具身出海，菜鸟先飞

编辑｜Red Panda 菜鸟先飞 过去，想把一个包裹更快地送到全球另一端，物流企业可能要付出上百美元的成本。如今，菜鸟能把这个数字压到一半，同时实现全球三日达。 背后靠的是一个新的效率杠杆—— AI ，以及每年呈 10 倍增长的 AI 支出。 11 月 5 日，在菜鸟香港智慧港举办的 AI 及具身智能产业合作发布会上，菜鸟国际总裁熊伟提到一串让人目不暇给的数字—— 目前菜鸟 AI 辅助配仓占比已经达到 96% ，每年带来数以千万计的成本下降； 商家互动、异常托管以及海外关务归类等环节，也已经有大量工作由 AI 承担。 但菜鸟并不满足于此，它要飞得更高。 发布会上，菜鸟一口气官宣了两项新动作。一个是开放 全球真实仓库场景 作为训练集，加速具身 Demo 走向产品。 另一个是加速硬科技出海。为 AI 算力、机器人等硬科技产品提供「科技出海 三日达 」服务，从跨境运输到海外仓储、售后，提供 一站式 供应链支持。 这「一内一外」，显然一脉相承于菜鸟与生俱来的「科技化、全球化」基因。 熊伟说，很难想象十年后，还能继续沿用今天的作业方式，应对更加复杂、更具挑战性的运营环境，具身机器人能以更快速度实现更大的生产力突破，「至少在这领域，我们希望在未来十年可以实现 50% 的机器人辅助。」 这也是菜鸟此次开放合作的出发点。首先是自己生产力提升需求，菜鸟希望成为这一进程的受益者，也愿意提前投入，推动它更快实现。 同时， 我们正处于未来十年硬科技出海潮的早期。 熊伟透露，过去几年， AI 算力出海几乎每年增长 10 倍。而消费级机器人比较成熟的科技品类已经占到菜鸟收入的 10% ，今年的增长更是翻倍。 它们将是「未来 3—5 年跨境供应链最大的结构性机会」。 想走出 Demo ？先去仓库吧 发布会所在的菜鸟香港智慧港，已经是一座高度自动化的物流枢纽，数百台专业物流机器人在场内有条不紊地运转着。 菜鸟香港智慧港货运中心自动化码垛机 过去十多年，菜鸟已经在全球物流环节投入了 上万台 专业物流机器人，但现场仍有大量工作离不开人。比如上货、分拣、打包、贴单。这些对泛化、手眼协同和执行能力要求更高的任务，很难被传统技术覆盖，也成为菜鸟引入具身智能重点探索的方向。 今年，算是具身真正进入产业应用第一年，我们对物流率先实现新技术规模化落地充满信心，熊伟说。未来十年，全球整体机器人体量会达到 数千万台 ， 增长最快的一定是具身机器人 。 为什么菜鸟认为物流会率先成为物理 AI 的落地场景？ 首先，物流是一个规模足够大、任务足够丰富的真实物理世界 。 它覆盖生产、仓储、运输、分拣、装卸等大量物理操作的庞大场景，机器人可以找到的任务远不止搬运。 即使机器人执行的动作相对标准，操作对象本身却千变万化。以快递分拣为例，实验室里可能只有几百个包裹、十几种类型循环测试。但在真实物流现场，每小时可能要处理 1000—2000 件包裹，一天下来面对几万个不同的包裹。 这些包裹有大有小、有轻有重，还可能相互粘连、挤压，摆放位置和排列方式也各不相同。 环境也不总是那么理想。光线、温度、湿度，甚至粉尘，都可能影响机器人的感知和操作。 实验室里练熟几个动作，到了真实仓库未必还能照样完成。机器人需要应对的，是一个不断变化的物理世界。 其次，「半结构化」环境，难度刚刚好。 相比家庭等开放环境，仓库的通道、货架和作业流程相对规整，有明确的规则；但商品、位置和摆放方式又不是完全固定的。这就给机器人提供了一个不错的练习环境，既能接触真实世界的复杂性，又不必一开始就挑战家庭那样高度开放的场景。 