先讲原理:AI 落地仓库的三个阶段,可以理解为给仓库装了三层东西。第一层是眼睛,第二层是脑子,第三层是手。眼睛是视觉识别,脑子是预测和优化,手是机器人执行。很多仓库一上来就想买手,结果眼睛还没装好,脑子也没数据喂,最后手只能在演示视频里干活。这就像还没学会走就想跑,摔是必然的。
MIT 和 Mecalux 2025 年的一份全球调研,问了 2000 多位供应链和仓储从业者,结果很有意思:92.1% 的企业已经在落地 AI,只有 1.7% 完全没计划;典型的投资回收期是两到三年;87% 的企业预计未来两到三年还要继续加 AI 预算。也就是说,这已经不是"要不要上 AI"的问题,是"你上到哪一层了"的问题。我把这条路分成三个阶段,你对号入座就行。
第一阶段:试点——三个阶段从这里开始
第一阶段的目标只有一个:证明 AI 在你这个仓库里能挣钱,而且是可测量的钱。不是做 PPT,不是跑演示,是拿一个具体场景、一个具体指标,跑 90 天,看数字变没变。
需求预测是最稳的起手。行业里的实施经验是,一个中等规模仓库的需求预测试点,周期 6 到 10 周,其中数据准备和清洗就要 3 到 4 周,模型训练验证 2 到 3 周,集成测试再 2 到 3 周;试点费用大致在 2 万到 5 万美元,覆盖你销量前 20 到 50 个品类。这个数我为什么敢写?因为它是公开的实施口径,不是哪家厂商的报价单。计算机视觉是另一个好起手:收货口一台相机,拍托盘、读标签、跟 ASN 对单,错货几秒钟就报警,而不是几小时后才发现。行业实测里,一套无人机或高位相机系统能在不到一小时内数完一个 20 万平方英尺仓库的托盘库位,而人工盘点要 3 个人花两天。
第一阶段的退出条件很具体:试点指标达标,数据管道跑通,团队里至少有一个人能看懂模型输出。达不到就别往下走,继续试点,或者换场景。很多仓库死在第一阶段,原因不是技术不行,是选错了场景——一上来就做"全仓智能调度"这种大题目,90 天过去什么数都拿不出来,老板一看,AI 这事就黄了。
第二阶段:规模化——三个阶段里死人最多的地方
第二阶段是从一个点扩到一条线、一个面:预测从 50 个品类扩到全量,视觉从收货口扩到质检和盘点,排班和库位优化接进 WMS 的日常流程。这是整个 AI 落地仓库的三个阶段里最难的一层,也是死人最多的一层。
为什么?因为第一阶段可以靠一个项目组硬扛,第二阶段要拼的是数据和流程的基本功。调研里有个数字值得琢磨:57.5% 的企业自认处在高级或完全自动化成熟度,只有 11.7% 还停留在基本手工阶段——也就是说,大部分仓库的设备底子并不差,差的是数据。你的订单数据是不是散在三个系统里,客户名称两年没对齐过?如果是,模型喂进去的就是脏数据,出来的就是脏结论。行业里的共识很直接:预测准不准,取决于历史数据的干净程度,数据不干净,先做数据治理再谈 AI。
还有个坑叫"伪需求"。我见过仓库花大钱上了一套 AI 排班,算出来的班表比人工排的还难用,最后班长照样凭经验排,系统成了摆设。这就是典型的伪需求:问题本身不是算法问题,是流程问题,算法再好也救不了。我的判断标准很简单:这个场景如果去掉 AI,靠流程优化能不能解决一半?能的话,先把流程修好,AI 留给真正需要它的地方。
数据治理具体怎么做?先从三件事下手:第一,统一主数据,同一个客户、同一个品类在所有系统里只有一个名字;第二,补全缺失字段,订单、库存、工时三张表先对得上账;第三,定一个数据负责人,每周看一次数据质量报表,脏数据不过夜。这三件事听着土,但它是第二阶段能不能活下来的分水岭。这就像地基没打好就盖二楼,楼盖得越快,塌得越惨。
第二阶段的验收标准也有一个数:规模化后的单均成本或单均工时,必须比试点阶段的测算更优,而不是更差。扩规模把成本扩上去了,说明你的数据管道或集成方式有问题,先停下来修管道,别继续扩。
第三阶段:自主执行——别急着喊无人仓
第三阶段是 AI 从"给建议"变成"直接干"。Dematic 的产品负责人把这个过程叫爬行、行走、奔跑:爬行阶段 AI 只做决策支持,人全程把关;行走阶段 AI 按置信度提建议,置信度超过阈值(比如 90%)就自动执行,低置信度的交给人复核,复核结果反过来训练模型;奔跑阶段是多个专用智能体协同,自主做决策和执行,人只定战略和护栏规则。Gartner 在 2025 年 9 月发布的仓储 AI 路线图也是这个思路,分四层往上走:传统优化、生成式 AI、半自主智能体、物理 AI,每一层都以前一层的纪律为前提。
说白了,第三阶段不是买一套更贵的系统,是前面两阶段攒下来的信任额度终于够用了。模型连续几个季度预测都准,视觉系统误报率一直很低,团队也习惯了看数据做决定,这时候才敢把执行权交出去。跳过第二阶段直接上第三阶段的,我还没见过成的。
还有一句实话:完全自主的"熄灯仓库",现在还不是 2027 年的事,也不是 2030 年的事。通用件拣选在非结构化环境里的技术还没到那一步,凡是跟你说"明年就能无人"的人,都是在卖东西。
最后给一张三阶段对照表,拿去对号入座:
| 第一阶段:试点 | 第二阶段:规模化 | 第三阶段:自主执行 | |
|---|---|---|---|
| 目标 | 证明一个数 | 从点扩到面 | AI 直接执行 |
| 典型场景 | 需求预测、收货视觉 | 全量预测、质检、盘点、排班 | 置信度自动执行、多智能体协同 |
| 周期参考 | 6 到 10 周 | 按场景逐个扩 | 连续数个季度验证后 |
| 退出条件 | 指标达标、管道跑通 | 单均成本更优 | 信任额度攒够、误报率稳定低 |
| 最常见的死法 | 场景选太大 | 数据脏、流程没修好 | 跳过第二阶段硬上 |
这钱花得值不值,看这一个数:试点跑完 90 天,你的单均成本降了没有。降了,继续往第二阶段走;没降,先别买新东西,回去查数据和流程。AI 落地仓库的三个阶段走下来,最难的从来不是算法,是你愿不愿意先把基本功做扎实。
作者:大刘|自动化设备工程师,前集成商技术负责人







