2026 年 10 月,加州安大略一家 3PL 仓的库位复核会上,AI 视觉盘点系统报出的一处差异让所有人停住了:摄像头说某个高位库位少了两箱小家电,系统库存却显示账面一致。AI 视觉盘点这时才露出它真正的难题——机器能数货,却不会替人定性,少了两箱到底是货真少了、账记错了,还是摄像头看错了,得由一套事先定好的规则来回答。那天之后,这个仓没有再争论摄像头准不准,而是改了差异定性的流程。

这正是 AI 视觉盘点进入仓库后最值得观察的变化。根据笔者近两年的调研走访,视觉盘点在北美 3PL 与电商仓的落地速度明显快于此前的几轮自动化浪潮,原因并不复杂:它不像自动化立库那样要动土建、改流程,摄像头装上货架、模型跑起来,盘点就从人爬上爬下,变成机器定时扫一遍。部署门槛低,恰恰让一个旧问题提前暴露了——循环盘点真正的成本从来不在数货那一刻,而在差异出来之后,追查、复核、调账、定责的整条链路上。摄像头把差异找出来的速度越快,这条链路的短板就越显眼。

摄像头数货,错的从来不只是一个数

安大略那个仓的故事值得细讲。这家仓约 9 万平方英尺,主做小家电与家居品,2026 年 9 月在两条巷道的高位货架装了固定摄像头,每天夜里无人作业时扫一遍。上线第一个月,系统在 240 个抽盘库位里报出 31 处差异,人工复核后,19 处是摄像头看错,7 处是账面记录滞后,真正货不对账的只有 5 处。数字本身不算惊人,真正让仓库经理头疼的是复核方式:每处差异都要派人上架确认,一圈跑下来,省掉的盘点工时有一大半又花在了复核上。

另一个仓的经历几乎是镜像。2026 年 6 月,德州达拉斯附近一家做汽配的电商仓,用的是叉车挂载的移动摄像头方案,司机正常作业时顺路扫库位,三个月里扫过的库位超过 4000 个,报出的差异里超过六成集中在三类位置:最底层被托盘挡住一半的库位、贴着立柱的边角库位、以及换过包装、箱型与建档照片不一致的品项。问题不在算法,而在物理世界本身就不配合:纸箱被遮挡、标签朝内、包装一换,摄像头看到的就不是系统以为的样子。

这两个案例指向同一个归因。视觉盘点的误差来源可以分成三层,最表层是识别误差,遮挡、反光、箱型变化都会让计数失真;中间一层是数据滞后,货刚移走、系统还没更新,摄像头拍到的与账面本来就处在两个时间点;最深一层是流程误差,收货时多放一箱、拣货时拿错一层,摄像头只是把早已存在的错给照了出来。三层误差混在同一个差异数字里,不先分层,任何关于准确率的争论都没有意义。也正因为如此,厂商宣传的识别准确率在选型时只能作为参考,实际表现以各仓自己的实测为准,不同的货架高度、灯光条件与包装形态,结果可能完全不同。

AI 视觉盘点的差异,先分三类再定性

安大略的仓最后定下来的办法并不复杂,核心是把差异先分类,再谈处理。第一类叫看错,由系统截图与复核照片共同证明,摄像头把相邻库位的货算进来,或者把空托盘的阴影认成一箱货,这类差异不调账,只记入识别问题的台账,用来反哺模型与摄像头角度的调整。第二类叫账滞后,货物的移动记录晚于摄像头拍摄的时间点,复核时以出入库流水为准,账面按实际补登,这类差异不追责,只追流程的及时性。第三类才叫真差异,人工上架确认后货确实不对账,这时才启动调账与原因追溯,并且按金额与品类分级处理。

分类的意义在于责任边界清晰了。看错的归设备与模型,账滞后的归流程与系统对接,真差异才归作业与管理。没有这个分类,盘点差异很容易演变成部门之间的互相指认,运营怪设备不准,设备方怪流程不规范,最后没有人去修真正的问题。值得注意的一点是,分类必须以证据为基础:每处差异至少保留三样东西,摄像头当时的截图、复核时拍的库位照片、以及系统在同一时间点的库存快照。少了任何一样,事后都很难还原现场,分类也就无从谈起。

