核心要点
先看结论——该做什么、什么时候做：
- 先挑出重复度最高的那一条航线或那一个区，在买任何东西之前记录两周真实的人工触点；如果你说不出有一条航线上的同一个决策每周被做超过五十次，自动化就没有可咬合的地方。
- 先把主数据修好：把 SKU、库位和航线记录归并到唯一来源，立一条规矩，缺字段的记录不得进入自动化流程，并指定一个负责人在 30 天内清完。
- 在顺境路径之前先设计异常路径：明确尾部由谁负责、交接长什么样、针对尾部的服务水平是多少，免得自动化标准流程只是把你的成本换了个位置。
- 现在就把数据共享与审计条款写进合同，写清运营方能从你的数据里用什么、你怎么拿回来、你怎么核验智能体的建议，好让下一次年度复核是一场你有准备的谈判。
- 在第 90 天设一个衡量点：挑一个指标，比如从报价到订舱的时间或每个区的计划工时，拿第一步的基线对，数字没动就撤掉这件工具。
在2026世界人工智能大会（WAIC）上，京东物流表示，依托“超脑2.0”大模型与“狼族”机器人矩阵，AI智能体已应用于供应链全链路超1000个场景，覆盖需求预测、库存分布与线路规划等。其“飞狼”无人机已开通超100条国内航线，包括在四川资中覆盖78个行政村的进村配送网络。
详细拆解
在 2026 世界人工智能大会上，京东物流给一件平时只能空谈的事上了个数字：它表示自家 AI 智能体已应用于供应链全链路超 1000 个场景，覆盖需求预测、库存分布与线路规划，底座是它称为超脑 2.0 的大模型和它称为狼族的机器人矩阵。在更窄的一条通道上，它的飞狼无人机已开通超 100 条国内航线，其中包括在四川资中覆盖 78 个行政村的进村配送网络。
标题数字是 1000 个场景。我把它读成队列深度。一个货代或一个仓库并没有一千个各不相同的问题。它大概只有十几种问题类型，被反复执行，成本长在重复里，而不是长在花样里。当有人说自己自动化了一千个场景，他其实是在告诉你，他找到了重复的形状，然后在那前面放了一台机器。
所以我按拆吞吐量的老办法拆它。进去的是什么，出来的是什么，队列堵在哪儿。
这两个数字量的不是一回事，而通稿把它们糅在了一起。1000 是宽度：智能体被指向的场景类型数量。它不是准确率数字，它完全没告诉你智能体在任何一个单一场景上有多准，也没告诉你它判断错了会怎样。100 是一条窄通道上的深度：无人机航线，四川那个案例展示的是一张为常规卡车加仓库的路径规划无法赚钱服务的村庄建起来的网络。宽度和深度是两个独立的说法，把它们混在一起，是第一个要拆开的地方。
三股力在这里交汇。输入数据终于以机器可读的形式存在了，因为扫码枪、手持终端和电子订单流已经花十年把纸面磨成了字段。跑推理的算力便宜到可以放到日常决策背后，而不只是做演示。配送和计划环节的人工也贵到让自动化的回本窗口合上了。竞争推力也是真的：当一个大型运营方宣称自己有上千个自动化场景，它的对手就得用可比的口径回应，而正是这场竞赛把那个数字推上了上海的台面。这都不神秘。这就是一个市场把某项技术从试点推到采购的标准路径。
谁最先有感觉。拥有自有履约资产和自有数据的运营方最先有感觉，因为它拥有整个闭环，可以自己重训、重部署、重度量，不用问谁的许可。从它那里采购的进出口商第二拨有感觉，而且只通过被报给自己的服务水平感受到：截单时间、停留时间、异常响应的承诺。村庄级配送是最清楚的受益方，因为无人机网络攻击的正是那一段，卡车不管满没满都得付钱的那一腿。几乎无感的是，在两个固定点之间搬标准化、大批量、可预测货物的托运人。如果你的航线本来就在准点跑，一个优化它们的智能体能优化的余地非常小。而一个产品线又窄又稳的小出口商，拿到的是一份产品演示，不是一个商业理由。
时点上我会慢下来。平台会先在自己的量上把这些系统跑熟，在那里，一次误判的代价不过是一次修正。这个内部阶段是以季度计的，不是以周计的，因为一个把库存分配得一团糟的智能体，比一个分配得慢的计划员更糟。作为客户，你在外面真正看到的是一个服务承诺，而承诺是按定价日历挪动的：下一次年度运价与服务复核，或者旺季运力那场谈话。可以预期，内部的底层工程要一到两年，而外部可见的变化再落后两到四个季度。如果你现在被推销的是一个数字化服务档位，你拿到的是某个已经在运营方自家堆场里跑了一阵子的东西的第一个公开版本。
这里是标题跳过的那一段。一千个场景，是有人成功自动化了的顺境路径的计数，而供应链里的钱，坐在异常里。尾部，那些短装、申报有误、被海关扣下、或因为客户改了收货地址而改道的少数订单，才是人工工时真正烧掉的地方。一个把标准流程处理得漂漂亮亮、却把尾部连着工单号一起交还给人类的智能体，并没有消掉成本，它把成本挪到了队列末尾，在那里它更不可见，也更难配人。
第二个被跳过的点是主数据。那一千个场景里每一个都依赖干净的 SKU、库位和航线记录。智能体有多结构化，取决于它底下的记录，而多数中型托运人都有一个一直在往后拖的主数据问题。第三个是：像资中这样一张分布式网络，靠的是一个排程决策，而在那个尺度上排程就是个排队问题，无人机、站点和末端面包车在抢同一批很窄的时间窗，约束是最差的那一个，不是平均值。
放一个小数字上去。取一个 78 个村的末端配送区，也就是四川那个案例的形状。假设计划员每天花两小时手工编排这个区的线路，而一套路线智能体把它压到二十分钟，这个假设偏乐观，但不算离谱。那是每天 1.6 小时，一年大约 400 小时。按满载成本每小时 30 美元算，约合一个区每年 12,000 美元，再加上你不用再付一辆卡车跑半空环线省下的那部分。
现在诚实地放大它。如果你只有一个区，这点节省是个舍入误差，而集成和清理数据的工作花掉的比它挣的还多。如果你有两百个区、产品目录还天天在变，同一套算术就变成真金白银，而原因不是智能体多聪明，是它面前那堆重复的量有多大。这就是一千个场景这个说法老实的版本：它在量上成立，而量是你有或没有的输入。
反过来的情形，是一个需求忽高忽低、SKU 又非标准的托运人。当历史不稳定时，预测模型会退化；当交期来回摆时，库存分配会发毛。波动到一定程度，智能体的建议并不比计划员更好，而你是在花钱去复核一台机器的猜测，而不是自己形成判断。把一条稳定的大批量航线换成一条波动的小批量航线，结论就翻。要盯的条件是波动率，不是那项技术。
↑ 返回核心要点