仓库自动化模型已失效。物理 AI 使其更快、更可靠，并值得投资。
Unit AI 首席执行官 Guy Glass & Avi Barkay，联合创始人
尽管在仓库机器人领域投入了数十亿美元，但估计有 80% 的仓库仍被排除在直接面向消费者（DTC）自动化之外。传统系统成本高达数百万美元，需要大规模设施建设，且投资回报周期长达数年。与此同时，全渠道履约正迅速成为一项基本要求。曾经只处理可预测的托盘和箱装货物的设施，如今需要在同一屋檐下管理三种截然不同的运营流程：批发、零售补货以及 DTC 电子商务。在这三者中，DTC 无疑是最复杂、劳动密集型且成本最高的。订单不断变化，退货不断到达，库存位置与预期不符，产品组合和出货量每小时都在波动。然而，大部分仓库自动化系统是为相反的场景设计的：可预测的产品、预定的工作流程以及高度受控的环境。其结果是，现代仓库的实际需求与传统自动化旨在提供的能力之间存在根本性错配，尤其是在运营商最终关心的三个核心指标上：处理速率、可靠性和投资回报率。
物理 AI 提供了一种不同的方法。通过将机器人技术与能够感知环境、做出决策并根据条件变化进行调整的软件相结合，自动化不再依赖高度工程化的设施和预定的工作流程。新的模块化系统可以在仅 1,000 平方英尺的空间内运行，最快 7 天即可上线，并随着需求增长而扩展，从而使得在不为技术重新设计整个设施的情况下，实现 DTC 核心单件物流的自动化成为可能。
这种转变不仅改变了技术本身，也深刻影响了仓库自动化的经济模型。传统系统可能需要占用数万平方英尺的空间，且投资回报周期长达五到六年；而模块化物理 AI 则能在不到一年的时间内实现投资回报（ROI）。零售商和第三方物流（3PL）企业无需基于对未来几年运营状况的大规模前期押注，而是可以“着眼大局，从小处着手”：今天先自动化特定工作流程，随后逐步扩展。这开辟了一条通往最关键三项衡量指标的全新路径。
从固定自动化到物理智能
传统自动化擅长以相同的方式反复执行相同的任务。自动化存储与检索系统、输送线及其他固定基础设施能够在操作员清楚知道移动什么、目的地在哪里以及工作流程如何展开时，高效地处理海量货物。
DTC 和电子商务改变了这一局面。仓库越来越多地需要在不断变化的订单组合中拣选、搬运和处理单个商品，而非通过可预测的流程移动托盘和箱装货物。退货进一步增加了变数。对于管理电子商务履约的零售商和 3PL 而言，自动化不能仅仅更快地执行预定任务，它还需要感知周围环境并在实时进行调整。
这正是物理 AI 所带来的转变。通过将机器人技术、软件、感知能力和现实世界中的决策能力相结合，机器能够与单个商品交互，优化库存访问，并适应产品、订单和工作流程的变化。物理 AI 允许自动化系统更好地响应 DTC 和电子商务履约的动态需求，而不是围绕固定的自动化系统来构建仓库。
这种区别至关重要。下一代仓库自动化将不再由操作员能部署多少机器人来定义，而是取决于这些系统能否智能且可靠地执行电子商务所要求的、日益多变且单件化的作业。
模块化程度越高，可访问性越强
对许多运营商而言，阻碍他们采用新一代自动化的因素从来不是缺乏兴趣，而是实施的成本、复杂性和风险。
大规模自动化项目可能需要巨额资本投入、设施重新设计、漫长的集成流程以及对运营工作流的重大调整。这种方法对于规模非常大、高度标准化且需求可预测的设施来说可能是合理的。但当仓库面临需求波动、客户群变化或资源有限时，这种做法就难以证明其合理性了。
这一挑战对第三方物流（3PL）企业尤为严峻。昂贵的自动化设备通常作为特定客户合同的一部分购买，这实际上将该投资与单一客户绑定，限制了其在设施其他区域的使用。为了在多个客户之间部署自动化，3PL 通常必须自行购买该系统，承担巨大的前期资本支出（CapEx），并面临客户组合、产品数量或合同发生变化的风险。这使得灵活性不仅成为一项运营要求，更成为一项经济要求。
