自动配送车走向规模化：AI如何重塑汽车软件与用户体验

2026-03-31，一条看似“物流圈”的消息，其实更像一记给汽车软件行业的提醒：Rivian 内部孵化并拆分的微出行公司 Also 宣布与 DoorDash 合作开发自动驾驶配送车辆，同时 DoorDash 参与 Also 的 2亿美元 C 轮融资并获得董事会席位；这轮融资让 Also 累计融资达到 5.05 亿美元、估值超过 10 亿美元。

我更关注的不是融资数字，而是它背后的一条路线：**自动驾驶不只发生在乘用车，它正在以“配送体验”为中心，反向定义汽车软件与用户体验（UX）怎么做。**这对关心“AI 在汽车软件与用户体验中的不同应用方式”的团队来说，是个非常可复用的样本。

作为「人工智能在物流与供应链」系列的一篇文章，我们把这条合作放在更大的图景里：从路径规划、车端感知、调度系统、到用户端的交付承诺，AI 如何把“送达”变成一种可量化、可优化、可产品化的体验；以及它对特斯拉和中国品牌常用的“生态一体化”打法意味着什么。

Also × DoorDash：一笔交易，暴露了自动配送的产品逻辑

核心判断：自动配送车要跑通，不是先把车做出来，而是先把“交付系统”做成闭环。

这次合作里有几个关键信号：

• DoorDash 不是单纯采购方，而是投资方 + 董事席位：这意味着车辆形态、运营指标、乃至软件接口，很可能从一开始就按平台需求定制。
• Also 原本主打高端电助力自行车与小型货运载具（可进自行车道），此前亚马逊已下单数千台同类载具（报道提到可载重 400 磅以上）。DoorDash 的加入，让“最后一公里”从有人骑行/驾驶，走向无人化运营。
• Rivian 在自动驾驶上持续投入（摄像头、超声、雷达，未来引入激光雷达；并公布自研自动驾驶计算与芯片）。Also 作为 Rivian 体系内拆分项目，有机会继承部分技术、供应链与规模优势。

一句话概括：这不是“造一辆自动车”这么简单，而是把车辆变成平台的一段可调用能力（capability），再把能力变成体验。

自动配送的AI栈：从“能自己开”到“按时送到”

**自动配送的胜负手不是“最高级别的自动驾驶”，而是“端到端交付体验”是否稳定。**在物流与供应链场景里，用户不关心你用了几线激光雷达，只关心：

• 预计多久到？
• 会不会迟到？
• 到了怎么取？
• 出问题谁负责、怎么补偿？

要把这些做扎实，AI 往往分四层落地：

1）车端感知与决策：小车形态，对系统是“硬仗”

配送车常在路口密集、非结构化、人车混行区域活动：自行车道、园区道路、人行道边缘等。相比高速 NOA，低速自动配送更“麻烦”，因为：

• 障碍物更随机（行人突然横穿、宠物、临停电动车）
• 道路规则更模糊（施工围挡、临时通行）
• 交互更频繁（需要更像“礼貌司机”的行为规划）

因此车端 AI 的重点不是炫技，而是安全冗余、低速平顺、以及对弱势交通参与者的预测。

2）云端调度与路径规划：AI把成本打到“可持续”

配送平台的利润，往往藏在调度里。自动配送上车后，AI调度会从“给骑手派单”升级为“给车辆编队与充电排班”，关键能力包括：

• 动态路径规划：考虑拥堵、临时管制、上/下坡耗电、等待成本
• 需求预测：午晚高峰、节假日、局部活动（演唱会/体育赛事）带来的波峰
• 车队运力管理：车辆分布、空驶率、回充策略、故障替补

在我看来，自动配送真正的门槛是：调度系统要把不确定性“消化”在后台，而不是把波动转嫁给用户端。

3）交付链路与异常处理：UX决定规模化

多数公司在 Demo 阶段容易忽视：配送的“主流程”很短，异常流程很长。

典型异常包括：

• 到达后用户不在/没带手机/定位偏移
• 小区门禁、园区闸机、楼宇电梯不可用
• 车辆被围观、被恶作剧、被挪动
• 天气突变导致传感器受影响（雨雾、强逆光）

这些都要求 AI + 产品设计一起做：

• 多通道到达通知（App 推送 + 电话/短信兜底）
• 可解释的 ETA（告诉用户“我慢了30秒因为前方施工绕行”，比单纯延迟更能降低投诉）
• 快速补救策略（改由骑手接力、就近门店取、自动退款）

