我研究供应链这些年，仓库里总有位干了十几年的老师傅：新品一到，看一眼包装、掂一下重量，就知道它该放哪。这就是 tribal knowledge——部落知识。而过去两三年，仓库库位优化 AI 开始把这类决策从人脑搬进模型：越来越多仓库让算法来回答"这个货该放哪"的问题。这不是简单的工具替换，而是一整套决策逻辑的迁移。
现象：仓库库位优化 AI 正在把决策从人脑搬进模型
根据公开的行业报告和厂商案例，AI slotting optimization warehouse（仓库库位优化 AI）已经从概念验证走到了规模化试点。它的输入通常包括三类数据：历史订单行数据（哪个 SKU 和哪个 SKU 经常出现在同一张订单里）、SKU 主数据（尺寸、重量、周转率、ABC 等级），以及仓库物理布局（巷道长度、拣选面高度、设备位置）。模型输出的是一套库位建议：哪个 SKU 放黄金拣选区，哪些 SKU 应该相邻存放，哪些慢动销品该迁出。
我跟踪过两个有公开披露细节的案例。第一个是美国一家中型 3PL，2024 年在加州一个约 2 万平方米的电商履约仓做试点：他们把过去 12 个月的订单行数据喂给 slotting 模型，模型建议把约 15% 的 SKU 换位，重点是把高频共现的 SKU 拉到相邻巷道。试点三个月后，该仓披露的拣选行走距离下降了一个可观的量级，复核环节的找货时间也有所缩短。第二个案例来自欧洲一家汽车零部件分拨中心，他们的问题不是行走距离，而是"放错"——重型件被建议放到上层货位，拣选员需要反复上下叉车。算法在建议中加入了重量与人体工学约束后，这类"建议合理、执行别扭"的情况明显减少。这两个案例指向同一个结论：算法的价值不在于算得更快，而在于它能同时权衡人脑一次只能处理两三个的约束条件。
数据：效果的天花板由数据质量决定，而不是算法
很多厂商宣传材料会给出漂亮的效率提升数字，我的建议是把这些数字都先打个折再看。根据我对已公开案例的梳理，AI 库位优化带来的拣选效率改善，大致落在"一成到三成"这个区间——注意这是量级，不是承诺。更值得看的是一张对比表，它说明了不同成熟度下，决策方式的真实差异：
| 维度 | 老师傅经验 | 规则引擎（ABC/周转率） | AI 算法建议 |
|---|---|---|---|
| 决策依据 | 个人记忆与直觉 | 单一或少数几个指标 | 多维约束联合优化 |
| 能处理的 SKU 规模 | 数百量级，再多就顾不过来 | 上万，但规则是静态的 | 十万量级，且可动态重算 |
| 响应需求变化的速度 | 靠人察觉，滞后数周 | 按固定周期（如季度）重排 | 可按周甚至按日滚动建议 |
| 对"异常"的处理 | 靠经验兜底，很强 | 规则覆盖不到就失效 | 依赖数据，脏数据下会给出坏建议 |
| 隐性成本 | 人员流失带走知识 | 规则僵化，旺季失灵 | 数据治理与模型维护成本 |
这张表的最后一行是关键。根据我的观察，AI slotting 项目失败的原因里，算法本身的问题不到三成，七成以上栽在数据上：SKU 主数据里尺寸重量缺失、订单数据里混入了退货和调拨、库位主数据与物理现实对不上。模型吃进去的是脏数据，吐出来的建议自然不可信——而一线员工一旦对建议失去信任，项目就死了。这是一个很残酷的归因：决定 AI 库位优化成败的，恰恰是 AI 到来之前十年都没做好的基础工作。
我见过最务实的做法，是把数据治理当成项目的前置里程碑而不是附带工作：一家华东的电商仓在上算法之前，花了两个月做 SKU 主数据清洗——补全尺寸重量、冻结库位主数据的手工改动权限、把退货和调拨从订单历史里剥离出去。清洗完成后，模型第一版建议的可执行率就明显高于那些"数据不动、直接上模型"的同行。这个顺序不能反：先有可信的数据，才有可信的建议；建议可信，人才愿意执行，执行了才有反馈数据让模型越用越准。这是一个正循环，但它的起点不在算法，而在数据。
归因：为什么是现在？三个条件同时成熟
库位优化的数学模型并不新，运筹学里研究了几十年。为什么 AI slotting 偏偏在这两年落地？我认为有三个条件是新成熟的。第一，算力与算法工程的门槛下来了，十万 SKU 量级的联合优化从"算不起"变成了" overnight 就能跑完"。第二，WMS 的数据沉淀到了临界点——很多仓库现在有连续 3 到 5 年的订单行数据，这是训练共现关系和季节模式的最低燃料。第三，也是最容易被忽略的，劳动力结构变了：老师傅退休、流动率上升，"部落知识"正在自然流失，企业是被逼着把知识从人脑搬进系统。这三个条件缺一个，AI slotting 都还是 PPT 概念。
趋势判断：仓库库位优化 AI 的反常识结论与三年时间线
这里有一个反常识的判断：短期内从 AI 库位优化中获益最大的，不是有最好老师傅的仓库，而是数据最干净、流程最标准的中型仓库。 依据是两条。第一，算法的优势是"多维约束联合优化"，而老师傅的优势是"对异常的兜底直觉"——在 SKU 结构稳定、订单模式规律的仓库里，前者完胜；在 SKU 频繁更替、促销打乱一切的仓库里，后者暂时还不可替代。第二，头部大仓早年自建的规则引擎已经吃掉了大部分"低垂的果实"，AI 带来的边际改善反而有限；倒是那些一直靠人工排位、数据底子尚可的中型仓，第一次上算法时改善空间最大。
基于这个判断，我对未来三年的时间线是这样看的：2026 到 2027 年，主流形态是"规则+机器学习"的混合建议，算法出建议、人做最终确认，人机协同是标准动作；2027 到 2028 年，随着数字孪生仓库的普及，slotting 会从"静态建议"走向"仿真验证"——先在虚拟仓里跑一遍建议方案，看行走距离和拥堵，再下发执行；2028 年之后，真正的在线学习才可能成熟，即库位随需求变化自动微调。但这条时间线的每一个节点，都系在同一根绳子上：数据治理。如果一家仓库的 SKU 主数据准确率连八成都不到，那么上面说的任何阶段，对它都是空中楼阁。
说到这里，我想留一个开放式的问题：当算法开始系统性地接管"货该放哪"这类决策，仓库管理者的核心能力会变成什么？是更懂算法，还是更懂如何给算法喂干净的数据、如何判断建议的可执行性？我的观察是，后者正在变成一种新的稀缺能力——它不写代码，却决定代码的产出有没有价值。而这种能力的培养，可能比部署任何一个 AI 模型都更慢，也更难。
作者：陈博士｜供应链行业研究员
