报》的报道，Tasks 里的内容五花八门，远不止采集商家信息。录制西班牙语自然对话、拍自己洗碗叠衣服、处理与自动驾驶车辆相关的现场任务……都得干。换句话说，想赚这笔外快，外卖员需要付出的精力和时间并不少。

（图源：DoorDash）

明眼人一看就懂，DoorDash 要的绝不是随手拍的素材，而是标准化、可复用性高的现实世界音视频样本。再结合他们强调的“超800万外卖员覆盖城市每个角落”这个优势，意思就更直白了：DoorDash 这是在向市场昭告，自己手握一条强大的 AI 训练数据采集流水线。

那么，最实际的问题来了：干这些活，到底能挣多少？DoorDash 对此语焉不详。倒是媒体 WIRED 的实际体验给出了一个参考：一个标注为“时薪15美元、最长20分钟”的拍摄洗衣过程任务，平台估算的实际报酬低至0.37美元；而像扫描货架这类任务，页面则会直接显示16美元报酬。价格起伏不定，任务价值也天差地别。

平台确实在提供额外收入机会，但为何突然对这些看似琐碎的场景如此慷慨？答案再明显不过：这些音视频数据，最终都会流向 DoorDash 自身及合作伙伴的 AI 模型，成为训练“食粮”。更值得玩味的是，DoorDash 在今年3月刚刚正式上线了自研的配送机器人 Dot，目前仅在少数地区试运营。

（图源：DoorDash）

对于 DoorDash 而言，其真正要抢占的，是当前AI大模型最难攻克的“长尾场景”。那些靠文本和标准图片训练不出来的细节——比如被遮挡的招牌、临时变更的入口、摆放混乱的货架——恰恰是机器人离开实验室后能否顺利落地的关键。而 Tasks 里那些“奇怪”的需求，正是为了捕捉这些细节而生的。

外卖员跑过的路，正在变成 AI 的训练场

回看过去几年的大模型训练，核心资源一直是互联网上的文本、图片、代码和公开视频，辅以人工的后处理。这套方法的根本目的，是让模型先学会“看”和“说”。正如 OpenAI 早期论文所揭示的，语言模型无论参数多大，都离不开人类反馈的微调。然而，当技术走向多模态和机器人领域时，这些数据就远远不够了。

多模态和具身智能需要的不再是“杯子是什么”的抽象认知，而是具体的物理世界经验：以什么角度接近一扇门？不同材质的物体该如何抓取？在陌生街道上，哪些信息最影响路径判断？

这一点，在业界研究中早有印证。例如 Google DeepMind 在 RT-2 论文中就明确指出，互联网规模的视觉-语言数据能赋予机器人更强的语义理解能力，但真正让机器人完成具体动作控制的，依然是机器人自身的轨迹数据——即看到/听到了什么，紧接着该做出什么动作。

（图源：Google）

这也就解释了，为什么 DoorDash 的 Tasks 看似是给骑手派零活，本质上却像一条高效、低成本的数据采集流水线。外卖员这个群体拥有得天独厚的优势：相比坐在电脑前的传统标注员，他们本就深度沉浸在这些复杂场景中。每天穿梭于不同门店、社区、写字楼，那些复杂的出入口、比正门更便捷的小路，都由他们第一时间记录并上传，形成极其宝贵的真实世界数据集。

（图源：supplychaindive）

往深了说，这套做法正是在为具身智能的发展添砖加瓦。DeepMind 在介绍 Gemini Robotics 时就谈到，模型一旦进入物理世界，就必须同时处理感知、空间理解、规划与控制，复杂度远非屏幕内生成文本可比。近两年的机器人大模型研究，核心议题之一就是如何让机器人不只是执行预设动作，而是能真正看懂场景、理解指令，并灵活应对。要实现这个目标，模型既需要互联网的知识，也离不开海量真实世界的操作数据。

当然，选择外卖员加入AI训练流程，性价比并非唯一考量，更深层的原因在于，模型要融入现实世界，最急需的正是这种充满“活人感”的操作经验。试想，即便聘请大量专业工程师去实地采集数据，他们未必能比天天在此奔波的外卖员干得更出色、更自然。

DoorDash 押注的未来，早已不新鲜了

客观来看，DoorDash 的 Tasks 计划，本质是企业快速获取“地面情报”、为AI和机器人囤积现实世界底层素材的工具。但必须指出，自动化配送这个概念本身，早已不是什么新鲜事。

在中国市场，美团已经将自动配送车和无人机投入实际运营。根据其2025年公布的数据，截至2024年底，自动配送车累计完成近500万单，自动驾驶里程占比高达99%，并为骑手减少了超过240万公里的奔波；无人机累计订单也突破了45万单。这些数字表明，在校园、园区等路线相对稳定的场景中，自动配送的效率已经迈过了及格线。

（图源：Forber）

再看海外，Serve Robotics 在今年3月宣布与 White Castle 合作，通过 Uber Eats 推出机器人配送服务，其机器人在美国多城市落地，并于2025年底完成了超2000台的部署。还有 Starship Technologies，其自动配送机器人累计完成配送次数已达900万次。

正因如此，DoorDash 当前让骑手“顺手”为AI喂养数据的举动，才显得格外意味深长。目前，DoorDash 自家的 Dot 配送机器人在公开案例中成功率不低，但应用场景仍相对有限。机器人最难跨越的障碍，恰恰是那些突发、琐碎的现实问题：招牌被挡、入口临时更换、取货点定位不准……作为行业巨头，DoorDash 对此心知肚明。

DoorDash 的聪明之处正在于此。它一边维持着现有的人力配送网络，并用一定报酬激励骑手兼职完成数据采集；另一边则利用这些数据深度训练模型，为自动驾驶配送机器人的全面到来铺路。不过，至少在中短期内，外卖骑手仍是这条链条上不可或缺的一环，他们的工作远未被自动化完全取代。

（图源：BGR）

然而，从长远来看，当平台持续积累现实数据并稳步推进自动化，人与机器的关系很可能从协同逐步转向替代。技术进步无疑值得肯定，自动配送、具身智能和现实数据采集都在驱动整体效率提升，有望将重复、辛苦的环节交由系统完成。但另一方面，外卖和即时配送从来不是一门只关乎“送达”的生意，其中充满了需要即时沟通、判断和处理复杂状况的环节。因此，可以确定的是，在相当长的一段时间内，配送服务的最后一公里，依然需要人类的灵活性与经验来最终兜底。