外卖员给AI打工？从送餐到「喂」数据，800万骑手成AI训练师

外卖员成为AI训练数据采集的关键力量？幕后真相揭秘

近期一则行业动态，引发了广泛关注。美国外卖巨头DoorDash悄然上线了一款名为“Tasks”的应用程序。简而言之，该平台的外卖员在完成送餐后，可通过额外拍摄街景视频、记录送餐过程或上传店铺照片等任务，获取附加报酬。DoorDash官方解释称，此举旨在帮助商家获取更精准的线下商业洞察，同时为人工智能及机器人系统提供海量的现实世界训练数据，以提升其对物理环境的感知与理解能力。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

（图源：knowledgewharton）

这一举措意味着什么？传统上，外卖员的职责是配送商品；如今，他们可能额外承担了“数据生产员”的角色。过去两年，大众已熟悉大模型的常规训练路径：首先利用互联网公开文本与图像进行预训练，再依靠人工标注与反馈进行精细化调整。而Tasks项目的出现，似乎预示着一个新趋势：AI数据争夺战，正从虚拟网络空间延伸至复杂多变的现实世界。一个核心问题随之浮现：现实世界数据采集方式多样，为何平台特别青睐外卖员群体？

平台的数据战略：依赖骑手网络的隐秘布局

需要明确的是，Tasks并非强制附加于配送流程，而是一套独立的零工任务系统。骑手在接单间隙，可像领取任务一样，参与拍摄菜品陈列、定位酒店入口、记录日常活动，甚至录制特定语言对话等多种数据采集工作。虽然平台承诺为每项任务支付报酬，但这笔“外快”的实际收益与投入可能并不对等。

根据《洛杉矶时报》的报道，Tasks涵盖的任务类型极为广泛，远不止于简单的商家信息收集。例如，录制自然的西班牙语对话、拍摄洗碗或叠衣等日常动作、处理与自动驾驶相关的现场测试任务等，均在其列。换言之，外卖员若想赚取这份额外收入，需要投入相当的精力和时间成本。

（图源：DoorDash）

其意图不言而喻：DoorDash需要的绝非随意拍摄的素材，而是标准化、高可用性的现实世界音视频数据样本。结合其宣称的“超800万外卖员网络覆盖城市各个角落”这一独特优势，平台的深层目标已非常清晰——DoorDash正在向外界展示，其构建了一条高效、低成本的AI训练数据采集流水线。

那么，骑手完成这些任务的实际报酬如何？DoorDash对此披露甚少。而据WIRED媒体的实际体验，一个标注为“时薪15美元、最长20分钟”的拍摄洗衣过程任务，最终估算报酬低至0.37美元；相比之下，扫描商品货架等任务则可能显示16美元的报酬。任务定价波动巨大，价值评估标准也显得模糊。

平台固然提供了增加收入的机会，但其为何突然对这些琐碎的现实场景数据如此渴求？答案指向了AI训练。这些由骑手采集的音视频数据，最终将用于训练DoorDash自身及其合作伙伴的AI模型，成为宝贵的“数据燃料”。值得注意的是，DoorDash于今年3月正式推出了自研的配送机器人“Dot”，目前仅在少数区域进行试点运营。

（图源：DoorDash）

对DoorDash而言，其真正目标是攻克当前AI大模型难以处理的“长尾场景”。那些通过文本和标准图像无法学习的细节——例如被临时遮挡的店铺招牌、突然变更的建筑入口、杂乱摆放的货架——恰恰是配送机器人能否在实际环境中稳定运行的关键。Tasks中那些看似“奇特”的数据采集要求，正是为了捕捉这些关键细节而设置的。

从街道到数据集：外卖员的轨迹如何重塑AI训练

回顾过去几年的大模型发展，其训练核心始终围绕着互联网上的文本、图像、代码及公开视频，并通过人工进行后期处理与标注。这套方法论的核心目标是让模型学会“识别”与“生成”。正如OpenAI早期研究指出，语言模型的性能无论如何提升，都离不开基于人类反馈的强化学习。然而，当技术演进至多模态AI与机器人领域时，仅依赖互联网数据已远远不足。

多模态与具身智能系统需要的，不再是“杯子”的抽象定义，而是具体的物理交互经验：应以何种角度抓握门把手？不同材质物体的夹取力度如何控制？在陌生街区中，哪些视觉线索对路径规划最为重要？

