仓库里的马拉松

货架之间，一台矮矮胖胖的机器人拐了进来。外形像装了轮子的行李箱，信号灯一闪一闪，顺着窄巷快速往前跑。

对面正好有另一台机器人驶来，眼看要撞上，两台却灵活地错开身，各自接着干活。

拐过弯，其中一台凑近货架，抓住轨道，沿着垂直方向「蹭蹭蹭」往上爬。它要取的是高处的料箱。料箱取到后，会被送到人工工作站，等着分拣。

这样的画面，在菜鸟广州增城猫超仓（以下简称猫超仓）2000 平方米的存储区里反复上演。

这里摆着 135 台 ZeeBot 攀爬机器人、9 米高的 20 层密集货架和 4.2 万个料箱。机器人就像一群现实版《吃豆人》，在巨大的立体迷宫里穿来穿去，有的负责出库，有的忙着补货。

人工仓里的做法不一样。拣选员拿手持 PDA 扫过订单，设备就会提示去哪个格口取货，推车跟着指引走。拣选车一般分三层，每层放约 8 个纸箱，一个箱子对应一个消费者的订单。

拣选员一路走过不同货位，把商品分别投进对应的订单箱。走一趟，就能同时处理好几笔订单。

两个作业区分拣出的商品，在集货区汇到一起，随后进入包装复核环节，由人工封箱、贴单。

袁流说，改造之前，要放下接近 4 万个高动销商品得用两层楼：一楼约1万多个品，二楼接近 3.2 万个品。结果不少订单被拆成两个拣选单，跨楼层取货、合流、再分单，流程很繁琐。一场大促下来，一个人走了多少路，要拿绕西湖走多少圈来算，他说。

如今靠高密度货架，原先分散在不同楼层的商品被集中存放，单位面积的存储能力提高了很多。机器人把料箱直接送到人跟前，工作人员按订单取货就行，拣选效率也跟着上去了。

整个猫超仓的存储效率大约是原来的 3 倍，人效也提到原来的 2.5 倍左右。

参观过程中，ZeeBot 的攀爬能力让我印象最深。这套系统把「Z 轴自由」变成了现实，整个仓库的运行节奏也跟着变了。

它向上爬的速度是 1.2 米/秒。和那些被轨道拴住的设备不一样，ZeeBot 不必在货架侧面铺专用轨道，垂直方向可以自己走。

这些机器人靠两只抓手附着在货架上，在立体空间里自己「看路」移动。机身姿态由内置的惯性传感器和力矩反馈持续感知，电机状态随之实时调整，攀爬时不容易倾斜或打滑。

攀爬稳不稳，关键是不能掉下来。行业里抓取和取放结构的设计各有不同，ZeeBot 的做法是在单侧用两个扒手抓取，抓持力有保证，又不用占两条滑轨。

这套设计其实改变了自动化仓库扩容的路子。传统 AS/RS、堆垛机这类自动化立库，货架布局、轨道和设备配置在建设之初就定死了，基建完工，产能上限基本也就到顶。赶上双十一、黑五这样的订单高峰，想靠简单「加车」扩产很难，改造代价极高。

猫超仓的节奏是：5 月正式启动改造，8 月开启测试，9 月进入大促备战。项目推进得相当快，只增加了数十台 ZeeBot，就扛过了「双十一」首日的订单洪峰。

设备交接变少，是另一个明显的好处。传统自动化仓库里，水平搬运和垂直提升通常由不同设备接力，交接每多一次，就多一道等待和协调。

ZeeBot 把水平移动和垂直攀爬放在同一台设备上完成。少一次交接，就少一个潜在故障点；衔接环节越少，系统运行和后期维护也越省事。

就算其中某台机器人出了毛病，整座立库也不会因此停摆。

但每台机器人都能跑，并不等于仓库的吞吐量就真的上得去。100 多台机器人在货架间同时穿行，怎么让它们配合得像一支交响乐团？这得靠一套复杂的调度算法。

怎样让它们少绕路、少等待，还尽量不撞上？系统既要为每台机器人规划行走路径，也得从全局层面协调它们的动作。

袁流举了个例子：前方有机器人在攀爬时，后面的机器人可以停下来等，也可以改道绕过去。选哪种，要看怎么安排对整体作业更有利。

分配任务的时候，系统其实已经把未来几秒的轨道占用算进去了。某条轨道马上要被占用，就先派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。