从更长的时间线看,差异定性正在从人工经验走向规则沉淀。早期的视觉盘点项目里,复核标准往往掌握在个别老员工手里,换一个人结论就可能不同;现在做得较好的仓,会把分类规则写进系统,差异一报出来就自动打上疑似类别,复核员只需要确认或纠正。这个变化的价值不在于省了几分钟,而在于差异数据本身开始变得可用:哪类差异在减少、哪类在增加、哪个区域反复出同一类问题,这些趋势只有在分类口径稳定之后才能读出来。

决定上不上 AI 视觉盘点,一张决策表就够了

视觉盘点值不值得上,答案不在技术参数里,而在各仓自己的结构里。下表按四个维度做了对照,仓库可以按自己的情况逐项打分。

维度 人工循环盘点 固定摄像头方案 移动巡检方案
覆盖方式 按计划抽盘,覆盖有限 定时全量扫,覆盖连续 随作业顺路扫,覆盖看路线
盲区所在 高位与边角库位最难盘 深处与遮挡处最难看清 司机不经过的区域扫不到
差异证据 靠复核员记忆与记录 有截图与时间戳,可回溯 有沿途影像,但角度不固定
适合的品类 品类杂、包装常变的仓 箱型稳定、库位固定的仓 巷道长、作业动线固定的仓

算账的部分同样要回到各仓自己的数字上,通用的算法是:月度盘点总成本,等于复核工时乘以人力成本,加上差异追溯与调账的工时,再加上因盘点停工或错发造成的损失。视觉盘点的账要这样算才完整:它省掉的是逐个库位人工清点的工时,新增的是差异复核、摄像头维护与模型调优的工时,以及一次性的部署投入。按安大略那个仓第一个月的口径测算,240 个库位的人工清点工时确实省下来了,但 31 处差异的复核吃掉了其中一大半,净收益要到差异分类规则跑顺、看错的那 19 处大幅减少之后才会显现。这个测算用的是该仓自己的工时记录,换一个仓,结论可能完全不同,选型前以自家实测的小范围试点为准,比看任何厂商的测算都可靠。

这里有一个反常识的判断值得单独提出来:视觉盘点系统越准,仓库反而越危险。原因在于信任的转移速度快于能力的验证速度,当前几个月差异报得少,复核员会下意识地跳过复核,直接采信系统结论,而视觉系统最容易栽跟头的恰恰是系统性错漏,比如某个品类的包装一换,模型在整条巷道里持续少算,而因为报出的差异少了,反而没有人去发现。人工盘点时代,盘点员爬上货架,眼睛会顺带看到很多计划外的事,托盘破了、标签掉了、货放歪了;摄像头只回答它被问到的问题,计划外的异常需要另外的机制去捕捉。所以更稳妥的做法是把视觉盘点定位为差异发现的雷达,而不是库存真相的终审,定期的全量人工抽盘仍要保留,作为校准雷达的手段。

趋势判断上,笔者的看法是谨慎乐观。视觉盘点正在从验证技术可行性的阶段,进入拼流程与拼证据的阶段,未来两到三年,竞争的分界线不会是识别率的小数点后几位,而是谁的差异定性规则更完整、证据链更闭环、与 WMS 的对接更及时。更值得观察的变量在另一端:当越来越多的仓把盘点影像留存下来,这些影像会不会从盘点工具变成库存管理的通用证据层,被收货核对、理赔取证、客户查验复用。如果这个演变发生,视觉盘点的价值将不再按省了多少盘点工时来算,而是按它让多少扯皮有了证据来算。至于这个判断能不能成立,答案要看接下来有多少仓愿意先把差异定性的规则写清楚,再谈摄像头的数量。

作者:陈博士|供应链行业研究员