一场仓库里的马拉松

货架之间的巷道里，拐进来一台矮胖的机器人。信号灯一闪一闪，外形像个安了轮子的行李箱，它顺着窄道快速往前跑。

对面正好有另一台机器人驶来。两车眼看要撞上，却都灵巧地避开，各自接着干活。

拐过弯后，其中一台靠到货架边，抓住轨道，竖直方向「蹭蹭蹭」往上爬。它要拿的是放在高处的料箱。料箱取下来后会被送到人工工作站，等着分拣。

菜鸟广州增城猫超仓（下称猫超仓）的存储区有 2000 平方米，这样的画面一直在里面重复。

仓里配了 135 台 ZeeBot 攀爬机器人、20 层共 9 米高的密集货架，还有 4.2 万个料箱。这些机器人就像现实版的《吃豆人》，在庞大的立体迷宫里穿来穿去，一部分在做出库，一部分在补货。

人工仓这边，拣选员用手持 PDA 扫订单，设备会自动显示该去哪个格口取货，推着车跟着指引走就行。拣选车一般分三层，每层摆约 8 个纸箱，每个箱体对应一个消费者订单。

拣选员推着车一路走过不同货位，遇到对应的商品就放进相应的订单箱。一趟走下来，多笔订单能同时处理。

两个作业区拣出的商品在集货区汇齐，之后进入包装复核环节，由人工封箱、贴单。

袁流说，改造前要放下接近 4 万个高动销商品，得占两层楼：一楼约1万多个品，二楼接近 3.2 万个品。

结果就是不少订单被拆成两个拣选单，跨楼层取货、合流、再分订单，流程很繁琐。

他说，一场大促下来，一个人的行走量要以绕西湖走多少圈来计算。

如今高密度货架把原本分散在不同楼层的商品集中存放，单位面积的存储能力大幅提高。料箱由机器人送到人面前，工作人员只管按订单取货，拣选效率也跟着上去了。

猫超仓整体存储效率约为原来的 3 倍，人效提升到原来的 2.5 倍左右。

「 Z 轴自由」与交响乐

参观过程中，ZeeBot 的攀爬技术让我印象最深。

它垂直攀爬的速度是 1.2 米/秒。常见的「轨道囚徒」要在货架侧铺专用轨道，ZeeBot 不用，这就是「 Z 轴自由」。

这些机器人会自己「 看路」：两只抓手附着货架，机身便在立体空间里自由移动。内置的惯性传感器和力矩反馈不断感知机身姿态，实时调整电机状态，让它在攀爬时不倾斜、不打滑。

攀爬时首先得保证不掉下来，这一点绕不开抓取和取放结构的设计。行业里对此有不同方案。ZeeBot 在单侧布置两个抓取点来夹住货架，抓持力有保障，也不必占用两条滑轨。

这样一来，自动化仓库增加产能的路子就变了。

过去的 AS/RS、堆垛机这类自动化立库，货架怎么排、轨道怎么走、设备配多少，往往开工时就已经定死。基建一完工，产能上限基本跟着封顶。碰上双十一、黑五这种订单高峰，想靠简单“加车”扩容几乎做不到，改造代价也高得吓人。

猫超仓这边节奏快得多：5 月正式动手改造，8 月进入测试，9 月已经投入大促备战。项目只添了数十台 ZeeBot，就接住了“双十一”首日的订单洪峰。

设备交接次数减少，好处同样明显。

在传统自动化仓里，水平搬运和垂直提升常由两种设备接力完成。交接多一次，就多一处等待，也多一层协调。

ZeeBot 把水平移动和垂直攀爬放在一台设备上做完。少一次交接，就少一个可能的故障点；设备衔接越少，系统跑起来和后续维护都更省事。

就算个别机器人出了毛病，整座立库也不至于跟着停摆。

不过，每台机器人跑得再快，也不等于仓库就能拿到真正的高吞吐。

100 多台机器人在货架间同时穿行，要让它们像交响乐团那样配合，背后得有一套复杂的调度算法。

系统怎么让这些机器人少绕路、少等待，同时尽量不撞上？它既要给每台机器人排出行走路线，也得站在全局协调大家的动作。袁流举了个例子：前方有机器人正在攀爬时，后面的机器人可以停下来等，也可以换条路线绕过去。具体选哪种，得看怎么安排对整体作业更有利。

甚至在派任务的时候，系统就已经把接下来几秒内轨道的占用情况算了进去。某条轨道马上要被占用，就先安排别的机器人去做其他任务，把等待尽量消化在任务分配这一步。

任务分配也不是简单地「谁离料箱最近就派谁」。机器人当前的位置、任务状态、后续路线等因素都要一并考虑，系统再从中挑出更合适的执行者。

料箱拣选完之后，未必非得放回原来的货位。系统会依据商品和货位的「热度」重新配对，让周转频繁的商品尽量待在更合适的位置上。

在袁流看来，自动化技术越来越成熟，单台机器人之间的性能差距会慢慢缩小。行驶速度大概就是每秒 4 米，不会无限制地快到飙车；攀爬速度也可能越来越接近。真正拉开差距的是系统层面的效率：自动化区域怎么规划，机器人怎么调度，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。