而且，机器人不必一开始就替代所有人力。能够稳定完成的工作，先交给机器人，暂时还无法独立完成的任务，仍然可以由人工和现有作业流程兜底。 物流部分任务还有一定的试错空间。比如拣选商品，机器人第一次没抓起来，可以调整姿势再试一次。遇到实在处理不了的异常，还能交给现场员工接手。 相比一些对精度和安全要求极高、出错就可能造成物料损坏的工业任务，物流的部分作业更容易留出调整和纠错的空间。 第三，有机会形成一个持续运转的「数据飞轮」。 具身智能要从「能做一次」走向「长期稳定地做」，关键在于真实场景里的持续训练。而物流恰好有源源不断的任务。每一次抓取、搬运、拆箱、码垛，都是一次真实的物理交互。机器人做对了什么、在哪里出了错、经过怎样的调整才完成任务，都可以沉淀为有价值的数据。 熊伟特别提到，现场数据不仅包括成功操作，也包括出错后经过纠正的数据。这些经验能够帮助模型不断提高可靠性。 更重要的是，物流里练出来的能力具有泛化性。 比如，仓库里拣选商品，与超市、药房里的类似拣选任务，在操作逻辑上就有不少共通之处。一个场景里积累的经验，有机会迁移到其他相似任务中。 这样一来，物流就不只是一个垂直应用场景，也可能成为具身智能训练通用操作能力的重要练兵场。 在圆桌环节，聆动通用创始人兼 CEO 季超也指出，未来几年一定是产品级的满足需求。 他进一步解释说，这一轮具身智能首先迎来了技术突破，但突破更多发生在实验室里。要真正把技术带进产业，还需要补齐基础设施。 所以过去一两年，整个行业都在集中补课，包括算力、工具链、数据等。等这些基础设施逐步完善，具身智能有望迎来新一轮爆发。 三分场景，落地不必等到世界模型 ready 过去十多年，菜鸟在物流场景中尝试过各种技术和产品。他们发现，通用本体搭配具备泛化能力的大脑，经过预训练，已经能够在不少场景达到「 80 分可用」。但从能完成任务，到真正适应产业现场，还有一段距离。 关键在于让机器人进入真实场景，在使用过程中持续学习。 比如，通过模型参数调整、后训练，以及 In-Context 能力，机器人可以在实际操作中不断练习、改进，逐步达到「 95—98 分」，基本完成产品验证。要进一步实现长期稳定的产业应用，还需要继续迭代到「 99 分，甚至 99.99 分」。 这个过程中， 现场数据非常关键 。熊伟强调，既包括机器人正确完成操作的数据，也包括操作出错后经过纠正的数据。机器人每一次执行、调整和纠错，都能为模型后续迭代提供有价值的经验。 这也是菜鸟此次开放真实物流场景的重要原因。 菜鸟拥有全球 数百万平方米 的仓储网络，长期服务快递、电商、快消、汽配等 数十个行业 。发布会上，菜鸟宣布面向产业伙伴开放 数十个行业、上百种 真实 PoC 场景，涵盖仓储拣选、智能导航配送、高空巡检、安防运维、航空物流、汽配管理等领域。 这些场景里有海量 SKU ，商品的尺寸、形状各不相同；有大促期间突然涌入的订单，也有随时变化的作业任务。机器人面对的，将是一个充满多样性和不确定性的真实环境。 不过，真实场景如此复杂，机器人公司应该从哪里开始？ 结合多年专业物流机器人应用经验，以及对具身智能技术发展路径的判断，菜鸟将物流场景划分为三个层次： 短程泛化、中程精准和长程策略 。 简单来说，就是从做好一个动作，到完成一连串操作，再到自主规划一整段作业。三类场景对机器人的能力要求逐级提高，商业化成熟度也有所不同。 菜鸟会结合自身的产业经验和技术创新经验， 帮助具身智能企业找到更容易突破的切入点。 所谓短程泛化，就是先把一个动作做好。 这类任务通常比较短、重复性较高，作业环境相对固定，对精度的要