仓库里的马拉松

一台矮矮胖胖的机器人拐进货架之间。它闪烁着信号灯，外形像一只装了轮子的行李箱，沿着狭窄的巷道快速移动。

迎面，另一台机器人正好驶来。眼看就要撞上，两台机器人却灵活地错开，继续执行各自的任务。

转过一个弯，其中一台贴近货架，抓住轨道，沿着垂直方向「蹭蹭蹭」地向上攀爬。它要取走的是一个高处的料箱。完成任务后，料箱将被送往人工工作站，等待分拣。

这样的场景，在菜鸟广州增城猫超仓（以下简称猫超仓）的 2000 平方米存储区里不断上演。

这里有 135 台 ZeeBot 攀爬机器人、9 米高的 20 层密集货架，以及 4.2 万个料箱。机器人像一群现实版《吃豆人》，在巨大的立体迷宫中穿梭，有的忙着出库，有的负责补货。

在人工仓，拣选员用手持 PDA 扫描订单后，设备会自动显示应到哪个格口取货，推车跟着指引走就行。

拣选车也有讲究，一般分三层，每层摆放约 8 个纸箱，每个箱体代表一个消费者订单。

拣选员一路经过不同货位，把对应商品分别放进相应的订单箱里。这样一来，一趟行走就能同时处理多笔订单。

两个作业区分拣出来的商品在集货区完成集货，最后被送去包装复核环节，人工封箱、贴单。

袁流说，没有改造之前，为存放接近 4 万个高动销商品，需要两层楼：一楼约1万多个品，二楼接近 3.2 万个品。 这意味着不少订单需要拆成两个拣选单，跨楼层取货、合流、再分订单，过程繁琐。

一场大促下来，一个人的行走量可以绕西湖走多少圈为单位计算。他说。

现在，通过高密度货架，把原本分散在不同楼层的商品集中存储，极大提高单位面积的存储能力。机器人把料箱送到人面前，工作人员只需要按照订单完成取货，也大幅提升了拣选效率。

猫超仓整体存储效率约为原来的 3 倍，人效也提升到原来的 2.5 倍左右。

「 Z 轴自由」与交响乐

参观时，我印象最深刻的是 ZeeBot 的攀爬技术。

它的垂直攀爬速度为 1.2 米/秒，但和常见的「轨道囚徒」不同，ZeeBot 不需要在货架侧铺设专用轨道，实现了「 Z 轴自由」。

这些机器人会自己「 看路」，通过两只抓手附着货架，在立体空间中自由移动。内置的惯性传感器和力矩反馈会持续感知机身姿态，实时调整电机状态，避免攀爬过程中倾斜或打滑。

考虑攀爬稳定性，不能掉下来。行业里会有不同的抓取和取放结构设计。ZeeBot 选择在单侧用两个扒手抓取，保证抓持力，同时不用占两条滑轨。

这套设计实际上改变了自动化仓库的扩容方式。

传统 AS/RS、堆垛机等自动化立库，通常在建设之初就确定了货架布局、轨道和设备配置。基建一旦完成，产能上限也基本随之确定。遇到双十一、黑五这样的订单高峰，很难通过简单「加车」来扩容，改造成本极高。

而猫超仓从 5 月正式启动改造，到 8 月开启测试，再到 9 月进入大促备战，整个项目推进得相当快。仅通过增加数十台 ZeeBot，就扛过了「双十一」首日的订单洪峰。

减少设备交接，也是一个显著优势。

传统自动化仓库里，水平搬运和垂直提升往往由不同设备接力完成。每增加一次交接，就多一道等待和协调环节。

ZeeBot 可以同时完成水平移动和垂直攀爬，少一次交接，就少一个潜在的故障点；设备之间的衔接越少，系统运行和后期维护也就越简单。

即使个别机器人出现故障，也不至于让整套立库停止运行。

不过，即使每台机器人都知道怎么飙车，也不意味着仓库就能获得真正的高吞吐。

100 多台机器人同时在货架间穿梭，如何让它们像一支交响乐团一样协同工作？这需要一套复杂的调度算法。

怎么让它们少走冤枉路、少等一会儿，还尽可能不撞车？系统不仅要规划每台机器人的行走路线，还要从全局协调它们的行动。

袁流举例说，如果前方有机器人正在攀爬，后面的机器人可以停车等待，也可以调整路线绕行。究竟选择哪种方式，要看怎样安排更有利于整体作业。

甚至在分配任务时，系统就已经开始考虑未来几秒钟的轨道占用情况。如果某条轨道即将被占用，就可以先安排其他机器人执行别的任务，把等待尽量消化在任务分配阶段。

任务分配也不只是「谁离料箱最近就派谁去」。系统还要综合机器人当前位置、任务状态和后续路线等因素，选择更合适的执行者。

料箱完成拣选后，也不一定要放回原来的货位，系统会根据商品和货位的「热度」重新匹配，让周转频率高的商品尽可能放在更合适的位置。

在袁流看来，随着自动化技术不断成熟，单台机器人的性能差距会逐渐缩小。行驶速度可能就是每秒 4 米，不会无限加快到飙车；攀爬速度也可能越来越相似。

真正拉开差距的，将是系统层面的效率：自动化区域如何规划，机器人如何调度，任务怎样衔接，货位如何安排，以及整个仓库的存取流程如何持续优化。

而大模型的引入，正帮助他们将这套优化过程做得更细。

比如，帮助运营人员发现更多过去不容易察觉的优化机会，在任务分配、路径规划等环节进行更精细的计算。

还有结合更多算力，提高系统的响应速度和计算频次。每一秒都有新订单进来，机器人位置和轨道占用也在不断变化。上一刻规划好的路线，下一刻可能就需要调整。系统必须持续重算、重新分配任务，以毫秒级的计算动态调整机器人调度。

