周四,外卖平台DoorDash宣布推出一项新的工作扩展服务Tasks,为其送餐员提供一系列小任务来赚取额外收入。其中一些任务是对常规送餐应用的无害补充,比如拍摄菜单照片或店铺入口照片。
DoorDash还推出了一款独立应用,这真正引起了我们的关注。通过这款应用,该公司将分配训练AI模型的基础任务。
"送餐员可以完成拍摄日常任务或录制自己说其他语言等活动,"DoorDash的帖子解释道。"这些数据帮助AI和机器人系统理解物理世界。"
如果你进入Tasks应用的新下载页面,你会看到其他任务示例,包括用可见的双手洗至少五个盘子、整理床铺和给植物换盆。
当今的AI使用先进的机器学习来解释不仅是文本(如聊天机器人的情况),还有视觉数据,比如物体、动作甚至某些动作背后的语境。DoorDash的视频任务可能就是用于这种类型的训练。
这不是我们第一次看到公司专门雇佣零工人员来训练AI——Uber在去年年底就启动了自己的AI训练项目。
但这些项目引发了一些问题。当AI模型被认为已充分训练时会发生什么?这些训练出来的AI会被用来取代其他行业的员工吗?使用这款应用的送餐员(呃,任务工?)在AI分析他们的视频时能够保护自己的隐私吗?
当我联系DoorDash时,该公司告诉我它"在我们所有的产品和服务中都保持着强有力的隐私保护措施,包括Tasks",但没有提供具体细节。
目前还不清楚什么AI模型将在所有这些视觉数据上进行训练,但DoorDash正在广撒网。该公司表示,它正在与来自零售、保险、酒店和科技行业的企业合作进行Tasks训练。也许其中一些将训练机器人。
DoorDash为这项AI训练支付多少报酬
很难准确计算某人可能因这项工作得到多少报酬。DoorDash表示,"报酬是预先显示的,根据活动的努力程度和复杂性确定。"这并没有透露太多信息,但Tasks应用运行中的截图提供了进一步的线索。
在一个例子中,应用为扫描商店货架提供了16美元。在另一个例子中,它提供20美元让你与朋友或家人进行日常的西班牙语对话(这需要既"自然"又事先仔细安排,以避免"政治内容"和"可识别信息",所以祝你好运)。
基于美元符号图标,像用平底锅做饭这样的工作将比折叠衣服这样的任务支付更多报酬。
这些Tasks在哪里可用
我们不确定Tasks应用在完整推出后将在哪里可用,但它目前在美国的特定地区可用。
DoorDash表示,该应用将在加利福尼亚州、纽约市、西雅图和科罗拉多州等地完全被禁止。它没有给出原因,但这可能与这些地区通过的隐私和就业立法有关,比如加利福尼亚州将零工人员认定为独立承包商的裁决。
Q&A
Q1:DoorDash的Tasks应用是什么?它有什么用途?
A:Tasks是DoorDash推出的一款独立应用,为送餐员提供训练AI模型的基础任务来赚取额外收入。任务包括拍摄日常活动、录制多语言对话、洗盘子、整理床铺等,这些数据用于帮助AI和机器人系统理解物理世界。
Q2:通过Tasks应用能赚多少钱?
A:报酬根据任务的努力程度和复杂性确定。从应用截图可以看到,扫描商店货架可获得16美元,进行西班牙语日常对话可获得20美元。用平底锅做饭等复杂任务的报酬会比折叠衣服等简单任务更高。
Q3:Tasks应用在哪些地区可以使用?
A:目前Tasks应用在美国的特定地区可用,但在加利福尼亚州、纽约市、西雅图和科罗拉多州等地完全被禁止,这可能与这些地区的隐私和就业立法有关。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。