2024 年初，我在一家第三方物流公司的自动化展厅里注意到一个有意思的细节：现场最热闹的展台展示的不是任何 AI 设备，而是一块大屏幕，上面实时滚动着拣选准确率和缺货预警曲线。销售负责人跟我说，客户的提问方式变了——两年前问"你们有没有 AI"，现在问"这东西一年能省多少钱"。提问方式的变化，往往比任何行业报告都更诚实。
根据 MHI 与德勤 2025 年 3 月发布的年度行业报告，28% 的供应链企业表示已经在实际使用 AI，另有 54% 计划在五年内用上，两者相加，2029 年的渗透率预计达到 82%。报告同时指出，AI 已经在库存管理和需求计划两个环节产生了实际价值。值得注意的是，这份报告把"正在使用"和"计划使用"分得很开——热潮退去之后，"用起来了"和"打算用"是两回事，而真正值得研究的，是前者。
过去两年，哪些用法从 PPT 走进了仓库的日常排班？梳理公开案例和行业调研之后，我的结论是三个：发货前的视觉复核、需求预测驱动的补货、语音与视觉辅助拣选。它们有一个共同点：都不性感。
视觉复核：给发货环节加一双 AI 的眼睛
最有代表性的公开案例来自 Amazon。2024 年 6 月，Amazon 对外披露了名为 Project P.I.（Private Investigator）的系统：商品在发货前穿过成像通道，生成式 AI 与计算机视觉对每一件商品做扫描，识别破损、颜色或尺码错误、过期等问题；被标记的商品会被拦截，转由人工复核，决定是折扣转售、捐赠还是处置。据 Amazon 披露，该系统已在北美多个履约中心上线，每天扫描数百万件商品，并在 2024 年内向更多站点扩展（以上信息来自 Amazon 官方披露，经多家科技媒体 2024 年 6 月报道）。
为什么是视觉复核先留了下来？回报的逻辑非常直接：拦截一件问题包裹，避免的是一次退货的全链路成本——逆向物流、二次质检、重新上架或报废。退一次货的成本往往是正向履约的数倍，所以这笔账特别好算。更重要的是，它不改变现有流程：成像通道装在传送带上，商品"路过"时就被检查，不需要为了这套系统重新设计作业动线。
但它的边界也很清楚。第一，误报依然需要人工复核——这套系统的定位是"第二双眼睛"，不是"替代眼睛"，人机协同是常态，不是过渡态。第二，长尾 SKU 的图像样本少，模型表现会打折扣，头部爆品的识别效果远好于一年只卖几十件的冷门货。第三，它只解决"看得见"的问题：破损、错色、过期能发现，但"拿错了货"发现不了——那是拣选环节的事，不归它管。
需求预测：最安静的 AI 用法
如果说视觉复核是"看得见"的那一个，需求预测就是最安静的一个：没有新硬件，没有酷炫的演示视频，它只是在后台默默地算。MHI 与德勤的报告把需求计划点名为该技术已经产生实际价值的环节，这不是偶然——销量、库存、补货记录本来就躺在 WMS 和 ERP 里，数据基础是三个用法中最好的，不需要为它新建一条数据采集链。
它的工作方式也不复杂：模型输出未来几周各 SKU 的需求预测和建议安全库存，计划员确认后自动生成补货任务；旺季前提前预警哪些 SKU 可能断货、哪些可能积压。难的从来不是算法，而是数据治理——SKU 主数据里缺了采购提前期，预测再准也落不了地。
这个用法的短板同样明显：它只擅长"有规律可循"的部分。大促、新品、突发舆情这类没有历史数据的场景，模型照样抓瞎。换句话说，需求预测是在用过去回答未来，而仓库里最贵的问题，往往来自没有过去可循的明天。这是所有预测类技术共同的天花板，短期内看不到被捅破的迹象。
语音与视觉辅助拣选：老技术的第二春
语音拣选其实是上世纪 90 年代就有的老技术，北美的大型食品杂货配送中心用了几十年。新一代算法给它续了命：降噪让它在嘈杂的冷库里也能听清指令，口音自适应降低了新员工的上手门槛，自然语言交互让指令从死板的编码变成了人话。视觉辅助则把拣选信息叠加在智能眼镜的视野里，让拣选员真正解放双手，眼睛不用在货架和手持终端之间来回切换。
