凌晨兩點，我把手機綁在胸口，蹲在洗衣機前錄視頻。每次手稍微出框，手機就刺耳地尖叫。這不是什么怪癖內容——我在給DoorDash的新應用Tasks打工，時薪大概夠買兩杯咖啡。

這個和外賣完全無關的App，正在把普通人變成AI訓練的"人肉傳感器"。你的雙手、你的家務、你的日常，被明碼標價收購。

從送外賣到"賣身體數據"

DoorDash今年悄悄上線的Tasks，邏輯簡單粗暴：讓用戶穿戴設備錄制第一人稱視頻，教AI和機器人理解物理世界。官方話術很體面——"幫助AI系統(tǒng)理解真實環(huán)境"，但本質上就是眾包數據采集。

啟動流程堪稱詭異。注冊后第一個任務：把桌上三個物品移到另一邊。我挪了咖啡杯、鋼筆、筆記本，沒拿到錢，換來一個免費的手機胸帶——方便后續(xù)"深度綁定"。

目前任務分五類：家務雜活、手工維修、烹飪、場景導航、外語對話。家務從鋪床到換花盆土；維修從換燈泡到倒水泥；烹飪幾乎全是雞蛋——煎、煮、炒；導航包括逛博物館、繞小區(qū)走；外語對話要求"自然交流"。

定價策略很有意思。DoorDash說" upfront顯示報酬，按難度定價"，但實際我看到的任務多在3-8美元區(qū)間。錄制10分鐘疊衣服視頻，報酬5美元。折算下來時薪約15-25美元，低于美國多數州最低工資。

更隱蔽的成本：設備損耗、時間碎片化、以及把私人生活徹底工具化。你家的廚房、臥室、浴室，變成AI公司的訓練場。

誰在購買這些"數字身體"？

DoorDash沒有公開客戶名單，但行業(yè)圖譜很清晰。生成式AI公司需要海量視頻理解物理交互；人形機器人公司需要模仿學習數據；自動駕駛需要室內導航樣本。

一個關鍵細節(jié)：加州、紐約市、西雅圖、科羅拉多州的用戶被明確禁止參與。這幾個地方恰好在數據隱私立法上最激進。DoorDash的規(guī)避策略，暴露了業(yè)務的法律灰色地帶。

我在堪薩斯州完成了測試。任務審核速度參差不齊，有的幾小時到賬，有的卡了兩天。提現門檻和外賣業(yè)務打通，最低1美元可提，但實際到賬要扣手續(xù)費。

技術層面的設計值得玩味。視頻必須滿足苛刻的幀率、光照、手部可見度要求。系統(tǒng)會自動檢測手指是否出框——這就是開頭那聲刺耳警報的來源。不合格的視頻會被打回，時薪進一步縮水。

這種質量控制機制，把"零工"變成了"計件苦力"。你不是在"完成任務"，是在被算法審計。

AI數據工廠的流水線

Tasks不是孤例。整個AI行業(yè)正在構建龐大的"人類數據基礎設施"。Scale AI的Remotasks、Amazon的Mechanical Turk、甚至Tesla的"數據標注員"招聘，都是同一套邏輯：用最低成本獲取訓練數據。

但DoorDash的切入角度更激進——它利用了已有的零工網絡。美國有超過700萬注冊Dashers（外賣騎手），Tasks可以直接轉化這個池子。不需要重新獲客，邊際成本趨近于零。

這對騎手意味著什么？一個危險的"雙向鎖定"。外賣訂單波動大時，Tasks提供"兜底收入"；但長期看，它把騎手困在更廉價的數據勞動里。送外賣至少還有"配送"的實體價值，錄視頻完全是出售生物特征。

更深層的問題：數據定價權的徹底不對稱。你錄的10分鐘洗碗視頻，可能被用于訓練價值數十億美元的機器人模型。5美元報酬 vs 潛在百萬倍價值捕獲，這是數字時代的新型剝削公式。

DoorDash的 press release 里有一句關鍵表述："未來會擴展任務類型和用戶群"。翻譯一下：現在只是試點，規(guī)模化后會更激進。

身體數據化的臨界點

我完成的最后一個任務，是"自然行走并描述周圍環(huán)境"。戴著胸帶手機在公寓樓轉圈，感覺自己像被遠程操控的探測車。這種異化感，比任何理論分析都更直接。

Tasks代表的趨勢很明確：AI訓練正在下沉到日常生活最瑣碎的層面。不需要專業(yè)標注員了，普通人的身體就是數據源。第一人稱視角視頻（ego-centric video）是機器人模仿學習的圣杯，而DoorDash找到了最便宜的采集方式。

行業(yè)術語叫"行為克隆"（behavior cloning）——讓AI通過觀察人類動作學習技能。理論上，100萬段疊衣服視頻能讓機器人掌握這項任務。問題是：誰貢獻了數據？誰擁有模型？誰獲得收益？

DoorDash的模式把這三個問題的答案，推向了極端不平等。用戶既不知道數據去向，也無法分享下游價值，甚至連基本的勞動保障都沒有。Tasks的條款里明確寫著"獨立承包商"關系，規(guī)避了最低工資、社保、工傷賠償。

