倉儲與配送：機器人從“演示”走向“常態化”

餐飲供應鏈長期受困於低溫作業和末端配送成本。百勝中國在今年的鏈博會上發布了一套“全鏈 AI +機器人運營體系”，直接在零下 18 度的極寒冷庫中部署 AGV 機器人完成揀選全流程，同時用重載無人配送車承擔全天候運力。這套體系並非實驗室概念，而是適配其全國超 18000 家門店的真實運營場景。

更具信號意義的是京東物流的“狼族”機器人軍團。截至 2026 年 9 月，京東物流已在國內超 20 個省份、海外超 10 個國家規模化運行各類機器人，服務快消、醫藥、冷鏈等多個行業。“異狼”分揀機械臂在多個園區實現 24 小時常態化作業，“獨狼”無人配送車也已在國內多地及沙特試點運行。京東物流計劃未來 5 年採購 300 萬臺機器人、100 萬臺無人車及 10 萬架無人機，推進物流全流程無人化。

末端配送的突破同樣值得關注。美團的“小黃蜂”室內外配送機器人已在重慶江北機場累計完成近 3.7 萬單配送，平均爲每位旅客節省 10 分鍾取餐時間。其下一代產品將配備機械臂，對商家標準包裝的自主抓取成功率超過 95%，並接入大語言模型實現語音交互與航班查詢。這意味着配送機器人正在從“移動貨架”進化爲具備操作能力的服務終端。

這些變化的底層邏輯是一致的：物理 AI 讓自動化從“固定流程”走向“動態泛化”。傳統產線依賴預設程式，變更即需停機調整；而具備物理 AI 能力的系統可以實時感知環境、動態優化路徑，在開放場景中穩定運行。

智慧制造：AI 開始“下指令”

神州控股科捷 CTO 張虎坡在 2026 中國數位產業生態大會上給出了一個關鍵判斷：“今年我們看到的是 AI 開始進入到工業領域的執行層面了。”他的觀察是，此前 AI 更多是幫助分析問題，“採購、調撥應該怎麼做”，但不會下指令。現在 AI 已經進化到可以給出“可執行的具體決策建議”，雖然最終指令仍由人審核確認，但 AI 的建議已經具備了直接指導操作的價值。

這種“從分析到執行”的轉變，在包裝環節有一個很具體的落地。科捷的 AI 系統會根據貨品自動推薦最合適的包材和填充輔材，減少紙箱浪費。張虎坡透露，一個較大的客戶使用該方案後，每年包材成本節省達到百萬元級別，約佔其整體包材成本的 27%。

在制造端，美的洗衣機荊州工廠的 14 個智慧體覆蓋了 38 個核心生產業務場景。工廠實踐顯示，智慧體以秒級響應完成傳統人工小時級任務，平均提效 80%，排產響應速度提升 90%。人形機器人“美羅”在“工廠大腦”的統一調度下，與品質、TPM 巡檢等智慧體協同，自主執行高頻次任務。美的集團 AI 研究院院長徐翼將其定位爲“從數位世界到物理世界的閉環”，爲解決黑燈工廠的“最後一公裏”奠定技術基礎。

日日順青島智慧物流園則提供了一個供應鏈層面的樣本。這座園區剛剛獲評全球首座“大件供應鏈韌性燈塔”，其核心能力是讓 AI 代替人做決策，通過智慧調度平臺實現訂單履約、倉儲運營、車輛調度、承運商競價的全流程智慧決策。在世界經濟論壇的評審框架中，供應鏈韌性看的不是規模，而是“能否在劇烈波動中保持穩定輸出”。

數據：物理 AI 的真正瓶頸

物理 AI 的競爭，表面上是模型和機器人的競爭，底層卻是數據的競爭。

英偉達在 2026 年 CES 上發布的物理 AI 模型 Cosmos，訓練數據超過了 2000 萬小時的真實場景視頻。黃仁勳將物理 AI 描述爲讓機器“理解並應用重力、摩擦、材料特性等物理規律”，而這些規律的習得，需要海量真實世界的數據投喂。

京東顯然意識到了這一點。其 1000 萬小時人類數據採集計劃正在推進中，每周採集產能已突破 10 萬小時，目標是在兩年內建成“全球最大的具身智慧數據採集中心”。採集的數據覆蓋零售、物流、工業等場景中的人類真實操作，首批開源數據集 EgoLive 已向超過 8 個國家的百所高校和科研機構開放申請。

神州控股科捷的張虎坡則指出了另一個現實挑戰：“很多企業不是擁有太少的數據，而是擁有了太多的數據和太亂的數據。如果引入 AI，在沒有額外知識積累的情況下去理解企業所有的數據和業務時，難度是很大的。”換句話說，物理 AI 需要的不是“大數據”，而是“幹淨、結構化、與物理場景對齊的數據”。

中國科學技術大學王翔教授的判斷是，物理 AI 的核心挑戰在於“在開放、動態、充滿不確定性的場景中穩定運行、泛化適應”。這恰恰解釋了爲什麼擁有最豐富線下場景和供應鏈數據的企業，在這場競賽中具備結構性優勢——它們的場景本身就是訓練場。

物理 AI 的“中國路徑”

從落地節奏來看，中國物理 AI 的推進路徑與自動駕駛或通用大模型有所不同。它更像是一種“場景驅動”的滲透：先有真實的倉儲、配送、制造痛點，再有針對性的 AI 和機器人方案，然後在規模化運營中持續迭代。

京東的“超級 AI 供應鏈”是這種路徑的典型代表。曹鵬將其描述爲“跳出單一技術產品的研發思路”，將算力底座、產業數據、基礎模型、端側硬件與供應鏈能力深度打通，形成一套可自我迭代的產業基礎設施。目前京東的 AI 技術已在超過 3000 個真實場景部署，合作方作業效率最高提升 40%，運營成本下降 25%。

這種路徑的優勢在於反饋閉環短。每一次分揀、每一次配送、每一次巡檢，都在產生物理 AI 需要的訓練信號。劣勢則在於對組織執行力和場景覆蓋密度的要求極高。

物理 AI 的“ChatGPT 時刻”是否已經到來，或許尚無定論。但可以確定的是，AI 正在從螢幕裏走出來，走進倉庫的低溫區、工廠的產線旁、機場的走廊裏。它不再只是回答問題的工具，而是開始真正“做事”的基礎設施。對於內貿供應鏈而言，這場變革的深度，可能遠超過去十年的數位化。