DoorDash 把外送員變成 AI 資料採集網，實體世界的訓練資料正在平台化
DoorDash 推出 Tasks，表面上像是給外送員多一條兼差收入來源，實際上卻更像一個很清楚的平台訊號: 實體世界的 訓練資料 正在被產品化，而且是用既有的 gig network 來做。當 DoorDash 說外送員可以拍菜色、拍飯店入口、錄日常動作、錄不同語言的語音，甚至幫自動駕駛或機器人系統補足現場資訊時，它真正建立的不是一個 side hustle app，而是一個可擴張、可派單、可計價的實體世界資料採集網。
官方目前公開的資訊其實相當完整。DoorDash 說，自 2024 年以來 Dashers 已經完成超過 200 萬個任務，現在正式把這條能力包成 Tasks 對外推出。它舉出的任務範例包括替餐廳拍真實菜色、替飯店拍入口方便送貨員找到 drop-off 地點、替自動駕駛車輛補做現場支援，另外還在獨立 app 裡試行更偏 AI 的任務，例如拍攝日常動作影片或錄下不同語言的口語內容，讓 AI 與機器人更理解物理世界。DoorDash 也直接給出它最核心的底牌: 全美超過 800 萬名 Dashers，幾乎能觸及任何角落。這種覆蓋本身，就是它對 AI 與機器人公司最值錢的資產。
TechCrunch 補上的細節讓這件事更具體。根據 Bloomberg 取得的任務示例，DoorDash 甚至可能要求工作者佩戴 body cam，拍攝洗碗這類極日常但對機器人學習很有價值的動作序列。這代表 DoorDash 想賣的不是抽象的群眾外包，而是可被標準化、可重複發包、可直接餵進模型或驗證系統的現場素材。
為什麼這件事比「外送平台做 AI」更值得注意
因為很多 AI 公司最缺的，從來不是模型本身，而是夠大、夠新、夠貼近現實場景的資料。網路文字資料已經被大量抓過，但真實世界裡的門口長怎樣、菜色端上桌長怎樣、人在不同光線和角度下怎麼完成一串動作、不同語言口音的自然語音怎麼出現，這些資料的蒐集成本一直很高，而且很難即時更新。
DoorDash 剛好有一個別人很難複製的起點: 它已經有遍布各地、願意接臨時任務、且跟零售、餐飲、飯店、交通場景高度重疊的人力網路。把這張網拿來做 電腦視覺、語音辨識、機器人路徑理解或實體世界校驗，幾乎是順手延伸，而不是從零創造新供應鏈。
這也是為什麼 DoorDash 在公告裡會一直強調「digitize the physical world」。這句話不是行銷修辭而已，它實際上是在說: 我們不只是送餐平台，我們也能把物理世界持續轉成可用資料。
這條模式最有價值的地方，在於它把資料採集變成可調度的基礎設施
傳統資料標註平台多半處理的是已經存在的數位資料，但 DoorDash 想做的是更前一段。它不是只標註，而是先去把資料帶回來。這個差別很大。因為一旦任務可以被拆成「去某個地點拍某個入口」「做一段指定動作」「念一段指定語句」「確認某個現場條件」，整個資料供應鏈就從靜態標註變成動態採樣。
這對 AI 與機器人公司很有吸引力，原因至少有三個。
第一，新鮮度高。資料不是幾個月前留下的，而是可以依需求補拍。第二，覆蓋廣。平台現成的人力讓長尾地點也有機會被低成本觸達。第三，任務可以混合商業用途與模型用途。今天拍飯店門口是為了讓外送更順，明天同一套流程也能拿來讓自駕配送或服務型機器人學會辨識環境。
這條路如果做成，DoorDash 的價值就不只在交易撮合，而會更接近一層現實世界資料基礎設施。這跟 AI 勞動與監管討論進入操作期，企業不能再用模糊口號帶過 提到的方向剛好接上: AI 對勞動的影響不一定先表現在「工作被整個取代」，也可能先表現在工作被拆得更細、被重新包裝成平台任務、再被接進新的數據供應鏈。
但這條路最敏感的地方，也正好是它的商業優勢
DoorDash 公告裡有一個細節很難忽略: Tasks 和獨立 app 現在只在美國部分地區上線，而且排除了 California、New York City、Seattle、Colorado。官方沒有把原因說死，但這些地區剛好也是 gig work 規則、最低報酬、分類爭議和勞動保障討論最敏感的地方之一。這意味著 DoorDash 對 Tasks 的擴張，不只是技術問題，也會一路撞上勞動與監管問題。
爭議點其實很現實。當外送員拍攝、錄音、執行日常動作任務，這些資料最後會怎麼被使用？會不會被拿去訓練 DoorDash 自己的模型，也同時供合作夥伴評估？工作者是否充分知道自己交出的影像、語音與動作資料，會被放進哪些 機器學習 流程？報酬如何跟任務難度、隱私風險、身體負擔對齊？這些問題都不會因為任務被包裝成「彈性接案」就自動消失。
還有一個更深的問題是，這類平台會不會逐漸把「人做事」與「人替 AI 蒐集學習材料」混成同一條工作鏈。當平台說這是新收入機會，支持者會看到多元變現；批評者看到的則可能是更多碎片化、缺乏保障、但對 AI 公司極有價值的微勞動。兩種看法都不是空談，因為這正是 gig economy 每次往新領域延伸時最核心的張力。
DoorDash 這條新聞真正透露的，是下一輪 AI 競爭不只比模型，也比誰握有「帶著腳走路的資料網」
很多人會把 AI 競爭想成雲端算力、模型規模與 推理 成本的競爭，但 DoorDash 這條線提醒另一件事: 只要模型想碰真實世界，它就需要人把真實世界拆成可收集的片段。拍門口、拍貨架、拍餐點、錄說話、拍動作，這些看起來不起眼的任務，最後都可能變成下一代機器人、配送系統、零售自動化或實體世界 agent 的燃料。
所以 DoorDash Tasks 最不該被低估的，不是它今天多了一個 app，而是它把平台勞動、商業現場與 AI 資料採集綁進了同一套派單系統。這種模式一旦跑通，其他握有大規模地理覆蓋與彈性勞動網路的公司，很難不跟進。未來真正值錢的，不只是誰有最會推理的模型，也會是誰先把「現實世界怎麼持續被看見」做成穩定供應鏈。