WAIC 展示具身智能机器人真仓作业

详细拆解

把机器人队伍想成一个带调度员的队列。有意思的数字从来不是单台机器跑多快，而是调度员每小时能派出多少任务、派到什么时候队伍开始等自己。在 2026 世界人工智能大会上，具身智能机器人从展台演示走进了真实履约：多台机器人在一个真实仓库里完成订单接收、路径规划、货品识别抓取、拣选，以及分拣车归位。报道强调，统一智能中枢取代了传统的孤岛式自动化，无需大规模硬件改造即可柔性作业。

这句话要读得仔细一点。机器人是看得见的部分，智能中枢才是产品。如果一个仓库里的机器没法被同一个大脑调度，多加机器不会增加产能，只会增加排队——而这条队列在你为它付钱之前，是看不见的。

按报道列出的顺序看一遍，真正的交付物就露出来了。订单接收是数据采集，路径规划是路由，货品识别是感知模型，拣选是执行，分拣车归位说白了是内务——而它恰恰是所有人都会忘记排班、直到通道口堆满分拣车才想起来的那一件。一个中枢同时管这五件事，它不是更聪明的机器人，它是个调度器；而调度器才是把一堆机器变成一个产能数字的东西。

为什么是现在，而不是三年前。仓储机器人真正的约束从来不是机械臂，而是每一家的设备都带着自己的控制器、自己的车队管理器、自己的通行规则。两条车队挤在一条通道里，就像一条单车道上的两个司机。变的是感知模型好到了可以跨厂商通用，于是中枢层能识别一件货、把任务派出去，而不在乎是哪台机器去干。当「编排」变成了难关，那个关于改造的故事就自然成立了：你不是去重建货架，你是在已有的控制器之上插一层。这是真实的架构变化，也正是演示从舞台搬进仓库的原因。

分层看，影响按品类切分，而不是按公司大小切分。发标准纸箱、品线稳定的履约业务——美妆、家居、常规电商包裹——是天然的早期采用者，因为一致包装上的货品识别是个已解决的问题，拣货路径也可预测。做不规则货、软包装、液体或混合工业件的业务会发现，识别这一步产生的异常比机器人能处理的还快，而每一条异常都要一个人。一天发几十个包裹的小卖家不受影响，也应当不受影响，因为固定成本根本没有摊薄的办法。

时点是一个试点周期，不是一个新闻周期。展会上的演示不会在这个季度改变你的仓库。现实节奏是：一个分区跑六到十二个月试点，然后做决定，再按季度铺开。对你真正要紧的提前量，是你自己那份商品主数据和标签工作的提前量，因为它在任何机器人进场之前就已经开始了。

报道漏掉的第一件事就是全局：演示仓库的 SKU 集合是被挑选过的。在训练过的品类上识别准确，不等于在供应商一声不吭就换掉的包装上也准确。所以决定你这笔账的指标不是拣选速度，而是异常率——车队干不完、交回给人的那部分占比——而异常率恰恰是舞台演示最展示不出来的东西。要拿你自己的 SKU 清单去要这个数字，不要用对方给的那一份。

第二件被略过的事是瓶颈到底在哪。机器把拣货这一段加速之后，队列就往下游搬：复核打包、面单、出库暂存，多数仓库这几段还是人做的。这集我看过：一个更快的拣选台喂给一条没变的打包线，产能不会上升，打包台旁边那堆货的高度会上升。买设备之前，用同一套单位量一遍你下游工位的产能，跟拣选台比一比。如果下游那个数字更低，机器给你买来的只有拥堵。

第三件是「改造」这个词。导航也许不需要改造，数据层需要。一个中枢调度器需要一份商品主数据、一个标签标准、一个周转箱定义，以及一条干净的、通向仓储执行层的接口。如果你的标签打印质量忽好忽坏，如果两家供应商用两套条码标准，如果商品尺寸躺在三张表里，编排层会忠实地照着错的数据排班，而且是以机器的速度。

算一笔账，假设明写出来，因为没有哪家厂商公布过你那栋楼的数字。假设一个拣选工位现在靠两个人一小时完成 150 行；假设编排后的车队把它提到一小时 190 行，提幅略低于 27%，这大致就是这类系统通常被推销的那个提升幅度。假设一个全成本工时 18 美元。两个人、两班、每班八小时，一天 576 美元，产出 2400 行。按一小时 190 行算，同样的人力产出 3040 行，每行成本从约 24 美分降到约 19 美分，一天省 123 美元，按 250 个工作日算，一个工位一年约 30700 美元。

然后是那个扣分项：车队需要有人去值守、排障、处理异常，而这一个全职岗位一年的成本远不止 30700 美元。你的车队规模必须大到能吸收这个岗位，账才会转正——实际含义是好几个工位，不是一个。

把假设翻过来，结论就倒转。如果你的品线稳定、以纸箱装为主，下游工位又吃得下一个更快的拣货节奏，这笔账很直白。如果你的 SKU 品类不规则，或者包装每个季度都在变，异常率会往上走，你以为腾出来的那个人会原路回到异常处理上，收益就变成一种拥堵收益。决定一切的，就是这一个变量：你自己目录上的异常率。

↑ 返回核心要点

— 作者 拉维