这个用法的回报藏在两个指标里：错拣率的下降，和新员工达到熟练水平所需时间的缩短。只不过，这两个指标各家差异极大，公开可查的、口径一致的数据不多，这里不展开——读者看到任何厂商宣传的"效率提升百分之几十"，都建议先问一句：分母是什么，样本是几家仓。
没解决的问题有三件：多口音叠加高噪音仍然是硬骨头；视觉设备的佩戴舒适度和电池续航，限制了它在高强度连续作业场景的渗透；还有员工接受度——一部分老员工觉得"被监视"，推行时的变革管理成本经常被低估。
一张表，看清三个 AI 用法的投入产出账
| AI 用法 | 解决的问题 | 主要依赖 | 投入量级 | 回报逻辑 | 规模化现状 | 还没解决的问题 |
|---|---|---|---|---|---|---|
| 发货前视觉复核 | 破损、错发、过期拦截 | 成像通道、SKU 图像库 | 中高（硬件+系统集成） | 避免退货全链路成本 | 头部电商与 3PL 先行 | 误报需人工复核；长尾 SKU 效果打折 |
| 需求预测补货 | 缺货与积压 | WMS/ERP 历史销售与库存数据 | 中（软件+数据治理） | 降低缺货损失与库存持有成本 | 渗透最广，MHI 点名环节 | 大促、新品、突发事件无历史可循 |
| 语音/视觉辅助拣选 | 拣选差错与效率 | 语音模型/视觉算法、穿戴设备 | 中 | 降低错拣率、缩短新人熟练周期 | 食品杂货配送中心应用成熟 | 噪音与口音；佩戴舒适度与续航 |
从这张表里能读出一个规律：三个用法的投入产出账，全部建立在"可度量"之上。省了多少退货、少了多少缺货、错拣率降了几个点——每一个都可以被财务验证。这恰恰是热潮期的大多数方案回答不上来的问题。
两个被证伪的 AI 方向
第一个是人形机器人。2023～2024 年，这是仓库自动化领域最热的叙事。事实核查一下：Agility 的 Digit 在物流商 GXO 的佐治亚州配送中心搬运了超过 10 万个周转箱（企业方披露数据，任务准确率约 98%，累计运行超过 6.5 万小时），2024 年 6 月双方从试点转为多年期服务合约——这是真实进展。但另一面同样真实：即便是早期投资了 Agility 的 Amazon，目前也没有在既有代际机器人上规模化部署，而是在等待下一代产品；Gartner 分析师的判断是，按"单位投入的吞吐量"计算，轮式底盘加机械臂的复合型机器人更划算，这个结论至少到 2028 年都成立。人形机器人不是骗局，但它回应的是"长得像人"的执念，仓库要的是吞吐，不是长相。
第二个是"什么都能聊"的通用大模型助手。2024 年，不少 WMS 厂商都在产品里加了一个 AI 助手，什么问题都接。但仓库一线要的不是聊天，是确定性——"这个库位能不能放""这票货走哪家承运商"，答错一次的代价比不回答还大。大模型在开放问答上的不确定性，让它在强流程、重合规的仓库场景里天然水土不服。热潮退去后看得很清楚：留下来的是嵌入具体工序的窄 AI，不是无所不知的通用助手。
反常识的判断：留下来的 AI，都不长 AI 的样子
这是一个反常识的判断：2024～2025 年热潮里最被追捧的 AI 形态——人形、对话、通用——恰恰是仓库里最先被证伪的；而真正留下来的三个用法，没有一个在卖"智能"的概念，它们卖的都是确定性。
背后的取舍，在于通用能力与工序深度。热潮期的技术卖的是可能性：一个模型，什么场景都能聊两句。退潮后留下来的方案卖的是确定性：解决单一、明确、可度量的问题，数据闭环完整，出错成本可控（人工复核兜底）。这和十多年前 WMS 普及的逻辑一模一样——技术只有变成"工序的一部分"，才算真正落地；停留在"能力的展示"，就只能留在发布会里。
MHI 报告预测 2029 年 AI 渗透率达到 82%，我对这个数字的态度是：方向可信，精度存疑。真正值得想的问题在数字之外：当视觉复核、需求预测、辅助拣选都变成标配，仓库之间的差距会从"有没有 AI"变成"谁的数据质量更好"——而数据质量，恰恰是过去十年很多仓库最不愿意面对的一课。下一轮分化的起点，可能不在算法，而在库位主数据的准确率。这么看，热潮退去之后留给仓库管理者的作业，或许比热潮中更难。
作者：陈博士｜供应链行业研究员