换句话说：自动配送的 UX，是把“无人”变成“有人管”。

4）数据闭环：用运营数据训练体验，而不只训练模型

自动配送车每天产生大量数据：路线、停靠、开箱、接触点、投诉、险情。真正成熟的团队会把这些数据按“体验指标”组织起来：

• 准时率（On-time）
• ETA 偏差分布（不是平均值）
• 异常闭环时间（从发现到解决）
• 用户取货耗时（到达后多久完成）

这些指标反过来驱动模型与策略更新。这是物流与供应链里最“值钱”的AI：把运营变成训练，把训练变成体验。

为什么这件事会影响汽车软件：配送车正在变成“移动终端”

核心观点：配送车的用户体验，和智能汽车的用户体验，本质上是同一类问题——把复杂系统包装成简单承诺。

你会发现，自动配送和智能座舱/智能驾驶在软件逻辑上高度相似：

• 智能汽车把“驾驶能力”做成可持续升级的服务（OTA、订阅、功能包）
• 自动配送把“交付能力”做成可调用的服务（按单计费、按区域覆盖、按 SLA 结算）

这也是为什么特斯拉和许多中国品牌强调“软件定义汽车”：当车辆成为终端，竞争焦点就从马力/续航转移到系统体验。

对比来看：

• 特斯拉式路径：通过大量车队数据与端到端学习，把能力快速迭代；用户端体验是“越来越聪明”。
• 中国品牌常见路径（我认为更适合复杂生态）：把车作为超级入口，打通导航、语音、支付、停车、充电、售后等服务；用户端体验是“越来越省事”。
• DoorDash × Also 路径：把车变成平台运力的一部分；用户端体验是“越来越确定”（更准时、更可预测、更可追溯）。

三条路径的共同点是：AI不只在车上，而是在车、云、与用户触点之间流动。

给汽车软件/UX团队的4条可落地启发（拿来就能用）

**结论先说：别把AI当功能点，要把AI当“体验稳定器”。**下面四条我建议直接写进产品评审清单。

1）把“承诺”做成产品：ETA就是你的品牌

自动配送的第一指标不是炫酷程度，而是可信的 ETA。

汽车 UX 同理：导航到达时间、充电完成时间、售后等待时间——这些都可以用 AI 做更可信的预测，并用可解释方式呈现。

2）先做异常，再做主流程：体验口碑来自兜底

用户投诉往往不是因为主流程，而是因为“出事没人管”。

建议做两张图：

• 主流程（happy path）
• 异常流程（error handling map）

并给每个异常设置责任归属、触发条件、补救时限。

3）生态合作要“数据接口先行”：别只谈硬件供货

DoorDash 拿董事席位，说明合作重点很可能在：

• 订单系统与车队调度的接口
• 风险与事故的责任边界
• 运营数据的共享与使用权限

汽车行业做生态（地图、充电、停车、保险、金融）也一样：接口定义体验，数据定义效率。

4）指标要从“功能完成”升级为“体验可靠”

建议从一开始就把 KPI 设计成“可靠性语言”：

• 90分位/95分位的到达偏差（而非平均）
• 异常自动识别率
• 人工介入次数/千单
• 投诉率与复购率的关联

这些指标对 AI 训练也更友好：模型优化目标更清晰，组织协作也更顺。

常见问题：自动配送车离大规模普及还有多远？

答案：技术不是唯一限制，运营许可、地理围栏、以及用户习惯更关键。

从已公开信息看，DoorDash 已在美国凤凰城等区域运营其自动配送机器人（如 Dot，配备激光雷达、雷达与摄像头，最高约 20 英里/小时）。这类产品通常会先走三步：

1. 限定区域试运营（园区、低速道路、天气友好城市）
2. 扩大 ODD（更多路况、夜间、复杂路口）
3. 进入规模化城市网络（需要法规与保险机制配套）

真正值得关注的是：当平台方（DoorDash）和制造方（Also/Rivian 体系）绑定得足够深，规模化会更像“铺网络”，而不是“卖车辆”。

下一步：把自动配送当成“汽车软件的压力测试”

自动配送车把汽车软件推到了一个更苛刻的考场：没有驾驶员兜底、成本更敏感、容错更低，但用户期望更高。它逼着团队回答一个硬问题：当 AI 出错时，体验还站不站得住？

如果你正在做智能座舱、智能驾驶、车云协同或车队运营系统，我建议把 DoorDash × Also 这类案例当成方法论参考：从“车辆能力”转向“体验承诺”，从“单车智能”转向“系统智能”，从“功能上线”转向“可靠性运营”。

接下来一年，你会看到更多类似合作出现。到那时，最有竞争力的，不一定是传感器最贵、模型最大的一家，而是把 AI 用在正确的体验链路上的一家。