这一点已在业界研究中得到证实。例如，Google DeepMind在RT-2模型论文中明确指出，互联网规模的视觉 -语言数据能提升机器人的语义理解能力，但真正让其完成精准动作控制的，依然是机器人自身采集的轨迹数据——即感知环境后，应执行何种具体操作。

（图源：Google）

这便解释了为何DoorDash的Tasks项目，表面是为骑手提供零工，实质是一条高效的数据采集管道。外卖员群体具备天然优势：与坐在电脑前的传统数据标注员不同，他们本就深度融入这些复杂多变的现实场景。每日穿梭于各类商铺、社区与办公楼宇，那些非常规的入口、鲜为人知的捷径，都能被他们第一时间记录并上传，形成极具价值的真实世界数据集。

（图源：supplychaindive）

深入来看，这种做法正是在为具身智能的发展奠定数据基石。DeepMind在介绍Gemini Robotics时曾提出，模型一旦进入物理世界，就必须同步处理环境感知、空间理解、任务规划与动作控制，其复杂程度远超在屏幕内生成文本。近两年的机器人大模型研究，核心挑战之一便是让机器人不仅能执行预设程序，更能真正理解场景、解析指令并灵活应变。实现这一目标，模型既需要互联网的泛化知识，也离不开海量、高质量的现实世界交互数据。

当然，选择外卖员参与AI训练流程，性价比并非唯一原因。更深层的逻辑在于，AI模型若要真正融入并服务于现实世界，最亟需的正是这种充满“人性化”和“现场感”的操作经验。即便雇佣专业工程师团队实地采集数据，其效率与场景覆盖的自然度，也未必能胜过每日在此区域奔波的外卖员。

DoorDash的未来押注：自动化配送早已不是新故事

客观而言，DoorDash的Tasks计划，本质上是企业高效获取“地面实况情报”、为AI与机器人积累现实世界底层数据的一种策略。但必须指出，自动化配送这一概念本身，在行业内已探索多年。

以中国市场为例，美团早已将自动配送车与无人机投入实际运营。根据其2025年披露的数据，截至2024年底，自动配送车累计完成订单量近500万单，自动驾驶里程占比高达99%，并为骑手节省了超过240万公里的奔波；无人机累计完成的订单也已突破45万单。这些数据表明，在校园、产业园区等路线相对固定的场景中，自动配送的效率和可靠性已达到实用水平。

（图源：Forber）

再看海外市场，Serve Robotics于今年3月宣布与White Castle合作，通过Uber Eats平台推出机器人配送服务，其机器人在美国多个城市落地，并计划在2025年底前完成超2000台的部署。另一家公司Starship Technologies，其自动配送机器人累计完成的配送次数已达900万次。

正因如此，DoorDash当前通过激励骑手“顺手”为AI喂养数据的举措，才更值得玩味。目前，DoorDash自家的Dot配送机器人在测试中成功率表现不俗，但其应用场景仍较为有限。机器人面临的最大挑战，正是那些突发、琐碎且难以预设的现实问题：如临时施工遮挡路标、店铺取货点变更、定位信号漂移等。作为行业巨头，DoorDash对此有深刻认知。

DoorDash的策略精明之处在于，它一方面维持并利用现有的大规模人力配送网络，以小额报酬激励骑手兼职完成数据采集；另一方面则利用这些持续累积的高价值数据，深度优化其AI模型，为未来自动驾驶配送机器人的大规模商用铺平道路。不过，至少在可预见的中短期内，外卖骑手仍是整个体系中不可或缺的一环，其工作尚未被自动化完全替代。

（图源：BGR）

然而，从长远视角审视，随着平台持续积累现实世界数据并稳步提升自动化水平，人力与机器的关系可能从目前的协同共生，逐渐向替代方向演进。技术进步无疑值得期待，自动配送、具身智能与大规模现实数据采集将共同驱动整体物流效率提升，有望将重复性高、劳动强度大的环节交由系统完成。但另一方面，外卖及即时配送并非简单的“点对点”传输，其中涉及大量需要即时沟通、临场判断与处理复杂状况的环节。因此，可以确定的是，在未来相当长的一段时间内，配送服务的“最后一公里”乃至“最后一百米”，依然需要依赖人类的灵活性、经验与责任感来提供最终保障。