DoorDash新App让人给AI"打工"

凌晨两点，你站在洗衣机前，把手机绑在胸口，镜头对准自己沾着洗衣液的手指。每当你手滑出画面，手机就发出刺耳的提示音。这不是什么怪癖直播，而是一份正经工作——DoorDash新推出的Tasks应用，正在把普通人的日常生活变成AI训练数据。

这个与外卖完全无关的新产品，标志着零工经济（gig economy，指以短期任务为主的灵活就业模式）正在经历一场静默的物种变异。从送披萨到教机器人叠衣服，平台经济的边界被重新划定。我亲自下载体验了一周，想看看这套商业模式到底怎么运转。

2024年末：产品低调上线，五州居民被拒之门外

DoorDash的Tasks应用在2024年底悄然推出，官方新闻稿写得相当直白："这些数据帮助AI和机器人系统理解物理世界。"没有模糊表述，没有技术包装，就是赤裸裸的劳动力需求。

但有个奇怪的限制：加州、纽约市、西雅图、科罗拉多州的居民被明确禁止使用。我住在堪萨斯州，顺利完成了注册。这种地域切割暗示了监管压力——上述地区恰好拥有最严格的零工劳动保护法。

入门任务简单得近乎荒诞：把咖啡杯、钢笔、笔记本从桌子一侧移到另一侧，录个视频。报酬不是现金，而是一个免费的手机胸挂支架——平台希望你用这个装备承接更多任务。

这个设计很精明。用实物奖励完成冷启动，既筛选了愿意投入的用户，又解决了后续数据采集的硬件门槛。传统零工平台靠补贴拉新，Tasks靠"工具预装"锁定长期供给。

五大任务类型：从煎鸡蛋到倒水泥

完成 onboarding（入职流程）后，任务列表全面展开。当前所有任务可归为五类：

家务类：铺床、装洗碗机、换花盆、倒垃圾

手工类：换灯泡到倒水泥，复杂度跨度极大

烹饪类：几乎全是鸡蛋——煎、煮、炒

导航类：逛博物馆、在公寓楼里穿行

语言类：自然对话，多语种

我选了"装洗衣机"任务。流程要求：手机固定在胸部高度，双手必须全程可见，每个动作保持2-3秒以便算法识别。录了四遍才通过——第一次手出框，第二次光线不足，第三次洗衣机噪音干扰了语音指令识别。

最终报酬：12美元，耗时47分钟。时薪换算下来约15.3美元，堪萨斯州最低工资是7.25美元。表面看是溢价，但要把设备调试、失败重录、视频上传都算进去，实际效率远低于外卖送餐。

数据产业链的"最后一公里"

这些视频流向哪里？DoorDash没有公开合作方名单，但行业惯例清晰可见。计算机视觉（computer vision，让机器"看懂"图像的技术）训练需要海量标注视频，尤其是第一人称视角的手部动作数据。

一个叠衣服的视频，对机器人公司价值几何？2023年谷歌DeepMind的RT-X研究显示，多任务机器人模型需要数百万条人类操作视频才能泛化到新场景。合成数据（synthetic data，AI生成的模拟数据）能填补部分缺口，但物理交互的细微差别——布料褶皱、重心转移、手指施力——仍需真实人类示范。

这就是Tasks的商业模式定位：成为AI数据供应链的C端采集节点。传统数据标注外包给发展中国家的专业团队，Tasks则把触角伸进美国家庭厨房，用零工平台的灵活性降低边际成本。

关键区别在于质量控制。专业标注员经过培训，输出标准化数据；Tasks用户是业余的，视频质量参差不齐。平台用"重录机制"解决——不合格就退件，成本转嫁给劳动者。我四次尝试才通过的任务，意味着平台获得了四条候选素材，却只付一次报酬。

定价算法的"透明度陷阱"

DoorDash宣传"报酬 upfront（预先显示），基于任务难度和复杂度"。实际体验中，定价逻辑难以捉摸。

换灯泡任务：8美元，预估15分钟

倒水泥任务：35美元，预估90分钟

博物馆导航：18美元，预估60分钟

表面看时薪在5.3-23.3美元之间浮动，但"预估时间"经常失真。倒水泥任务需要采购材料、等待固化，实际耗时可能翻倍。更隐蔽的是，复杂任务的通过率更低——我的手工类任务退件率是家务类的三倍。

这种设计制造了选择困境。用户看不到历史通过率数据，只能凭任务描述猜测。平台则通过动态定价平衡供需：冷门时段提价，热门任务压价，与传统外卖的 surge pricing（高峰溢价）机制如出一辙。

但有个关键差异。外卖的"难度"是确定的：距离、重量、楼层。AI训练任务的难度是主观的——算法对视频质量的判定标准不透明，用户无法申诉。我有一条视频因"手部遮挡面积超过阈值"被拒，但阈值是多少？不知道。