派活也不是「谁离料箱最近就派谁」。机器人当前在哪、任务处于什么状态、后面走哪条路线，这些因素系统都要综合起来，再挑更合适的执行者。

料箱拣选完之后，未必放回原位。系统会按商品和货位的「热度」重新配对，让周转频率高的商品尽量落到更合适的位置。

在袁流看来，自动化技术越成熟，单台机器人之间的性能差距会越小。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，整个仓库的存取流程又怎样持续优化。

大模型的引入，正在帮他们把这一优化过程做得更细。

大模型还能帮运营人员找出不少以往难以发现的优化空间，并把任务分配、路径规划这些环节算得更细。算力充裕之后，系统响应更快、计算频次更高。订单每秒钟都在进来，机器人位置和轨道占用随时在变，前一刻排好的路线，下一刻可能就得推翻。调度只能不停重算、重新分派任务，以毫秒级的速度动态调整。

协同的未来

猫超仓里，订单走到最后一步是包装复核。每个工作站旁都配了一条传送带，工作人员把打包好的包裹放上去，包裹便向前流走，进入对面的申通快递分拨中心。

这么看，仓库再聪明，作业流程里也没能完全去掉人。沃尔玛创始人山姆·沃尔顿在自传里写过一段话：没有整个系统里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，上货同样需要人。一位年轻工作人员正在上架区忙活：先扫商品条码，把商品信息录入系统；接着调度系统指挥附近的机器人，把对应料箱送到他的工作站。

一个上架工作站有 8 个箱位。他按亮起的绿灯，把一包包裤子放进对应料箱。装满一箱就按下操作按钮，指示灯转为红色，机器人随即将料箱运回存储区。

补多少货、货从哪来，系统都会提前算好。袁流说，仓库会把现有库存、商品效期和出货量放在一起算，得出商家当天要备多少货、补多少商品。

人工仓货架上的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，机器人同样会接手。袁流判断，这种人机配合的状态会长期持续下去。

一座仓库该配多少台机器人？照旺季峰值来配，淡季就会有大量设备闲着；只按日常低谷来算，旺季订单一涌进来，系统又可能扛不住。

所以仓库通常取一个折中的配置水平，超出常规产能的那部分，交给人工灵活调配去消化。

现场就能看到这种弹性安排：工作人员穿着不同颜色的背心，不少人来自第三方人力服务公司。订单量一变，人工就能相对灵活地补到需要的岗位上。

分拣工作站旁，一台机械臂正在接受拣选训练。看到这一幕，袁流的预测显得更有说服力。

单件精细拣选是行业公认的下一个攻关点，我们也在训练，但还处在「非常初期」的阶段。他说。

机械臂要面对仓库里约 3 万个不同的 SKU，尺寸、重量、形状、软硬程度都不一样。抓起一件商品前，它得先认出形状，再判断从哪个角度下手、使多大的力，才能稳稳拿起来。对人来说，这些动作几乎不用过脑子；换成机器人，就变成了一连串视觉识别、抓取决策和运动控制上的难题。

更现实的难题是，仓库里的 SKU 一直在变：新品不断进来，旧品持续退出。机械臂要真正覆盖所有商品，还有不少技术关卡要过。只要有一件商品没法被可靠识别或抓取，就得转给人工处理。

拣选之外，设备运维、异常处理这类「管例外」的活儿，同样离不开人。

说到底，都是为履单服务。

「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·沃尔顿曾如此阐述公司的经营理念。

20 世纪 80 年代，沃尔玛联手休斯公司，砸下 2400 万美元搭建卫星通信网络，为的就是兑现这句话。到 1987 年，系统部署完成，散落各地的门店、配送中心和总部被连成一张网，销售、库存等信息得以更快汇集、流转。

卫星网络只是沃尔玛数字化建设的一环。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 也对外纠正过说法：「我们发明的是一套履单解决方案。」他不希望 Kiva 被简单贴上「机器人公司」的标签。

今天的猫超仓，回看的其实是同一个问题。

135 台 ZeeBot 累计跑出超过 140 公里的垂直运行里程。这 140 公里最终要换来的，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。

放到更大的履约网络里看，一套大促应急指挥体系同样在昼夜运转。

AI 负责运营监测、风险预警和异常识别；某个环节一旦出问题，系统就顺着履约链路定位异常，推动分钟级响应，尽量把局部波动消化在系统内部，少让消费者体验受影响。

履约能力上去之后，平台能把快速送达的承诺覆盖到更多商品，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，再到如今高密度穿梭的智能仓群，零售业的底层技术迭代了几轮，商业对极致效率的追逐却始终没偏过方向。

算法、数据和网络，三者谁能把庞杂的物理资产整合成一个高吞吐、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”这个角色最近。

这套复杂系统激起的工业美学与效率浪潮，还在往前滚。