收货台的 AI 视觉验货，近两年从试点走向了不少仓库的日常配置。摄像头装在卸货口上方，拍下每一托、每一箱的外观，再由模型判断标签是否可读、箱体是否破损、数量是否与单据吻合。听起来像是一次彻底的自动化，但实地看过几处部署之后，我的观察要克制得多：它确实改变了收货台的工作，却不是以人们最初想象的方式。

现象：摄像头先于人手到达收货台

传统收货流程里，验货依赖人的眼睛和手：拆板、数箱、核对标签、翻看破损，再把异常记在单据上。这个流程的瓶颈不在速度本身，而在一致性：老员工一眼能看出水浸痕迹，新员工可能只看到颜色深了一点，夜班与白班的标准也会漂移。

视觉系统带来的第一个变化是记录的完整性：每托货都留下一组图像，异常不再只存在于员工记忆里，供应商争议有了可追溯的依据。哪怕模型只做记录、不做判定，争议处理成本已经下降。

2024 年秋天，我在一家华东第三方仓的收货区看到一套这样的部署。那个仓每天处理约 40 车到货，高峰期 6 个卸货口同时作业。系统上线前，收货异常主要靠班后汇总，供应商往往在三天后才收到破损照片，扯皮空间很大。上线后，破损箱体的图像在卸货当时就被截取并关联到入库单上，争议响应时间从以天计缩短到了以小时计。这个案例里最值得注意的不是识别速度，而是证据链条的形成时间提前了。

另一处观察来自北美一家电商履约仓的退货收货区。那里的货源杂、包装形态多，同一托盘上可能混着原厂箱、二次封箱和无标签的散件。视觉系统在那个场景里表现得明显吃力，操作员仍然需要频繁介入。两处部署放在一起看，一个初步结论已经浮现：视觉验货的价值高度依赖货物的标准化程度，标准化越高的来货，系统越顺手。

数据：视觉验货能看清什么，又在何处失真

讨论视觉验货，绕不开一个问题：它的判断到底有多可靠。根据公开的行业报告与试点披露，答案并不统一。不同仓库、不同光照、不同包装形态下的试点结果差异很大，有的场景里标签读取表现稳定，有的场景里破损识别的误报多到让操作员重新逐一复核。把某一家的试点数字当成行业通用水平，是不严谨的。

更值得看的是误差分布，而不是平均表现。我的归纳是，视觉系统在三类任务上相对可靠：标签存在与否的确认、箱数与托盘层数的粗计数、外观上非常明显的破损，例如大面积塌陷或浸水。相对不可靠的，是需要语境判断的任务：箱体轻微变形是否影响内物、二次封箱是否意味着被拆过、标签褶皱到底还能不能被下游扫描设备读取。这些判断里藏着大量隐性知识，模型没有，人才有。

算一笔收货台的账，能更清楚地看到取舍。一车 1200 箱的货，人工全检按每箱约 20 秒计，需要约 6.7 人时；抽检 10% 则只要约 0.7 人时，但漏检风险随之上升。视觉系统把全检的边际成本压得很低，理论上可以做到每箱都拍、每箱都留档。但拍下来不等于判断对了，误报带来的复核工作同样要花时间。如果误报率让操作员每 10 箱就要停下来确认一次，系统省下的时间又会被复核吃回去。收货台的真实收益，取决于误报率与复核成本的乘积，而不是摄像头本身的速度。

归因：为什么最乱的月台最难看清

一个反常识的判断是：摄像头最容易失准的地方，恰恰是收货台最需要它帮忙的地方。月台越乱，视觉条件越差。卸货高峰期托盘堆叠紧密，箱体互相遮挡；叉车来回穿行，图像里不断出现运动模糊；冬季午后光线斜射进月台，包装膜的反光会让标签一片惨白；雨天进来的托盘带着水渍，箱体颜色和纹理都变了。模型在实验室干净样本上表现良好的条件，在真实月台上几乎不存在。