身体规训与数字泰勒主义

Tasks最耐人寻味的设计，是它对劳动者身体的精确控制。

胸挂支架限定了拍摄视角：第一人称，固定高度，稳定画面。这排除了手持拍摄的随意性，也排除了任何"偷懒"的可能——你必须全程保持标准姿势。

手势识别算法设定了动作节奏：太快则帧间变化过大，太慢则视频冗长。我逐渐养成了"机器人式"的操作习惯：拿起-停顿-移动-停顿-放下，每个阶段确保手指展开。

这种规训比外卖平台的路线监控更深入。外卖追踪的是位置，Tasks追踪的是肌肉运动本身。你的手指弯曲角度、握持力度、移动轨迹，全部成为可量化的数据点。

法国哲学家福柯笔下的"规训权力"在此获得数字形态。不是通过暴力，而是通过评分、通过率、收入激励，将身体改造为符合机器读取标准的客体。讽刺的是，这套系统的最终目标，正是用机器取代这些被规训的身体。

零工经济的"数据化转向"

Tasks不是孤例。亚马逊的Mechanical Turk早在2005年就开创了"众包数据标注"，但那是文本和图像的静态标注。视频动作采集需要物理在场，无法外包给全球低价劳动力，这才催生了"本地化零工"的新形态。

更直接的竞争来自同类应用。Field Agent、Gigwalk 等平台提供"神秘顾客"和实地调研任务，但报酬结构传统，按件计酬。Tasks的创新在于把任务目标从"人类消费"转向"机器消费"——你服务的不是客户，是算法。

这种转向对劳动者的影响是双重的。一方面，任务类型扩展了：不需要汽车，不需要厨房设备，有双手和手机就能参与。另一方面，议价能力被进一步压缩——你不是在完成可验证的服务，而是在生产无法独立验证的数据商品。

外卖骑手可以投诉"餐洒了是包装问题"，数据工人很难反驳"视频质量不合格"。平台垄断了解释权，而解释标准本身可能是商业机密。

被排除的五州：监管套利与法律灰色地带

加州AB5法案、纽约市零工最低工资条例、西雅图和科罗拉多的类似立法，共同构成了美国最严格的零工保护网络。Tasks的地理封锁绝非偶然。

这些法律的核心争议点在于：零工是独立承包商还是雇员？雇员享有最低工资、社保、工伤赔偿；承包商则自担风险。AI训练任务的模糊性更甚——你是在"工作"，还是在"出售数据"？

DoorDash的选择是规避而非对抗。在监管宽松地区试点，积累数据、打磨算法、建立用户习惯，等待法律框架明确后再扩张。这是平台经济的经典策略：先生长，再谈判。

但对被排除地区的居民而言，这是一种双重剥夺。他们既失去了潜在收入来源，也无法参与塑造这项技术的早期形态。当Tasks未来覆盖全美时，规则已经由堪萨斯、得克萨斯、佛罗里达的先行者"投票"确定。

我的第七天：效率幻觉与退出成本

使用一周后，我的任务完成数据：

总尝试任务：23个

成功通过：14个

总耗时：约6.5小时（含失败重录）

总收入：187美元

实际时薪：28.8美元

这个数字看起来不错，但无法持续。高报酬任务（倒水泥、复杂手工）需要特定场景和材料，不是每天都有。日常可做的家务类任务，时薪回落到12-15美元区间。

更隐蔽的成本是注意力碎片。外卖送餐有明确的"上线-下线"边界，Tasks的任务可以随时接取，意味着随时可能被打断。我曾在晚餐时看到"煎鸡蛋"任务弹出，报酬9美元——刚好够买食材，于是放下筷子开始拍摄。

平台设计的"游戏化"机制强化了这种粘性。连续完成奖励、等级徽章、限时高酬任务，都是外卖App验证有效的留存手段。但外卖的终点是送餐完成，Tasks的终点是算法判定通过——后者的不确定性制造了更强的行为成瘾。

技术民主化还是劳动降级？

支持者的论点很直接：Tasks降低了AI红利的参与门槛。不需要编程技能，不需要投资硬件，普通人也能从机器学习浪潮中分一杯羹。这是技术民主化的体现。

但"参与"和"受益"是两回事。数据标注行业的历史提供了参照。2010年代，肯尼亚、菲律宾的标注员为ImageNet等基础数据集工作，时薪1-3美元。这些数据集支撑了现代计算机视觉，但标注员没有获得任何技术进步的长期收益。

Tasks的时薪更高，本质是因为美国劳动力成本更高，而非价值分配更公平。平台抽成比例未知，数据转售价格未知，劳动者处于信息绝对劣势。

更深层的悖论在于：你训练的效率越高，被取代的速度越快。我的叠衣服视频如果质量足够好，可能直接用于训练家政机器人——那个机器人未来会做什么？取代叠衣服的零工，包括我自己。

