一个在行业里反复出现的现象是：大多数仓库的库位规划仍然是一年做一次的静态工程，而订单结构的变化早就超过了它的更新频率。AI 库位优化的原理，与其说是换一套更聪明的算法，不如说是把库位决策从年度事件变成持续的数据流——拣选路径与其说是算出来的，不如说是被三组数据喂出来的。
一年调一次库位，为什么越来越不够用
2023 年秋天，我走访过加州 Inland Empire 一家约八万平方英尺的 3PL 仓。这家仓的做法在行业里非常典型：每年一季度用 Excel 跑一遍 ABC 分析，把 A 类 SKU 往打包区挪一挪，一年的库位就此定型。
问题出在节奏错位：这家仓当年接的快消品客户，促销季里几个 SKU 的动碰量几周内翻了几倍，库位还躺在年初规划的远端。拣选主管说，旺季那几个月拣选员每天多绕的路，多到没人想细算。等第二年一季度再做 ABC 调整时，促销早已结束，数据里的"高动碰"已是上个季节的故事——静态规划永远在追赶过去的需求分布。
这并非个例：一年一到两次的库位重排仍是主流，而电商订单的 SKU 组合以周甚至天为单位变化。当规划频率与变化频率差出一个数量级，库位和订单之间就会出现系统性错配，最终都变成拣选员脚下的路。
AI 库位优化吃的是哪三组数据
拆开看并不神秘：模型真正依赖的，就是三组性质不同的数据流。
第一组是订单与动碰数据，回答"什么卖得快、什么时候快"。这不只是 SKU 总出库量，还包括按周、按日、按波次粒度的拣选频次，以及季节性曲线和新品爬坡的形状。很多仓库只用到了它的平均值，而价值恰恰藏在分布里：全年动碰中等、但每年 11 月爆发的 SKU，和全年均匀动碰的 SKU，应该得到完全不同的库位策略。
第二组是 SKU 关联数据，回答"什么经常一起被拣"。订单共现矩阵会告诉你，手机壳和充电线、咖啡豆和滤纸这类高度共现的 SKU，应该放在相邻拣选位。这是规则引擎最常见的盲区：ABC 分类按单 SKU 打分，看不见订单层面的组合关系。2024 年初我看过中西部一家电商仓，他们的 WMS 库位模块把单品动碰最高的几百个 SKU 全拉到前端，看似合理，效果却有限——复盘发现，经常同单出现的几组 SKU 被分在库房两头，拣选员为凑齐一单反而多跑一趟。
第三组是物理与约束数据，回答"什么能放在哪"。库位尺寸、承重、通道宽度、黄金拣选区、温控要求、危险品隔离、窄巷道设备限制——这些是任何模型都绕不开的硬约束。动碰再高的 SKU，如果包装尺寸塞不进前端的流利架，或者它需要冷藏，就不可能出现在"最优"位置上。这组数据往往不在系统里而在老师傅脑子里，也是后文数据质量问题的重灾区。
| 数据流 | 回答的问题 | 缺失后果 |
|---|---|---|
| 订单与动碰数据 | 什么卖得快、什么时候快 | 追着上个季节跑 |
| SKU 关联数据 | 什么经常一起被拣 | 同单拣选多跑路 |
| 物理与约束数据 | 什么能放在哪 | 推荐无法执行或埋合规风险 |
规则引擎的天花板：它只看得到阈值
理解了三组数据，传统规则引擎的天花板也就不难解释：它的工作方式本质是阈值触发——"某 SKU 连续两周动碰超过 X，就往前挪 N 个库位"，有三个结构性局限。
第一，反应式。阈值触发的前提是变化已经发生且持续了一段时间，等规则生效，需求可能已转向下一阶段。规则永远在追赶分布，而不是预测分布。
第二，单维度。ABC、动碰排名一次只看一个指标，无法同时权衡"动碰高但体积大""关联强但需要冷藏"这类多目标 trade-off，而真实库位决策恰恰是多目标优化，单维度规则只能给出局部最优。
第三，静态快照。规则描述的是过去某段时间的状态，而 AI 模型学习的是分布本身——季节性漂移的形状、新品从爬坡到稳定的曲线、促销脉冲的衰减速度。见过足够多"变化的样子"，模型就能在变化刚露头时给出建议，而不是等阈值被击穿。
反常识：AI 库位优化真正的瓶颈不在算法，在数据质量
这是我这几年观察中最反常识的一条结论：这类项目落地的第一瓶颈，从来不是算法够不够聪明，而是仓库的数据质量够不够格。
逻辑很直接：模型只能优化它看得见的仓库。如果库位主数据尺寸是错的、承重没录、系统编号和现场对不上，推荐的"最优库位"可能根本放不下那个 SKU，甚至指向不存在的库位。算法越"智能"，错得越自信，现场的信任崩塌得越快。
一个颇具代表性的反例：某家仓花了不少预算上带 AI 库位建议的模块，三个月效果平平。复盘发现，其库位主数据里超过两成的尺寸字段是建仓时随手填的，从未校验，模型算出的"黄金库位"现场一看就知道放不下。最后他们花了两个月先做库位主数据治理，建议才开始可用——这个工作和 AI 毫无关系，是最基础的数据管理工作。
所以，冷静的判断是：考虑上马之前，先问自己三个问题，答不上来就先别谈算法。
第一，库位主数据准不准。随机抽盘一部分库位，核对系统里的尺寸、承重、类型与实物是否一致。连"这个库位到底多大"都说不清，一切优化都是空中楼阁。
第二，拣选交易数据干不干净。每条拣选记录能否追溯到具体 SKU、库位和时间？退货、异常件、盘点调整的口径是否一致？模型学的是历史拣选行为，脏数据只能教出脏模式。
第三，约束进没进系统。黄金拣选区、危险品隔离、设备限制、温控分区——老师傅脑子里的规矩，有没有变成结构化数据？约束只存在于人的经验里，模型就会给出"理论上最优、现场无法执行"的建议，每一次都在消耗一线对系统的信任。
趋势判断：库位优化正在变成日常运营
把时间线拉长到未来两到三年，几个趋势已比较清晰。
首先，库位优化会从"项目制"变成"日常运营"。就像补货早就从月度计划变成系统自动触发一样，库位动态调整会成为 WMS 的常规功能，按周甚至按天给出微调建议。变化的频率决定了，静态规划在这里没有未来。
其次，仿真会成为标配的前置环节。按建议搬库位是有成本的——搬运人工、过渡期的效率波动都是真金白银。更合理的是先在数字孪生里验证：这组调整预计减少多少行走距离、对波次拣选有何影响，算清楚再动手。
第三，库位优化会和劳动力管理打通。现在的建议大多只考虑"货"不考虑"人"，但拣选效率终究是人和货的函数。未来系统会把班组技能结构、设备可用性乃至新员工培训期纳入考量，给出"这个班次、这组人"的建议。
现实的时间线判断是：头部 3PL 和大型电商仓会在未来两到三年内先把动态库位做成标配，中小仓库仍停留在规则加人工阶段。分水岭不是算法的价格——算法只会越来越便宜，而是数据基础：谁先把库位主数据和交易数据治理好，谁先吃到这波红利。
说到底，它回答的不只是"货应该放在哪"，而是逼每个仓库回答更根本的问题：系统里的仓库和现场真实的仓库，到底是不是同一个？当库位可以每周自动重排，仓库组织方式多久之后会不再围绕固定的货架编号，而是围绕流动的数据本身？值得全行业想一想。
作者：陈博士｜供应链行业研究员