协同的未来

在猫超仓，订单的旅行终点，是包装复核。

每个工作站旁都有一条传送带。工作人员将打包好的包裹放上传送带，包裹随即向前流动，进入对面的申通快递分拨中心。

看来，再聪明的仓库，也没有把人完全从作业流程中拿掉。我想起沃尔玛创始人山姆·沃尔顿自传里的一段话，没有整个系统所有那些尽心尽力的员工和卡车司机，那些东西（指计算机、激光制导配送中心）都是没有用的。

除了分拣和打包，上货也需要人参与。

只见一位年轻的工作人员正在上架区忙碌。他先扫描商品条码，将商品信息录入系统。随后，调度系统便会指挥附近的机器人，将相应的料箱送到他的工作站。

一个上架工作站由 8 个箱位组成。工作人员根据亮起的绿灯，将一包包裤子放入对应的料箱。装满一箱后，他按下操作按钮，指示灯随即变红，机器人便会将料箱运回存储区。 

商品从哪里来、每天需要补多少，也由系统提前安排。袁流说，仓库会结合现有库存、商品效期和出货量，计算商家当天需要准备多少货、补充多少商品。

与机器人区的大型料箱不同，人工仓货架上的商品格口要小得多，单个格口能够存放的商品有限，需要频繁补货。机器人也会承担这部分工作。

袁流认为，这种人机协同的局面，会长期存在。

一个仓库，机器人应该配置多少台？完全按照旺季峰值配置，淡季就容易出现大量设备闲置；如果只考虑日常低谷，旺季突然涌入的订单又可能超出系统承载能力。

因此，仓库会选择一个相对折中的配置水平，超出常规产能的部分，通过人工的灵活调配来消化。

现场也能看到这种弹性安排。工作人员穿着不同颜色的背心，其中很多来自第三方人力服务公司。随着订单量变化，人工可以相对灵活地补充到需要的岗位上。

而当我们看到分拣工作站旁一台正在接受拣选训练的机械臂时，袁流的预测也变得更有说服力了。

单件精细拣选，是行业公认的下一攻关点，我们也在做训练，但还处于「非常初期」的阶段。他说。

机械臂面对的是仓库里约 3 万个不同的 SKU。商品的尺寸、重量、形状和软硬程度各不相同。抓取一件商品，机械臂需要先识别它的形状，再判断从哪个角度下手、应该施加多大的力，才能把它稳稳拿起来。

人手非常灵活。对人来说，这些几乎是下意识完成的动作，对机器人却意味着一系列复杂的视觉识别、抓取决策和运动控制问题。

还有一个更现实的难题。仓库里的 SKU 始终在变化。新品不断进入，旧品持续退出，要让机械臂真正覆盖所有商品，仍有不少技术关卡需要跨越。只要有商品无法被可靠识别或抓取，就必须转入人工处理。

在拣选之外，设备运维、异常处理等「管例外」的工作，也仍然需要人来完成。

一切为了履单

我们的理想是服务顾客，因此，我们必须尽可能成为最高效的商品供货者。山姆·沃尔顿曾这样阐述公司的经营理念。

为了兑现这句话，20 世纪 80 年代，沃尔玛与休斯公司联手，斥资 2400 万美元构建卫星通信网络。到 1987 年，这套系统完成部署，将分散在各地的门店、配送中心和总部连接起来，让销售、库存等信息能够更快地汇集和流转。

这只是沃尔玛数字化建设的一部分。此后，公司在计算机和卫星系统上的累计投入接近 7 亿美元。这张覆盖全球零售网络的信息基础设施，为「天天低价」筑牢了底层护城河。

多年后，Kiva Systems 创始人 Mick Mountz 也向外界纠偏：「我们发明的是一套履单解决方案。」他从不希望 Kiva 被简单冠以「机器人公司」。

回看今天的猫超仓，其实也在回答同一个问题。

135 台 ZeeBot 累计跑出了超过 140 公里的垂直运行里程。但这 140 公里最终要转化成的，是更多商品被及时找到、订单被准确拣选、包裹按时出库，并顺利交到下一段物流链路手中。

在更大的履约网络中，一套大促应急指挥体系也在全天候运转。

AI 参与运营监测、风险预警和异常识别；一旦某个环节出现问题，系统便沿着履约链路定位异常，推动分钟级响应，尽可能将局部波动消化在系统内部，减少对消费者体验的影响。

随着履约能力提升，平台能够将快速送达的服务承诺覆盖到更多商品，让仓库里的效率最终变成消费者下单时看得见的时效保障。

从沃尔玛的卫星通信网络，到 Kiva 的机器人履约方案，再到今天高密度穿梭的智能仓群，零售业的底层技术几经迭代，但商业对极致效率的追逐从未偏航。

谁能用算法、数据与网络，将庞杂的物理资产编织成一个高吞吐、低延迟、自适应的实时并行处理系统，谁就距离消费者的代理商角色最近。

这套复杂系统所激荡出的工业美学与效率浪潮，正滚滚向前。