縱橫9米高空的機器人，跑出3.3個馬拉松，一座大倉的極速28小時

（來源：機器之心）

編輯｜Sia

規模也能經濟。

倉庫里的馬拉松

一臺矮矮胖胖的機器人拐進貨架之間。它閃爍着信號燈，外形像一隻裝了輪子的行李箱，沿着狹窄的巷道快速移動。

迎面，另一臺機器人正好駛來。眼看就要撞上，兩臺機器人卻靈活地錯開，繼續執行各自的任務。

轉過一個彎，其中一臺貼近貨架，抓住軌道，沿着垂直方向「蹭蹭蹭」地向上攀爬。它要取走的是一個高處的料箱。完成任務后，料箱將被送往人工工作站，等待分揀。

這樣的場景，在菜鳥廣州增城貓超倉（以下簡稱貓超倉）的 2000 平方米存儲區里不斷上演。

這里有 135 台 ZeeBot 攀爬機器人、9 米高的 20 層密集貨架，以及 4.2 萬個料箱。機器人像一群現實版《吃豆人》，在巨大的立體迷宮中穿梭，有的忙着出庫，有的負責補貨。

這場遊戲最特別的地方在於，它恰好發生在「雙十一」。10 月 20 日晚 8 點，天貓「雙十一」全面開賣。當天，貓倉高峰期出庫件數直接飆到日均同時段的 3 倍。

在持續 28 小時的訂單洪峰中，機器人累計垂直運行里程超過 140 公里，單小時峰值達到 11 公里。一場超級「馬拉松」最終也轉化成了實實在在的履約成績：

貓超倉一天多波次循環發貨，波次出庫準點率 99.99%。

大倉的魔術：百單並行如何化作包裹齊發？

趁着「雙十一」兩輪大促之間的間隙，我們第一次走進這座貓超倉。它位於廣州增城區的菜鳥增城物流園里，是一座佔地約 2 萬平方米的大倉。

天貓超市的用户心智是「一站購齊」，因此 SKU 特別多。菜鳥供應鏈運營管理中心總經理袁流告訴我們，天貓超市經營的全量商品可能達到 10 萬至 20 萬個 SKU。落到單個倉庫，正常動銷的 SKU 通常在 4 萬個左右。

我們此刻所在的倉庫是一個大倉，管理的 SKU 約 6 萬個，覆蓋整個華南。

目前完成一期改造的倉庫，呈現出一種有趣的分工：一塊機器人區，與一大片傳統人工倉並行運轉。

沿着 9 米高的貨架望過去，一個個標準化料箱密集排列。料箱里可以存放同一 SKU 的多件商品，也可以通過隔板分區，同時容納多個不同 SKU。

貨架採用單深位存儲設計，每個貨位只放置一個料箱，所有料箱都直接面向巷道。機器人沿着軌道攀爬時，可以同時覆蓋巷道兩側的貨位，直接存取目標料箱。

機器人依靠系統里的地圖在貨架間穿行，藉助地面間隔排列的二維碼進行位置校準。

據袁流介紹，整個機器人區可以容納約 3 萬個 SKU ，接近貓倉商品種類的一半。人工倉覆蓋約 1 萬個高動銷 SKU 。

目前貓超倉傾向於把長尾商品放進機器人區。他解釋説，這類商品 SKU 多，但每次訂單需要的數量通常不大。如果全部依靠人工揀選，工作人員可能需要在大片貨架間走很長一段路，才能找到少量目標商品。

現在，你只要站在工作站旁，裝着商品的料箱就會自己來到你面前。單個工作站的作業產出相當於 2~3 名揀選員工。

那麼，倉庫接單后，如何快速將他們變成一個個快遞包裹呢？

倉庫不會每來一筆訂單，就立即安排員工單獨揀貨。菜鳥廣州貓超倉總經理林春賞説，通常 100 單、200 單匯成一批，有規模纔有效率。

如果一批訂單中有些商品存放在機器人區，有些在人工區，就要交給兩套作業體系處理。

攀爬機器人負責把訂單需要的料箱從貨架上取下來，送往人工工作站分揀；人工倉的工作人員會推着揀選車，在 3 米高的輕貨架間尋找對應商品。

可機器人怎麼知道自己該拿哪個箱子呢？答案是：系統負責找位置，條碼負責別拿錯。

每個料箱入庫時都貼有唯一條碼，上架時系統記錄「哪個箱子、放在哪個格口、放在哪個貨位」，庫存賬與物理位置一一綁定。

出庫時系統按訂單定位到具體格口，指令機器人「去某排某列某層取某箱」，由機器人攀爬到指定位置取下料箱。因此機器人全程不需要「認識」具體的貨長什麼樣（是洗發水？狗糧還是辣條？）