这个现象背后是一条更一般的规律：视觉系统的输入质量，取决于收货台的物理秩序，而物理秩序恰恰是收货台最难长期维持的东西。货量波动、临时加车、供应商包装不统一，都会在一周之内把精心调好的拍摄角度和光照条件打乱。于是出现了一个循环：管理越规范的仓，视觉系统越好用；管理越松散的仓，越指望系统来兜底，系统却越容易失准。把视觉验货当成管理松散的替代品，方向就错了。

还有一个常被忽略的归因：很多部署装好摄像头、接好模型就认为项目完成了，但真正的瓶颈在异常处理流程上。系统标记一箱疑似破损之后，谁复核、结论记在哪里、索赔走哪条通道、货先入库还是先隔离，这些流程没事先定好，拍得再清楚也只是多了一堆待处理图片。

视觉验货的取舍：替掉核对，不替掉判断

把视觉验货放在收货台的整体分工里看，它的边界会清晰很多。下表是我根据几处观察整理的分工示意，不是某一厂商的性能承诺，而是判断系统适用范围的一个框架。

任务 视觉系统适合做 人仍需做
标签可读性初筛 拍下标签图像，标记模糊、缺失、遮挡 判定模糊标签是否可追溯，能否放行
数量粗核对 计数托盘层数与可见箱数，提示与单据不符 开箱复核被遮挡的内层，处理混托
明显破损标记 截取塌陷、浸水、大面积破损图像并关联单据 判定破损是否影响内物，决定拒收、隔离或让步接收
二次封箱与拆封痕迹 提示封箱带异常、箱体新旧不一 结合供应商历史判断是否属于正常换箱
责任证据留存 自动留档每托图像，关联入库单与时间 在争议中解释图像之外的上下文，如运输途中的异常天气

从这张表出发，收货台的用人变化也更容易理解。视觉验货替掉的，主要是重复性的核对动作和事后补证据的劳动；它没有替掉的，是需要经验与上下文的判断。把岗位从"逐箱核对"转向"处理系统标记的例外"，工作性质变了，但判断责任没有消失，反而更集中了。认为装上摄像头就可以削减验货人手的算法，算错了账：省下来的可能是全检的人时，增加的却是例外复核、图像复核与流程协调的人时。净收益取决于例外率，而例外率取决于来货质量与管理秩序。

政策与合规层面同样需要克制。涉及进口商品查验、食品与药品类货物的验收标准，各地监管要求并不相同，具体执行口径以官网最新政策为准。视觉记录可以作为内部证据链的补充，但不能自动替代法规要求的查验程序。把内部效率工具误当成合规凭证，是部署里需要警惕的错位。

趋势判断：例外处理才是真正的回报

沿着这个逻辑往前看，视觉验货的发展方向可能不是识别率的无限提升，而是例外处理流程的成熟。未来两到三年里，更可能出现的变化在三个方向上：拍摄条件的标准化，例如月台加装固定光源与限位框，减少环境波动对图像的影响；与仓储管理系统更深的联动，异常图像直接挂在入库单的异常项下，而不是存在另一个系统里等人去查；例外分级机制的建立，明显破损自动隔离、可疑项进入人工复核队列、轻微异常只留档不拦截。

这个判断附带一个时间预期：视觉验货的回报曲线是先平后陡的。上线初期，误报复核与流程磨合会吃掉大部分收益，管理者容易在这个阶段得出"不好用"的结论。真正拉开差距的，是上线六个月之后：来货数据积累下来，哪些供应商的包装问题最多、哪个时段的破损率最高，这些规律开始指导采购谈判与收货排班。摄像头拍下的图像，最终变成的是一份关于供应链上游质量的持续记录，而不只是一次验货的工具。

收货台装上眼睛之后，问题也随之变了：从"人手够不够"变成了"系统标记的例外由谁判断、依据记在哪里、规律如何反馈上游"。这组新问题指向的仍是老课题：秩序、流程与责任分工。视觉系统让它们更可见了，这或许是它目前最实在的变化。至于它能在多大程度上改变人力结构，恐怕要等更多仓库跑完完整年度周期、把例外率与复核成本摊开来看，才会清楚。

作者：陈博士｜供应链行业研究员