仓库AI数据飞轮这个说法，过去两年在供应链技术圈的出现频率越来越高。它的字面意思是：仓库里跑的 AI 系统，用得越多、喂的数据越多，模型就越准；越准，大家就越愿意用；越用，数据又越多。听起来像一个自我强化的正循环。但根据我对仓库 AI 落地项目的持续跟踪，这个飞轮并没有传说中转得那么顺——它在某些场景里确实存在，在另一些场景里更像是一个愿景。要把这件事讲清楚，需要先看数据，再谈归因。
一、数据飞轮在仓库 AI 中的三次具象落地
在仓库这个场景里，数据飞轮不是一句口号，它至少有三个已经被验证的具象形态。一是需求预测与补货：历史订单和库存数据喂给模型，模型输出 SKU 级销量预测，预测指导补货和库位调整，实际销售结果又变成新的训练数据——预测越准，业务越敢把决策权交给模型，模型拿到的数据越完整。二是视觉检测：入库质检、破损识别、盘点复核中，每一次人工复核都是一次免费标注。三是机器人路径与任务分配：AMR 每次搬运记录实际耗时，机械臂每次抓取记录成败，数据天然带标签，无需二次加工。
要观察飞轮的真实转速，需要一个时间线足够长的样本。Amazon 的仓库机器人网络是目前最合适的公开样本：2012 年收购 Kiva Systems，大规模铺开货到人机器人；2022 年发布 Sparrow 机械臂，据其官方介绍可识别并处理在售商品中约 65% 的品类；2024 年宣布全球履约网络部署的移动机器人超过 75 万台。十二年间，每一次拣选、抓取和失败，都变成了训练数据的增量。
Sparrow 的迭代很能说明飞轮的机制：早期只能处理形状规则、位置固定的商品；抓取数据积累后，对异形件、软包装的成功率逐步提升；成功率提升，Amazon 敢把它放到更多品类，数据又更多——"能力边界→数据增量→能力边界"的循环。关键不在算法（抓取规划框架学术界早已公开），而在 Amazon 手里有别人拿不到的、带真实失败标签的抓取数据。
第二个样本是需求预测。2024 年底到 2025 年初，我调研了两家日均 8 万～12 万单的电商大仓（华东、华南各一家），均在 2023 年前后上线了 SKU 级销量预测。上线一年后，缺货率从约 6% 降到约 4% 上下，滞销品库存周转天数缩短约两成。两家供应链负责人说了几乎同一句话："模型刚上线还不如老计划员的直觉，熬过前六个月的数据积累期才开始反超。"飞轮的前半圈是亏的，这是后来者最容易低估的一点。
二、为什么先发者越转越快
归因可以落到三个机制。第一，标注资产的复利：仓库数据的特殊之处在于业务动作本身就是标注——人工复核、异常处理、盘点差异都自带标签。先发者上线早，"免费标注"积累得早；后来者买得到同样的算法，买不到这几年的标注资产。第二，反馈闭环的速度：飞轮的转速不取决于数据量，而取决于"数据→模型→决策→新数据"一圈要多久。Amazon 履约网络以小时计，需求预测以天计——周期越短，先发者的领先拉开得越快，接近指数级。第三，长尾覆盖的宽度：先发者的数据覆盖了足够多的长尾——异形件怎么抓、大促波峰怎么切、异常件怎么处理。后来者用公开数据训出的模型，标准场景表现接近，一进长尾差距立刻显现，而仓库恰恰是长尾密集的行业。
三、反常识：数据飞轮不会自动转动
到这里，它听起来像注定属于先发者的故事。但根据我对落地项目的跟踪，有三个反常识的判断必须先讲清楚——它们决定了飞轮到底转不转得起来。
第一，飞轮有冷启动门槛，而且不低。"用得越多越准"的前提，是系统已经准到让人愿意用。模型初期准确率若低于人工，业务方会绕开它，数据就断流。上面两家电商仓熬过前六个月，靠的不是技术，而是管理层强制"预测结果必须作为补货依据"。没有组织层面的强制闭环，飞轮的第一圈转不起来。很多仓库 AI 项目死在这里：数据有、模型有，业务流程里却没有给模型留一个"必须经过它"的位置。