2025年初：产品迭代与扩张信号

DoorDash在新闻稿中明确表示，计划"扩展服务范围，纳入更多任务类型和用户群体"。我注意到App内的几个变化信号：

语言类任务从"自然对话"扩展到"特定场景对话"——餐厅点餐、医院挂号、客服投诉。这指向对话式AI（conversational AI，能进行自然语言交互的人工智能系统）的训练需求。

导航类任务增加了"障碍物标记"子任务：在视频中圈出楼梯、门槛、地毯边缘。这是为视觉-语言模型（vision-language models，能同时理解图像和文本的AI）提供空间推理数据。

最耐人寻味的新任务类型是"失败示范"：平台要求你故意做错——"把鸡蛋煎糊""把灯泡拧坏""在导航中走错路"。负面样本（negative samples，用于训练AI识别错误的数据）对强化学习至关重要，但让劳动者主动"表演失误"是一种奇怪的体验。我煎糊了四个鸡蛋才达到"足够糊但不过分焦"的标准。

这些迭代显示，Tasks正在从"动作采集"向"多模态数据工厂"演进。文本、图像、视频、空间信息、错误模式，全部纳入生产范围。

竞争格局：谁在为AI"种地"？

Tasks进入的是一个正在成型的市场。Scale AI、Appen、Telus International 等传统数据服务商主要服务企业客户，按项目制运作。Tasks的差异化在于C端触达能力和即时任务分发。

更直接的威胁可能来自科技巨头自身。Meta、Google、Amazon都有内部数据采集团队，且正在开发自动化标注工具。如果合成数据技术突破，对真实人类视频的需求可能骤降。

DoorDash的防御策略是场景独占性。外卖网络覆盖的数百万骑手，是潜在的Tasks用户池；积累的城市地理数据，可以优化导航类任务的派发效率。这是平台协同效应的经典打法——用A业务的资产喂养B业务。

但协同也可能是负担。我在App Store评论区看到多位用户抱怨：Tasks和外卖App共用账号体系，但客服渠道混乱，数据任务的问题被转接到外卖支持团队，后者完全不懂如何处理。

劳动者的组织困境

传统零工有组织化的先例。2023年，纽约市外卖骑手通过集体行动争取到最低时薪保障。但AI数据工人面临独特的集体行动障碍。

首先是身份模糊。你是"创作者"（生成内容）、"标注员"（添加标签）、还是"演员"（表演动作）？法律身份的游移使得权益主张缺乏锚定点。

其次是工作场景的孤立化。外卖骑手在餐厅和街道形成社交网络，Tasks用户分散在各自家中，缺乏碰头机会。我在堪萨斯州使用一周，从未遇到另一位线下使用者。

最后是任务内容的不可比较性。我的叠衣服视频和你的煎鸡蛋视频，对平台的价值难以横向对比，也就难以形成"同工同酬"的共识基础。

这些结构特征使得Tasks劳动者更接近19世纪的家庭代工（putting-out system），而非20世纪的工厂工人。分散、计件、与平台无固定契约，历史经验表明这种形态的组织化难度极高。

技术史的脚注，还是新范式的开端？

Tasks的当前体量尚小。DoorDash未披露用户数和收入贡献，从App Store排名推断，仍处于早期实验阶段。但产品逻辑的重要性远超规模。

它代表了一种新的数据生产关系：平台不再购买标注服务，而是直接租用人类身体作为传感器。你的双眼是摄像头，你的双手是机械臂，你的移动是导航数据——全部实时上传、即时结算、用完即走。

这种模式的效率优势显而易见。传统机器人研发需要雇佣工程师操作演示，成本高昂且难以规模化。Tasks把演示成本摊薄到数百万零工劳动者，用市场机制解决数据采集的"最后一公里"。

但效率的代价是劳动意义的消解。外卖骑手至少知道"我在帮人送餐"，Tasks用户完成的是抽象的数据贡献，看不到最终应用场景。我训练的机器人会用于养老院还是军工厂？不知道，也不被告知。

我的最后任务：删除应用

体验结束时，我完成了一个意外的"元任务"：观察自己对这款产品的情感变化。

第一天：好奇，游戏感

第三天：熟练，但开始注意身体疲劳

第五天：对算法判定产生轻微怨恨

第七天：意识到自己在训练取代自己的技术，产生存在性荒诞感

删除应用前，我查看了累计数据：共上传23GB视频，包含约4.7万帧手部特写。按照行业估算，这些原始数据经清洗标注后，可能支撑一个特定家务任务的机器人模型训练。

我的时薪28.8美元，在零工市场算体面。但如果把"帮助构建取代家政劳动的自动化系统"计入长期成本，这笔账怎么算？

Tasks的真正产品不是App，而是一种新的劳动契约模板：用即时现金换取不可见的长期后果，用身体数据换取算法进步的红利缺席。 DoorDash在赌：足够多的人会选择不看那么远。

从堪萨斯州的洗衣机前望去，这个赌局似乎正在奏效。凌晨两点，还有人在上传视频，提示音在黑暗中规律地响起——那是算法在确认：手指可见，数据有效，请继续。