负担得起的模块化自动化允许运营商直接购买自动化设备，并在多个客户之间共享利用，从而提高投资回报率（ROI）和资产回报率（ROA）。更具模块化的方法还通过允许运营商在不重建整个设施的情况下自动化特定工作流程部分，来解决这一限制。用于电子商务履约和退货等工作流的标准化、灵活系统可以添加到现有仓库环境中，而无需进行全仓库范围的重置。自动化不再必须是一项非此即彼的投资。
这也意味着运营商可以在业务量增长时扩展自动化，而不必提前数年预测自身需求。对于中小型零售商和 3PL 企业而言，能够从小规模起步并快速扩展的能力，可能正是决定自动化是仅具理论吸引力还是具备商业可行性的关键。
电子商务需要适应性
现代仓库绝非静态不变。客户流失、库存组合变化、订单数量波动，以及退货可能在一天之内创造出完全不同的工作流。这种转变也在改变仓库的设计和运营方式。传统设施主要优化于空间和存储密度；而电子商务领域的赢家越来越优先考虑速度和可访问性，强调能够快速定位、拣选和移动单个商品。因此，对于零售商和 3PL 企业来说，自动化不仅要更快地执行相同任务，还需要随着周围运营环境的变化而适应。
供应链领导者越来越认识到这种需求。根据 MHI 和德勤发布的 2026 年报告，受访者认为人工智能是影响供应链的最具颠覆性的技术，72% 的人将其影响归类为“显著”或“变革性”。机器人技术和自动化排名第二，39% 的人认为其影响显著或更大，较 2025 年上升了 16 个百分点。这种势头尤为重要，因为仓库和供应链本质上是结构化程度较低的环境：产品流动、库存变化、订单波动，意外情况是常态。物理智能赋予机器感知和响应现实世界中这种可变性的能力，使自动化从单纯替代人工任务转变为帮助供应链应对复杂性和变化。
对于零售商和 3PL 企业来说，更大的机会在于让自动化惠及目前估计仍有 80% 的仓库基本未实现自动化的现状。这需要一种根本不同的模式：一种允许运营商从小处着手、在不重建设施的情况下自动化特定工作流，并随着业务量和需求变化快速扩展的模式。衡量下一代自动化真正的标准，不仅在于它适应未来的能力，更在于它多快且多经济地能在今天开始创造价值。
自动化必须更贴近需求
现代商业很少能让运营者对未来的情况、库存需求地点或货物移动速度有明确预期。随着电子商务不断提高对配送速度的期望，零售商正在重新思考库存的存放位置，将更多快消品分散部署在更贴近消费者需求的地方，而不是完全依赖大型集中式履约中心。这为自动化带来了新的挑战：它必须变得更小、更灵活、更具互联性，并且成本足够低，以便在整个分布式网络中部署，而不仅仅局限于行业内最大的设施内部。
仓储机器人行业多年来一直在证明自动化是可行的。接下来的挑战是让自动化在更多工作流程、更多设施以及日益分布式的履约网络中发挥作用。这正是物理人工智能改变局面的地方。
物理人工智能提供了一条更易实现的路径：更小的系统、智能软件、模块化部署，以及对定义现代商业的工作流程进行自动化的能力。这一转变的意义不在于每个仓库都会突然变得自主运行，而在于自动化正从取代整个仓库运营模式，转向为运营者提供有针对性的、可扩展的工具，以解决特定的瓶颈问题。
电子商务催生了一种围绕单个订单、单个商品以及日益个性化的客户期望而构建的仓库模式。自动化基础设施必须跟上这一变化。成功的仓库未必是拥有最多机器人或最复杂基础设施的那些，而是那些在工作内容和单位经济模型发生变化时，其自动化系统仍能保持同步的仓库。
物理人工智能或许最终能使这一切成为可能——不是出于自动化本身的目的而增加更多自动化，而是通过加快部署速度、确保可靠性以适应电子商务的波动性，并实现足够的经济性，从而为传统自动化未能覆盖的仓库带来投资回报。