京东物流：AI智能体已覆盖供应链全链路超千个场景

详细拆解

看到 AI 智能体覆盖超过一千个场景这种数字，我的第一反应不是兴奋，是先问一句：这个数字描述的是哪条队列。京东物流说超脑 2.0 已在供应链全链路超过 1000 个场景部署智能体，覆盖车辆调度与线路规划、库存分布与预测补货、仓库布局与产能调配。这三件事过去都是人在屏幕上做的决定，旁边还开着计时。把人的决定换成模型的决定，不是换个说法，它改的是你这整套系统的尾部表现；至于到底是变好还是变坏，只有把同一条队列在切换前后各量一遍才知道。

把它想成一个队列。任务进来，排队等一个决定，决定给它派车、给它一个库存位置、给它一个月台，然后它离开系统。真正伤人的几乎从来不是平均值，是九十五分位，那几个因为调度员在打电话、因为预测偏乐观、因为仓库没地方落脚而卡了几个小时的活。一个把平均耗时压下来四分钟、却把尾部拖胖了的智能体，只会让你的投诉率往上走。所以平台公布的任何延迟数字都只是声明，不是结果；第一个该问的是他们量的是哪个分位、量了多少天。

这条新闻里的数字值得认真看，也值得先当成未经证实的声明。超过 1000 个场景；全国超过 100 条无人机航线，其中今年 6 月在四川资中启动的进村配送网络覆盖 78 个行政村，最快 7 分钟飞抵山村；未来 5 年采购 300 万台机器人、100 万台无人车、10 万架无人机；还有与智元联合推出的重载具身机器人精灵 G2 Max，已经进了自研的货到人智狼仓。我不打算跟这些数字争论，我只想说清楚：每一个数字要证明什么，才值得你照着改自己的网络，以及瓶颈最后会出现在哪儿。

先说计数单位，因为它是这批数字里最软的一个。超过 1000 个场景，数的是智能体被打开的地方，不是智能体被证明比原来那个办法强的地方。这两个数可以差一个数量级，中间那段差距就是你的风险敞口。我心里一个场景才算数，得同时有四样东西：一个被点名的决定、切换前量过的基线、一个真的朝好方向走了好几周的指标、还有一个指标走反了要承担责任的人。四样齐了，这是资产；不齐，这只是个起得好听的配置文件。

这个定义后面跟着一张日历，而日历是新闻稿里不会写的部分。假设你认为一个场景必须有四周干净的基线数据、加上切换后四周的数据才算验证过，而且是同一条线路、同一批 SKU、同一个班次模式，那一个场景就是八周。再假设你的团队同时只能开二十五个这样的对比，因为每个都需要一个分析师、一个真会用它的一线调度、还有一个没被促销污染的对照组。1000 个场景除以 25 是 40 批，40 批乘以 8 周是 320 周，六年多一点。所以真正该问的不是能不能上一千个，是先上哪二十五个，凭什么是这二十五个。

公告里这三类决定坏法不一样，得用不同的尺子量。车辆调度和线路规划是个延迟加利用率的问题。要紧的指标不是排一条线平均要多久，是从订单释放到车辆派定这个时间的九十五分位，以及糟糕派车带来的空驶里程。我把验收线放在第八周调度员改写率 15%：两个月后如果你的同事七次里还要改一次以上的智能体方案，这套方案就没挣到它的位置。同时每周量空驶里程除以载货里程，还要把上线线路的准时足量率跟配对好的对照线路放在一起比。

库存分布和预测补货是个偏差问题，而偏差比方差贵。一个每周以同样幅度朝同样方向错的预测，看起来并不吵，看起来很稳，然后它会悄悄把你的安全库存重新堆起来。按 SKU 等级量平均绝对百分比误差的同时，必须单独量带符号的偏差，因为一个在 A 类商品上系统性高估 6% 的模型，会把库存顶上去，却永远触发不了缺货告警。我给的阈值是 A 类 SKU 的误差相对现有方法改善 10%，量满八周，同时加一条硬检查：误差下降的这段时间里，库存天数不能上升。预测变准了、库存变大了，说明你优化错了变量。

仓库布局和产能调配是个吞吐问题，吞吐问题有一个物理瓶颈，再多模型也推不动。在货到人的仓里，卡点通常是拣选工位或者出库月台，不是存储密度；一个把货位优化提升 8%、而月台已经饱和的布局智能体，等于什么都没省。要量的是每人时拣选件数、每车月台周转时间，以及日产能利用率相对计划的波动。我用的验收线很简单：每人时拣选件数提升至少 5%，同时月台周转不变或更好，连续四周成立。如果月台周转变差而拣选变快，那是智能体把活推到下游去了，这是最老的一招。