這種架構的諷刺性在于：你在幫助訓練可能取代自己的技術。今天錄洗碗視頻換5美元，明天機器人學會洗碗，你連這5美元都賺不到。

監(jiān)管真空與平臺套利

為什么DoorDash能這么操作？因為"個人生物數據出售"在美國幾乎不受監(jiān)管。GDPR（通用數據保護條例）在歐洲管得嚴，但美國沒有聯邦層面的等效法律。州級立法如加州CCPA，主要針對"可識別個人信息"，而"匿名化"的動作視頻處于模糊地帶。

DoorDash的地理封鎖策略，說明他們清楚法律風險。但這也創(chuàng)造了"監(jiān)管套利"空間：把數據勞動轉移到保護薄弱的州，再賣給全球AI公司?？八_斯州的洗碗視頻，可能訓練著硅谷的機器人、深圳的智能硬件、迪拜的自動化酒店。

這種全球價值鏈的底層，是無數被算法拆解的身體動作。每個5美元的任務，都是數據殖民主義的微觀單元。

更隱蔽的是技術依賴的構建。一旦用戶習慣了"胸帶+手機"的工作流，平臺可以無限擴展任務類型。今天是家務，明天可能是醫(yī)療護理、兒童看護、老年陪伴——所有需要"人類觸感"的場景，都可以被數據采集。

DoorDash的野心不止于AI訓練數據。他們在測試一種全新的"人類能力交易平臺"，把人的感官、動作、語言，全部模塊化出售。

零工經濟的下一階段

Tasks的上線時機很有意味。2024-2025年，AI投資狂熱與零工經濟平臺化同時加速。DoorDash股價在過去一年翻倍，但外賣業(yè)務增長見頂。他們需要新故事——"AI基礎設施提供商"比"外賣公司"性感得多。

資本市場的邏輯是：控制數據入口，比控制配送網絡更有價值。Tasks讓DoorDash從"勞動中介"升級為"數據管道"。騎手/任務者不再是服務對象，而是原材料。

這種轉型對勞動者的影響是雙重的。短期看，多了一種收入選擇；長期看，議價能力進一步喪失。當你出售的是"身體數據"而非"勞動服務"，連組織工會都變得困難——你的對手是跨國的AI模型訓練流程，不是具體的雇主。

我試圖在App里找到"數據使用說明"或"客戶披露"，但只找到籠統(tǒng)的"幫助AI理解物理世界"。這種信息不透明，是系統(tǒng)性設計。如果用戶知道自己訓練的是哪家公司的機器人，可能會要求更高報酬，或拒絕參與。

DoorDash的解決方案是：把數據供應鏈徹底黑箱化。用戶只看到任務和報酬，看不到價值流向。

技術民主化的悖論

AI行業(yè)喜歡談論"技術民主化"——讓普通人也能從AI進步中受益。Tasks展示了這種話語的殘酷現實：民主化意味著普通人以最低成本參與，而收益高度集中。

一個對比：OpenAI的承包商時薪通常在15-30美元，有基本培訓和質量反饋。DoorDash的Tasks時薪中位數約12美元，無培訓、無反饋、無職業(yè)發(fā)展。平臺利用零工經濟的既有基礎設施，把數據勞動壓到價格地板。

更諷刺的是"靈活性"敘事。Tasks確實可以隨時開啟——凌晨兩點想賺5美元？打開App錄個洗碗視頻。但這種靈活性是單向的：平臺可以隨時調整任務價格、審核標準、地理覆蓋，用戶沒有任何談判籌碼。

我在測試中遇到一次任務被拒：光線不足，手部識別失敗。重新錄制花了20分鐘，時薪跌到3美元以下。這種"質量風險"完全轉嫁給勞動者，平臺零成本。

這種風險分配機制，是Tasks商業(yè)模式的核心。它把AI訓練的不確定性，拆解成無數個微型的、可棄置的人類勞動單元。

機器人需要人類教它做人

回到那個凌晨的洗衣房場景。我蹲在洗衣機前，手機綁在胸口，手指必須保持在畫面中央。每次出框，警報響起，心跳加速。

這個畫面濃縮了AI時代的某種真相：最先進的智能系統(tǒng)，依賴最原始的人類勞動。機器人學習"像人一樣做事"，需要真人先把自己變成教學工具。

DoorDash Tasks把這個過程工業(yè)化、規(guī)?；⒘畠r化。它不是技術創(chuàng)新，是組織創(chuàng)新——如何更高效地動員人類身體，為AI資本服務。

我卸載App前看了一眼累計收入：47美元，耗時約6小時，折合時薪7.8美元。這還沒算手機折舊、電費、以及那種難以量化的異化感。

但真正的成本在更長的時間尺度上。當足夠多的洗碗、疊衣、行走視頻被采集，機器人將掌握這些技能。然后Tasks這類平臺會消失——不是出于道德，而是因為不再需要人類教師。

那個時刻，今天的"數據零工"會發(fā)現，自己親手訓練了替代者。而DoorDash早已轉型，成為機器人服務的中介平臺，收取另一筆傭金。

這就是Tasks揭示的未來圖景：人類勞動的終極形態(tài)，是教機器如何讓自己失業(yè)。最諷刺的是，我們還得為此付費——用時間、用身體、用那些本該屬于自己的生活片段。

至少，我得到了一個免費的手機胸帶。也許將來可以掛在墻上，作為這個時代的考古標本。