料箱送到工作站后，揀選員會根據訂單要求，從中取出相應商品，放進黃色周轉筐。

通常一個料箱不會一次取空，完成揀選后，機器人還需要把剩余商品送回貨位，等待下一次任務。

在人工倉，揀選員用手持 PDA 掃描訂單后，設備會自動顯示應到哪個格口取貨，推車跟着指引走就行。

揀選車也有講究，一般分三層，每層擺放約 8 個紙箱，每個箱體代表一個消費者訂單。

揀選員一路經過不同貨位，把對應商品分別放進相應的訂單箱里。這樣一來，一趟行走就能同時處理多筆訂單。

兩個作業區分揀出來的商品在集貨區完成集貨，最后被送去包裝複覈環節，人工封箱、貼單。

袁流説，沒有改造之前，為存放接近 4 萬個高動銷商品，需要兩層樓：一樓約1萬多個品，二樓接近 3.2 萬個品。 這意味着不少訂單需要拆成兩個揀選單，跨樓層取貨、合流、再分訂單，過程繁瑣。

一場大促下來，一個人的行走量可以繞西湖走多少圈為單位計算。他説。

現在，通過高密度貨架，把原本分散在不同樓層的商品集中存儲，極大提高單位面積的存儲能力。機器人把料箱送到人面前，工作人員只需要按照訂單完成取貨，也大幅提升了揀選效率。

貓超倉整體存儲效率約為原來的 3 倍，人效也提升到原來的 2.5 倍左右。

「 Z 軸自由」與交響樂

參觀時，我印象最深刻的是 ZeeBot 的攀爬技術。

它的垂直攀爬速度為 1.2 米/秒，但和常見的「軌道囚徒」不同，ZeeBot 不需要在貨架側鋪設專用軌道，實現了「 Z 軸自由」。

這些機器人會自己「 看路」，通過兩隻抓手附着貨架，在立體空間中自由移動。內置的慣性傳感器和力矩反饋會持續感知機身姿態，實時調整電機狀態，避免攀爬過程中傾斜或打滑。

考慮攀爬穩定性，不能掉下來。行業里會有不同的抓取和取放結構設計。ZeeBot 選擇在單側用兩個扒手抓取，保證抓持力，同時不用佔兩條滑軌。

這套設計實際上改變了自動化倉庫的擴容方式。

傳統 AS/RS、堆垛機等自動化立庫，通常在建設之初就確定了貨架佈局、軌道和設備配置。基建一旦完成，產能上限也基本隨之確定。遇到雙十一、黑五這樣的訂單高峰，很難通過簡單「加車」來擴容，改造成本極高。

而貓超倉從 5 月正式啟動改造，到 8 月開啟測試，再到 9 月進入大促備戰，整個項目推進得相當快。僅通過增加數十臺 ZeeBot，就扛過了「雙十一」首日的訂單洪峰。

減少設備交接，也是一個顯著優勢。

傳統自動化倉庫里，水平搬運和垂直提升往往由不同設備接力完成。每增加一次交接，就多一道等待和協調環節。

ZeeBot 可以同時完成水平移動和垂直攀爬，少一次交接，就少一個潛在的故障點；設備之間的銜接越少，系統運行和后期維護也就越簡單。

即使個別機器人出現故障，也不至於讓整套立庫停止運行。

不過，即使每臺機器人都知道怎麼飆車，也不意味着倉庫就能獲得真正的高吞吐。

100 多臺機器人同時在貨架間穿梭，如何讓它們像一支交響樂團一樣協同工作？這需要一套複雜的調度算法。

怎麼讓它們少走冤枉路、少等一會兒，還儘可能不撞車？系統不僅要規劃每臺機器人的行走路線，還要從全局協調它們的行動。

袁流舉例説，如果前方有機器人正在攀爬，后面的機器人可以停車等待，也可以調整路線繞行。究竟選擇哪種方式，要看怎樣安排更有利於整體作業。

甚至在分配任務時，系統就已經開始考慮未來幾秒鍾的軌道佔用情況。如果某條軌道即將被佔用，就可以先安排其他機器人執行別的任務，把等待儘量消化在任務分配階段。

任務分配也不只是「誰離料箱最近就派誰去」。系統還要綜合機器人當前位置、任務狀態和后續路線等因素，選擇更合適的執行者。

料箱完成揀選后，也不一定要放回原來的貨位，系統會根據商品和貨位的「熱度」重新匹配，讓周轉頻率高的商品儘可能放在更合適的位置。

在袁流看來，隨着自動化技術不斷成熟，單臺機器人的性能差距會逐漸縮小。行駛速度可能就是每秒 4 米，不會無限加快到飆車；攀爬速度也可能越來越相似。

真正拉開差距的，將是系統層面的效率：自動化區域如何規劃，機器人如何調度，任務怎樣銜接，貨位如何安排，以及整個倉庫的存取流程如何持續優化。

而大模型的引入，正幫助他們將這套優化過程做得更細。

比如，幫助運營人員發現更多過去不容易察覺的優化機會，在任務分配、路徑規劃等環節進行更精細的計算。

還有結合更多算力，提高系統的響應速度和計算頻次。每一秒都有新訂單進來，機器人位置和軌道佔用也在不斷變化。上一刻規劃好的路線，下一刻可能就需要調整。系統必須持續重算、重新分配任務，以毫秒級的計算動態調整機器人調度。