无人机这块会被引用得最多，也是数字和决定离得最远的一块。全国超过 100 条航线；今年 6 月四川资中的网络覆盖 78 个行政村，最快 7 分钟飞抵山村。7 分钟是飞行时间，不是送达时间，更不是门到门时间，它也没说降落后发生了什么。这项技术真正替代的决定很窄也很具体：某个包裹某一天，是飞，还是留在车上。公告里其他内容都是背景。所以尺子要去量那个决定，而不是量那段飞行。

我把算例写出来，每个假设都摆明，方便你换成自己的。假设资中这个网络 78 个村、每村每天 40 件，就是一天 3120 件。假设一个架次带 20 件，一天要 156 个架次。假设一个架次周期 20 分钟：7 分钟飞行，加上 13 分钟的装载、起飞检查、降落和交接。156 个架次乘以 20 分钟是 3120 分钟，也就是 52 小时的架次时间。假设一个操作员能同时盯 3 架，那就是 17.3 个操作员小时。

再看另一个方案：假设一辆面包车跑完同样的村一圈要 6 小时、清 260 件，3120 件需要 12 趟、72 个司机小时。假设装载后的司机小时成本 40 元、操作员小时成本 60 元。面包车方案一天 2880 元，无人机方案一天约 1040 元，再加飞机折旧，折旧我先不算，因为那是采购问题不是运营问题。按这组假设，运营人工的差额约 1840 元一天，一年约 67 万元。

现在改一个假设看看它怎么塌，这就是把假设写下来的意义。假设村里那一头的交接不是 13 分钟而是 25 分钟，因为降落点是村口广场，还得有人走过去。周期变 32 分钟，架次时间变 83.2 小时，操作员小时变 27.7，一天人工成本变 1664 元，差额掉到约 1216 元。只改另一个假设：假设大风和能见度让五分之一的日子飞不了，那些日子面包车照样得跑，等于两套系统都付钱，加上 0.2 乘以 2880 约 576 元的备勤成本，差额掉到约 1264 元。两个都改，一天的差额只剩约 640 元，原来那个数字的差不多三分之二就没了。这不是反对无人机，这是反对把 7 分钟当成服务水平往外报。

再说采购计划，我想从集成这一头看，而不是从公告这一头看。5 年 300 万台机器人、100 万台无人车、10 万架无人机。除以 5 年再除以 365 天，等于每天约 1644 台机器人、548 台无人车、55 架无人机，周末和节假日都算，连续五年。加起来是每天大约 2247 台设备要进网。假设每台设备要 4 个工程师小时做调试、在本地遥测和仓储系统里登记、再交给站点，那就是一天 8988 个工程师小时。假设一个工程师每天在这件事上有 8 个有效小时，你需要大约 1124 名工程师专职干这个，干满五年。

如果你真实的调试产能只有这个数的十分之一，账很快就反过来。每天 2247 台进来、225 台调完，队列里每天堆约 2022 台。一个季度下来大约 18.2 万台的积压，全都已经付了钱、上了保险、占了场地。瓶颈在这儿，而且它不在机器人身上，它在集成工程师身上、在场站的物理车位上、在本地电网接入上。在承诺任何采购曲线之前，先算你自己每周能调试多少台，把这条线和到货曲线放在同一张图上比。如果两条线在第四个月交叉，那这个项目的真身是一个穿着技术外衣的仓储问题。

具身机器人值得单独写一段，因为它是最好拍的那部分，也是眼下最不能当决策输入的那部分。与智元联合推出的重载具身机器人精灵 G2 Max 已经进了自研的货到人智狼仓，那是对它最友好的环境：地面平整、SKU 已知、光线可控、没有天气也没有行人。要验的不是它能不能搬起来，是它能不能撑住一个班。要量的是同一工位上相对人工基准的单位小时搬运量、可用率（运行小时除以计划小时）、每百次循环的人工介入次数，还有拣选准确率。我的验收线是滚动 30 天可用率 90% 以上、每百次循环介入少于 3 次、单位小时搬运量相对人工基准的差距不超过 15%。连续两周有任何一条不达标，这台设备退回有监督试点。