大模型的引入，正帮他们把这套优化做得更细。比如帮运营人员找出更多过去不容易察觉的优化机会，在任务分配、路径规划等环节算得更精细。

再结合更多算力，系统的响应速度和计算频次也能提上去。每一秒都有新订单进来，机器人位置和轨道占用一直在变。上一刻规划好的路线，下一刻可能就得调整。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

在猫超仓里，包装复核是订单流转的最后一站。

每个工作站旁边都连着一条传送带。打包完成的包裹被工作人员放上去，顺着传送带向前走，就到了对面的申通快递分拨中心。

再聪明的仓库，也没能让人彻底退出作业流程。沃尔玛创始人山姆·沃尔顿在自传里写过一段话：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。

分拣、打包之外，上货同样离不开人。

上架区里，一位年轻工作人员正忙个不停。他先扫商品条码，把商品信息录入系统；接着，调度系统会指挥附近的机器人，把对应的料箱送到他的工作站。

一个上架工作站有 8 个箱位。工作人员盯着亮起的绿灯，把一包包裤子放进对应料箱。一箱装满，他按下操作按钮，指示灯转红，机器人随即把料箱运回存储区。

商品从哪里来、每天补多少，系统也会提前算好。袁流说，仓库会结合现有库存、商品效期和出货量，算出商家当天要准备多少货、补多少商品。

人工仓货架上的商品格口比机器人区的大型料箱小得多，一个格口能放的商品有限，补货也就更频繁。这部分活儿，机器人同样会接手。

袁流判断，这种人机协同的局面会长期存在。

一座仓库到底该摆多少台机器人？全按旺季峰值来配，一到淡季就有大批设备吃灰；反过来只盯着日常低谷，旺季订单一涌进来，系统又可能扛不住。

所以仓库通常挑一个折中的数量，超出去的那部分产能，靠人工临时调配来顶。

现场就能看到这种弹性。员工穿着颜色不同的背心，不少人来自第三方人力服务公司。订单一变，人就能比较快地补到缺人的岗位上。

分拣工作站旁边，一台机械臂正在做拣选训练。看到它，袁流那句判断显得更有依据了。

袁流说，单件精细拣选是行业公认的下一个攻关点，他们也在练，不过还处在「非常初期」的阶段。

这台机械臂要对付仓库里大约 3 万个不同的 SKU。大小、轻重、形状、软硬，样样不一样。想抓起一件货，它得先认出形状，再决定从哪个角度下手、使多大劲，才能稳稳提起来。

人的手太灵了。这些动作对人来说基本不用想，落到机器人身上，就变成视觉识别、抓取决策、运动控制一连串难题。

更现实的麻烦在于，仓库的 SKU 一直在变。新品进来，旧品退场，机械臂要想真正覆盖全部商品，还有不少技术关卡要过。只要有一件货没法可靠识别或抓取，就得转给人工。

拣选之外，设备运维、异常处理这类「管例外」的活儿，同样还得靠人。

说到底，都是为了把订单履好。

“我们希望服务顾客，所以必须尽量成为最高效的商品供应者。”山姆·沃尔顿当年这样解释公司的经营思路。

这句话落在行动上，是20世纪80年代沃尔玛跟休斯公司合作，拿出2400万美元搭了一张卫星通信网。1987年这套系统铺完，各处的门店、配送中心和总部被连到一起，销售、库存这些信息汇得更快、转得更顺。

数字化建设不止这一步。后来沃尔玛往计算机和卫星系统里砸的钱累计接近7亿美元。这张信息基础设施把全球零售网络罩住，也给“天天低价”垫了底。

许多年之后，Kiva Systems 创始人 Mick Mountz 对外纠正过一种说法：“我们发明的是一套履单解决方案。”他说自己从不愿意让 Kiva 被简单叫成“机器人公司”。

再看今天的猫超仓，其实回答的是同一个问题。

135 台 ZeeBot 在垂直方向上累计跑出超过 140 公里。不过这 140 公里最后要换成的是：更多商品被及时找到，订单被准确拣出来，包裹按点出库，稳稳交到下一段物流链路手上。

放到更大的履约网络里看，还有一套大促应急指挥体系在昼夜不停地转。

运营监测、风险预警、异常识别都有 AI 参与。哪个环节一出问题，系统就顺着履约链路找异常，把响应压到分钟级，让局部波动尽量在系统内部消化掉，少波及消费者体验。

履约能力往上走，平台就能把快速送达的承诺铺到更多商品上。仓库里的效率，最后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，再到眼下高密度穿梭的智能仓群，零售业的技术底座换了一轮又一轮，可商业对极致效率的追逐始终没偏方向。

谁能让算法、数据和网络把庞大而杂乱的物理资产编成一个高吞吐、低延迟、能自我调整的实时并行处理系统，谁就离消费者代理商这个角色更近一步。

这套复杂系统搅动起的工业美学与效率浪潮，还在往前滚。