協同的未來

在貓超倉，訂單的旅行終點，是包裝複覈。

每個工作站旁都有一條傳送帶。工作人員將打包好的包裹放上傳送帶，包裹隨即向前流動，進入對面的申通快遞分撥中心。

看來，再聰明的倉庫，也沒有把人完全從作業流程中拿掉。我想起沃爾瑪創始人山姆·沃爾頓自傳里的一段話，沒有整個系統所有那些盡心盡力的員工和卡車司機，那些東西（指計算機、激光制導配送中心）都是沒有用的。

除了分揀和打包，上貨也需要人蔘與。

只見一位年輕的工作人員正在上架區忙碌。他先掃描商品條碼，將商品信息錄入系統。隨后，調度系統便會指揮附近的機器人，將相應的料箱送到他的工作站。

一個上架工作站由 8 個箱位組成。工作人員根據亮起的綠燈，將一包包褲子放入對應的料箱。裝滿一箱后，他按下操作按鈕，指示燈隨即變紅，機器人便會將料箱運回存儲區。 

商品從哪里來、每天需要補多少，也由系統提前安排。袁流説，倉庫會結合現有庫存、商品效期和出貨量，計算商家當天需要準備多少貨、補充多少商品。

與機器人區的大型料箱不同，人工倉貨架上的商品格口要小得多，單個格口能夠存放的商品有限，需要頻繁補貨。機器人也會承擔這部分工作。

袁流認為，這種人機協同的局面，會長期存在。

一個倉庫，機器人應該配置多少台？完全按照旺季峰值配置，淡季就容易出現大量設備閒置；如果只考慮日常低谷，旺季突然湧入的訂單又可能超出系統承載能力。

因此，倉庫會選擇一個相對摺中的配置水平，超出常規產能的部分，通過人工的靈活調配來消化。

現場也能看到這種彈性安排。工作人員穿着不同顏色的背心，其中很多來自第三方人力服務公司。隨着訂單量變化，人工可以相對靈活地補充到需要的崗位上。

而當我們看到分揀工作站旁一臺正在接受揀選訓練的機械臂時，袁流的預測也變得更有説服力了。

單件精細揀選，是行業公認的下一攻關點，我們也在做訓練，但還處於「非常初期」的階段。他説。

機械臂面對的是倉庫里約 3 萬個不同的 SKU。商品的尺寸、重量、形狀和軟硬程度各不相同。抓取一件商品，機械臂需要先識別它的形狀，再判斷從哪個角度下手、應該施加多大的力，才能把它穩穩拿起來。

人手非常靈活。對人來説，這些幾乎是下意識完成的動作，對機器人卻意味着一系列複雜的視覺識別、抓取決策和運動控制問題。

還有一個更現實的難題。倉庫里的 SKU 始終在變化。新品不斷進入，舊品持續退出，要讓機械臂真正覆蓋所有商品，仍有不少技術關卡需要跨越。只要有商品無法被可靠識別或抓取，就必須轉入人工處理。

在揀選之外，設備運維、異常處理等「管例外」的工作，也仍然需要人來完成。

一切爲了履單

我們的理想是服務顧客，因此，我們必須儘可能成為最高效的商品供貨者。山姆·沃爾頓曾這樣闡述公司的經營理念。

爲了兑現這句話，20 世紀 80 年代，沃爾瑪與休斯公司聯手，斥資 2400 萬美元構建衞星通信網絡。到 1987 年，這套系統完成部署，將分散在各地的門店、配送中心和總部連接起來，讓銷售、庫存等信息能夠更快地匯集和流轉。

這只是沃爾瑪數字化建設的一部分。此后，公司在計算機和衞星系統上的累計投入接近 7 億美元。這張覆蓋全球零售網絡的信息基礎設施，為「天天低價」築牢了底層護城河。

多年后，Kiva Systems 創始人 Mick Mountz 也向外界糾偏：「我們發明的是一套履單解決方案。」他從不希望 Kiva 被簡單冠以「機器人公司」。

回看今天的貓超倉，其實也在回答同一個問題。

135 台 ZeeBot 累計跑出了超過 140 公里的垂直運行里程。但這 140 公里最終要轉化成的，是更多商品被及時找到、訂單被準確揀選、包裹按時出庫，並順利交到下一段物流鏈路手中。

在更大的履約網絡中，一套大促應急指揮體系也在全天候運轉。

AI 參與運營監測、風險預警和異常識別；一旦某個環節出現問題，系統便沿着履約鏈路定位異常，推動分鍾級響應，儘可能將局部波動消化在系統內部，減少對消費者體驗的影響。

隨着履約能力提升，平臺能夠將快速送達的服務承諾覆蓋到更多商品，讓倉庫里的效率最終變成消費者下單時看得見的時效保障。

從沃爾瑪的衞星通信網絡，到 Kiva 的機器人履約方案，再到今天高密度穿梭的智能倉群，零售業的底層技術幾經迭代，但商業對極致效率的追逐從未偏航。

誰能用算法、數據與網絡，將龐雜的物理資產編織成一個高吞吐、低延迟、自適應的實時並行處理系統，誰就距離消費者的代理商角色最近。

這套複雜系統所激盪出的工業美學與效率浪潮，正滾滾向前。