仓储与配送：机器人从“演示”走向“常态化”

餐饮供应链长期受困于低温作业和末端配送成本。百胜中国在今年的链博会上发布了一套“全链 AI +机器人运营体系”，直接在零下 18 度的极寒冷库中部署 AGV 机器人完成拣选全流程，同时用重载无人配送车承担全天候运力。这套体系并非实验室概念，而是适配其全国超 18000 家门店的真实运营场景。

更具信号意义的是京东物流的“狼族”机器人军团。截至 2026 年 9 月，京东物流已在国内超 20 个省份、海外超 10 个国家规模化运行各类机器人，服务快消、医药、冷链等多个行业。“异狼”分拣机械臂在多个园区实现 24 小时常态化作业，“独狼”无人配送车也已在国内多地及沙特试点运行。京东物流计划未来 5 年采购 300 万台机器人、100 万台无人车及 10 万架无人机，推进物流全流程无人化。

末端配送的突破同样值得关注。美团的“小黄蜂”室内外配送机器人已在重庆江北机场累计完成近 3.7 万单配送，平均为每位旅客节省 10 分钟取餐时间。其下一代产品将配备机械臂，对商家标准包装的自主抓取成功率超过 95%，并接入大语言模型实现语音交互与航班查询。这意味着配送机器人正在从“移动货架”进化为具备操作能力的服务终端。

这些变化的底层逻辑是一致的：物理 AI 让自动化从“固定流程”走向“动态泛化”。传统产线依赖预设程序，变更即需停机调整；而具备物理 AI 能力的系统可以实时感知环境、动态优化路径，在开放场景中稳定运行。

智能制造：AI 开始“下指令”

神州控股科捷 CTO 张虎坡在 2026 中国数字产业生态大会上给出了一个关键判断：“今年我们看到的是 AI 开始进入到工业领域的执行层面了。”他的观察是，此前 AI 更多是帮助分析问题，“采购、调拨应该怎么做”，但不会下指令。现在 AI 已经进化到可以给出“可执行的具体决策建议”，虽然最终指令仍由人审核确认，但 AI 的建议已经具备了直接指导操作的价值。

这种“从分析到执行”的转变，在包装环节有一个很具体的落地。科捷的 AI 系统会根据货品自动推荐最合适的包材和填充辅材，减少纸箱浪费。张虎坡透露，一个较大的客户使用该方案后，每年包材成本节省达到百万元级别，约占其整体包材成本的 27%。

在制造端，美的洗衣机荆州工厂的 14 个智能体覆盖了 38 个核心生产业务场景。工厂实践显示，智能体以秒级响应完成传统人工小时级任务，平均提效 80%，排产响应速度提升 90%。人形机器人“美罗”在“工厂大脑”的统一调度下，与品质、TPM 巡检等智能体协同，自主执行高频次任务。美的集团 AI 研究院院长徐翼将其定位为“从数字世界到物理世界的闭环”，为解决黑灯工厂的“最后一公里”奠定技术基础。

日日顺青岛智慧物流园则提供了一个供应链层面的样本。这座园区刚刚获评全球首座“大件供应链韧性灯塔”，其核心能力是让 AI 代替人做决策，通过智能调度平台实现订单履约、仓储运营、车辆调度、承运商竞价的全流程智能决策。在世界经济论坛的评审框架中，供应链韧性看的不是规模，而是“能否在剧烈波动中保持稳定输出”。

数据：物理 AI 的真正瓶颈

物理 AI 的竞争，表面上是模型和机器人的竞争，底层却是数据的竞争。

英伟达在 2026 年 CES 上发布的物理 AI 模型 Cosmos，训练数据超过了 2000 万小时的真实场景视频。黄仁勋将物理 AI 描述为让机器“理解并应用重力、摩擦、材料特性等物理规律”，而这些规律的习得，需要海量真实世界的数据投喂。

京东显然意识到了这一点。其 1000 万小时人类数据采集计划正在推进中，每周采集产能已突破 10 万小时，目标是在两年内建成“全球最大的具身智能数据采集中心”。采集的数据覆盖零售、物流、工业等场景中的人类真实操作，首批开源数据集 EgoLive 已向超过 8 个国家的百所高校和科研机构开放申请。

神州控股科捷的张虎坡则指出了另一个现实挑战：“很多企业不是拥有太少的数据，而是拥有了太多的数据和太乱的数据。如果引入 AI，在没有额外知识积累的情况下去理解企业所有的数据和业务时，难度是很大的。”换句话说，物理 AI 需要的不是“大数据”，而是“干净、结构化、与物理场景对齐的数据”。

中国科学技术大学王翔教授的判断是，物理 AI 的核心挑战在于“在开放、动态、充满不确定性的场景中稳定运行、泛化适应”。这恰恰解释了为什么拥有最丰富线下场景和供应链数据的企业，在这场竞赛中具备结构性优势——它们的场景本身就是训练场。

物理 AI 的“中国路径”

从落地节奏来看，中国物理 AI 的推进路径与自动驾驶或通用大模型有所不同。它更像是一种“场景驱动”的渗透：先有真实的仓储、配送、制造痛点，再有针对性的 AI 和机器人方案，然后在规模化运营中持续迭代。

京东的“超级 AI 供应链”是这种路径的典型代表。曹鹏将其描述为“跳出单一技术产品的研发思路”，将算力底座、产业数据、基础模型、端侧硬件与供应链能力深度打通，形成一套可自我迭代的产业基础设施。目前京东的 AI 技术已在超过 3000 个真实场景部署，合作方作业效率最高提升 40%，运营成本下降 25%。

这种路径的优势在于反馈闭环短。每一次分拣、每一次配送、每一次巡检，都在产生物理 AI 需要的训练信号。劣势则在于对组织执行力和场景覆盖密度的要求极高。

物理 AI 的“ChatGPT 时刻”是否已经到来，或许尚无定论。但可以确定的是，AI 正在从屏幕里走出来，走进仓库的低温区、工厂的产线旁、机场的走廊里。它不再只是回答问题的工具，而是开始真正“做事”的基础设施。对于内贸供应链而言，这场变革的深度，可能远超过去十年的数字化。