'VLM 看货架：拍张照片，AI 直接指出放错的货'

我们小仓 3000 平，400 多个库位。每个月全盘一次，两个人盘两天，盘完还是错漏一堆。大厂的视觉盘点系统，固定摄像头加实时比对，报价单看一眼我就放下了——我们小仓可烧不起这个钱。

但视觉语言模型（VLM）这玩意儿出来之后，我发现有个土办法能抄，思路一模一样，成本只剩个零头。

先用人话讲讲 VLM 是啥：就是"看得懂照片、还听得懂人话的 AI"。你拍张货架照片，问它"这个库位应该放蓝莓干，照片里放的是吗"，它能直接回答，还能把放错的箱子圈出来。跟以前的视觉 AI 最大的区别：以前的得先训练，你得告诉它每个 SKU 长什么样，换个包装就得重训；VLM 不用训练，你把库位主数据（这个库位应该放什么）当标准答案喂给它，它自己比对。小仓最缺的就是折腾训练的人，这下省了。

我们的土办法是这样的，每周来一轮：打印一张高周转库位的清单，规划一条巡检路线，一个人一部手机，每个库位拍一张。回办公室，把照片批量丢给 VLM，问同一句话："这个库位应该放 A，照片里是 A 吗？有放错或空缺吗？"有问题的标出来，第二天人工去复核。全程不用写代码，手机加浏览器就能跑。

效果呢？讲两个真事。

今年 3 月，我们一个库位应该放 12 箱蓝莓干，结果混进去 3 箱蔓越莓干，两个包装几乎一模一样。人工盘点连着三个月没发现——盘点的人看一眼数量对就过了。VLM 拍照巡检第一周就把那 3 箱圈出来了。做 3PL 的都知道，发错货是最贵的错，一次发错货赔的钱，够我请人盘半年。

第二个是"幽灵库位"：系统显示有货，货架上是空的，或者反过来。我们每周拍一遍，VLM 直接报"这个库位是空的"，跟系统一对，差异立现。以前这种差异要等到拣货拣不到才暴露，那时候已经耽误发货了，客户电话都打过来了才知道。最气人的一次，系统显示某库位有 40 箱货，拣货员跑过去发现是空的，订单硬生生晚发了一天。

算账时间。以前：两个人、两天、一个月一次全盘，还错漏。土办法：一个人每周花半天拍照，高周转区每周看一遍，低周转区每月看一遍。AI 标"有问题"的，人工复核下来大概七八成是真有问题——剩下的是光线太暗、角度太偏，AI 看走眼。反过来，AI 说没问题但实际有问题的，大概还有一两成漏网。所以话说清楚：AI 只能做初筛，不能替代人工复核。想靠它完全代替人盘点，门都没有。

这套土办法花多少钱？手机是现成的。VLM 那边按张收费，我们一周拍几百张，一个月的账单还没我们一周用的缠绕膜贵。最贵的部分从来不是 AI，是把库位主数据理清楚——那花了我们两个下午加一壶咖啡。

有人问我，这跟直接请个盘点工有啥区别？区别大了。盘点工盘的是数量，VLM 看的是"对不对"。数量对但放错了，人工盘点百分之百漏，AI 一眼就看出来。这是两种不同的活。

大厂那套贵方案，我们抄的是思路，不是设备：大厂用固定摄像头实时拍，我们用手机定期拍，抄的是"拍照加比对"的思路；大厂给每个 SKU 做训练，我们直接拿库位主数据当标准答案，抄的是"不用训练"的思路。思路不要钱，设备才要钱。

两个反常识的发现。第一，照片拍得越"专业"效果越差。我们一开始让员工端着手机，横平竖直、取景完美，结果 AI 还不如随手拍得准。后来想明白了：VLM 见过海量的随手拍，你摆拍反而超出它的舒适区。怎么顺手怎么拍，别凹造型。

第二，别一上来就全仓铺开。先只做高周转的 20% 库位——我们的经验，八成的问题都出在这两成库位里。等流程跑顺了，再往外扩。小仓人手少，好钢用在刀刃上。

还有个细节帮我们省了不少返工：库位标签牌一定要清晰。VLM 是连标签牌上的库位号一起看的，标签牌掉了、被箱子挡住了，AI 就分不清这张照片到底是哪个库位。我们花了一个下午，把全仓的标签牌重新贴了一遍，歪的扶正、掉的补上。这个钱花得最值——属于"AI 时代的新基建"，哈哈。

给同类小仓的建议就三条：库位主数据先理清楚，标准答案错了 AI 也白搭；拍照固定路线、固定角度，别今天拍左边明天拍右边；AI 标出来的问题 24 小时内人工复核，拖久了现场又变了。

巡检路线怎么排也有讲究：按库位编号蛇形走，别走回头路；拍照顺序跟清单顺序一致，回办公室对照片时不用来回找；高位货架用自拍杆——别笑，我们真买了两根，举高了拍，AI 看得更全。

大厂有大厂的打法，小仓有小仓的活法。一部手机加一个会看照片的 AI，我们这种小仓，也能把货架看得明明白白。下个月我打算把低周转区也纳入巡检，到时候再跟你们汇报战果。要是你们仓也试了，欢迎来交流翻车经验——独乐乐不如众乐乐。

作者：小马｜小仓创业者，3000 平小仓主