然后是大家都不爱谈的那个问题：模型错了谁兜底。这几种部署里，每一种都必须有一个指名道姓、不用开会就能把机器停掉的人。调度是当班调度员，回退方案是人工派车并公布一个时间惩罚。预测是能改写建议订货量的计划员，回退方案是旧方法并行保留至少一个季度。仓库货位是当班主管，回退方案是智能体上线前那份做了版本管理的布局图。无人机航线是站点经理，回退方案是那套必须还在、还得有人开的面包车线路，飞不了的那几天就靠它。把回退写下来，把人写上。写不出这个人，你上的不是系统，是依赖。

接着是实验设计，没有对照组，上面全是热情。别在全网做随机，做配对。挑出来的上线线路或上线村庄，要在订单结构、距离带、道路等级、促销暴露上跟对照组像，然后在同样的周里一起跑，让天气和大促的影响互相抵消。每组对比至少攒够 40 个配对观测再读结果，报告差异时要把离散程度一起报，不能只报均值。三条止损线，都能在一个班次内回退：上线单元准时足量率连续两周低于对照 2 个百分点以上，回退；异常率超过对照的 1.5 倍，回退；第八周单件成本仍高于对照 10% 以上且趋势走平，冻结扩张，回去查原因。

还有个更便宜的版本，大多数团队跳过了，值得先做。在给一个决定加智能体之前，先量这个决定吃进去的数据本身。如果箱规数据、提前期数据、地址经纬数据都是陈的，智能体会把陈学进去，然后用机器的速度稳定地输出错答案。先设数据健康指标，再设模型指标：有效经纬可用率、有实测而非假设提前期的 SKU 占比、最新交易到特征库之间的延迟。阈值定在经纬可用率 98% 以上、特征延迟 24 小时以内、每次打分缺失特征不超过 2%。任何一条不达标，先修数据。这件事不漂亮，但它通常比调模型管用。

智能体还会安静地退化，所以这套项目需要一支漂移的尺子，跟性能的尺子一样重要。每周查一次输入分布：模型训练时所处距离带之外的订单占比、不在训练集里的 SKU 占比、最近一笔交易到打分所用特征之间的延迟。新品 SKU 占比超过 10%，或者距离带外订单连续两周超过 10%，就告警。每次重训之后，先跑两周影子模式，就是智能体打分但不执行，只有当它在影子里的表现按验收时同一个指标赢过在跑的那版，才允许上线。重训按固定季度节奏做，不要等谁想起来。

还有一个比值值得写下来，因为它告诉你这个项目的重量压在哪儿。100 多条无人机航线对 1000 多个场景，说明飞的那块按数量算只占十分之一左右。如果你是对着这条新闻想抄点什么的货主，这个比值是一脚刹车。被宣传的覆盖里，绝大部分是架在你业务里本来就有的那些决定上的软件，而软件在一条线路上试起来很便宜。天上飞的、地上跑的那些是资本、是基础设施、是空域，试起来很慢。便宜的实验按量投钱，贵的实验一个站点一台，等数字出来再说。

替代方案也该给个公平的机会，因为让机器替人做决定并不是唯一的杠杆。村级网络里，一个集中自提点加面包车，算上空域审批、天气取消和交接人工之后，单件成本未必输给飞机，而且它没有单点故障。调度上，让智能体提议、人来确认的人机回环设计，能拿到大部分提速收益，却没有那些静默失效的毛病；量它的建议采纳率，采纳率往下掉就当成模型漂移的信号。预测上，干净输入配简单统计方法，经常能打平脏输入配复杂模型。产能调配上，加一个周末班或者上一个月台预约系统，挪动的吞吐可能比任何货位算法都多。先试便宜的那根杠杆，量完再决定要不要上贵的。

坑基本都是数错了东西。数场景而不是数决定。把 7 分钟飞行时间包装成服务承诺往外发。把一条线路的结果当成全网的结果。让智能体在淡季训练，然后指望它在旺季也乖。看仪表盘上的均值而不看尾部。还有一个在投标时咬得最狠：报了一个你自己没法用原始日志复现的性能数字。如果你跟客户说你的运营更快或者更绿，就要准备好把带时间戳的底层事件日志交出来。交不出来，就别这么说。

所以做事的顺序还是那句老话：先量化，再谈优化。把这类公告里的每个数字翻成一个决定、一个指标、一条阈值、一个有名有姓的人。用配对好的对照组跑八周。如果智能体真有宣称的那么好，两个月内数据会说话，你也能挺直腰杆去扩。如果没有，你花了八周，但把瓶颈在哪儿摸清楚了，这本来也是你要的信息。两者的代价是不对称的：一次测量的成本是几周，一次建立在未经验证声明上的推广，成本是几年，而队列不在乎那份材料做得好不好看。

↑ 返回核心要点

— 作者 拉维