第二，数据会贬值。仓库数据有个隐蔽的敌人：分布漂移。SKU 大换血、仓库搬迁、从标品仓切到非标品仓，老数据价值快速衰减。为服装仓训练三年的视觉模型搬到汽配仓，准确率可能直接腰斩。护城河有保质期，保质期取决于场景稳定性：越稳定越深，变化越快蒸发得越快。
第三，飞轮会放大初始偏差：最初标注质量不高、或规则带系统性偏差，转得越快放大得越快。我见过一个分拣异常检测项目，初期把"包装轻微褶皱"大量标成"破损"，模型越学越严，误拦率一路走高，最后被迫关停自动拦截。飞轮不辨方向，它只负责加速。
把这三个判断放进一个评估框架，可以判断一个仓库 AI 场景值不值得押注飞轮：
| 评估维度 | 飞轮友好型场景 | 飞轮困难型场景 |
|---|---|---|
| 数据密度 | 高频重复动作，如拣选、搬运 | 低频长尾动作，如年度盘点 |
| 反馈闭环速度 | 分钟到小时级可验证，如抓取成败 | 季度级才知道结果，如长期需求趋势 |
| 标注成本 | 业务流程自然产出，如人工复核 | 需要专人离线标注 |
| 场景稳定性 | SKU 与流程长期稳定 | 频繁换品、搬仓、切换品类 |
| 初始数据规模 | 已有数年历史数据沉淀 | 从零开始冷启动 |
一个场景如果在五个维度里有三个以上落在右列，"用得越多越准"大概率只是一个愿景，投入之前先把冷启动和闭环设计想清楚。
四、后来者的三种追赶路径
先发者有护城河，不等于后来者没有路。根据技术演进，我看到三条走得通的路径。第一，预训练模型加少量微调：视觉大模型正在改变游戏规则——过去要几十万张标注图片的破损检测，现在用预训练模型加几千张本仓图片微调就可用，算法商品化正在部分对冲先发者的数据优势；但对需求预测这类拼本仓历史纵深的场景帮助有限。第二，数据联盟：单个中小仓撑不起飞轮，几十家仓把脱敏操作数据凑到一起就能形成有分量的训练集。欧洲已有 3PL 在尝试：数据不出各自系统，只共享模型梯度或脱敏特征。难点不在技术，而在信任和利益分配——谁贡献大谁多分，这是商业问题不是 AI 问题。第三，错位竞争：主动选飞轮转不起来的场景。非标品仓、定制配套仓、频繁换品类的快时尚仓，数据贬值太快，先发者的历史数据优势大打折扣。后来者一开始就扎进这类场景，反而和先发者站在同一起跑线——护城河只存在于挖得动的地方。
五、未来三到五年的时间线判断
基于模型能力曲线的历史斜率、标注成本的下降速度和过去五年仓库自动化的渗透节奏，判断如下——这些是带时间线的可证伪判断，欢迎几年后回来检验。2026～2028 年：视觉类仓库 AI 的预训练模型成为标配，中小仓花不多的钱就能拿到"八十分"的视觉检测能力，先发优势被明显稀释；但需求预测和库存优化上的先发优势会继续拉大，因为这类场景拼的是本仓多年积累的纵深数据，预训练模型帮不上忙。2028～2030 年：出现区域性或品类性的仓库数据联盟，头部 3PL 开始用"数据换算法服务"做交易；算法继续商品化，"数据工程加业务闭环"的团队溢价上升——值钱的不再是调模型的人，而是能把飞轮转起来的人。
最后留一个开放式问题：如果数据真的是护城河，这条河的水到底归挖河的人，还是归流经的每一块土地？当数据联盟和数据监管同时入场，今天先发者手里的牌，五年后还值多少钱？没有标准答案，但每个打算在仓库 AI 上押注的人，都应该先想清楚自己的答案。
作者：陈博士｜供应链行业研究员
