资讯详情
加速物理AI产业化,菜鸟重估AI时代核心资产
壹览君| 2026-11-19 17:27:11
AI、菜鸟、物理产业


出品/未来科技界

作者/杨宇

11月5日,菜鸟在香港智慧港举行AI及具身智能产业合作发布会,会上宣布两件事:

一是向产业伙伴开放全球仓网,打造“全球最大AI及具身智能物流实景训练集群”,支持技术训练、实景验证与产业落地;

二是推出“科技出海三日达”,面向AI算力与机器人企业提供从样机测试、规模化交付到海外运营的全链路供应链服务。会上,菜鸟与多家AI及具身智能领域头部企业达成首批合作。

在未来科技界看来,作为一家全球物流供应链公司,两件事的分量不一样。科技出海三日达是在原有物流能力上叠加新品类,服务对象虽然变了,但生意基础逻辑没变。而训练集群则是把仓网本身交出去做训练场,动的是资产的使用方式。

不仅如此,在会后群访中,菜鸟国际总裁熊伟还明确的划了一条边界:菜鸟不自己造机器人,硬件和基模交给产业界,菜鸟只做“偏场景、偏agent与任务执行的一段”。

一个不造机器人、不做基模的公司,把整场活动最重的发布放在了训练集群上。如果只把它读成“开放生态、支持创新”,就把这个动作看轻了。在未来科技界看来,过去十年菜鸟已经在全球搭建起了一张开放、高效、可持续的智慧物流网络,当前AI及具身智能技术加速从实验室走向真实产业,菜鸟真正的意图是借AI的浪潮给自己这套全球仓储网络重新定价。

仓网为何需要重新定价

过去,物流网络的价值主要由履约效率衡量:仓库能存多少货、分拣速度有多快、包裹能否准时送达。仓网是物流服务的基础设施,也是重资产投入。

但物理AI正在改变这套资产的价值逻辑。

当AI从数字世界进入物理世界,机器人要完成的不再只是识别和计算,还要在真实环境中移动、抓取、搬运和操作。模型和硬件的进步固然重要,但技术要走出实验室,还需要真实任务、复杂环境和持续运行的场景。

这恰恰是物理AI产业化的难点:实验室可以控制变量,却很难完整模拟真实仓库里的包裹形态、货物摆放、作业节奏和突发情况。机器人在演示视频中完成一次抓取,不等于它能在真实业务中稳定工作;在一个仓库跑通,也不意味着能够复制到不同客户和场景。

菜鸟的优势在于,它不必从零搭建这样的试验场。仓库、货物、设备、作业流程和运营体系,已经构成了一个长期运行的真实物理环境。

昆腾动力创始人、前菜鸟CTO李强解释了物流场景的特殊性:物流作业有一定容错空间,包裹抓取失败可以再试一次;同时,包裹形态和作业环境足够多样,能够帮助机器人训练泛化能力。梅卡曼德创始人邵天兰则将物流理解为广义的物体搬运,从工厂内部、仓库之间,到仓库与工厂之间,涉及周转箱、快递包裹、托盘乃至集装箱。

因此,物流不是一个单一工种,而是一组复杂任务的集合。它既有相对简单的搬运,也有需要精细操作和长时间规划的任务。对机器人企业而言,这是一块可以不断遇到真实问题、验证技术边界的试验场。

所以,在IPO撤回,菜鸟国内供应链业务剥离回淘天,丹鸟卖给申通,无人物流车打包给九识后,菜鸟要重新定价的核心资产,并不只是仓库面积或数量,而是由仓库、货物、设备、作业流程和运营经验共同构成的真实场景网络。

过去,这张网络主要承载货物流转,现在,它有机会成为物理AI进入真实世界的基础设施。

训练集群产出的数据为什么值钱

当前,物理AI产业化面临的一个关键瓶颈,是高质量真实交互数据不足。

文本和图像数据可以从互联网获得,但机器人要学会抓取、搬运、分拣和装卸,需要理解动作发生时物体如何变化、环境如何反馈,以及失败后怎样调整。这类数据与真实场景、具体任务和硬件动作紧密相关,难以仅靠互联网内容或仿真环境替代。

据公开行业报告,全球高质量真机数据仅约50万小时,不足大语言模型训练数据的两万分之一,超过90%的采集数据未经精炼无法用于训练。目前,机器人测试验证多依赖企业自建仿真环境,成本高、周期长,且往往难以充分还原真实业务中的复杂工况。而且实验室采集棚里跑出来的数据,场景单一、异常少、可重复,训练出的模型一到真实仓库就失灵。

菜鸟开放仓网的价值,就在于提供持续发生的真实任务。机器人可以在仓库里面对不同形态的包裹、不同的货架和作业流程,积累操作经验;技术公司也可以在真实业务环境中检验模型稳定性,发现实验室里不容易暴露的问题。

但并非所有物流任务都需要同一种机器人,也不是所有任务都能用同一套模型解决。

在发布会的圆桌对话环节,聆动通用创始人季超从强化学习角度解释,短程任务相对容易率先落地,因为它对数据复杂度和长时记忆的要求较低;长程任务则涉及记忆、上下文和连续决策,技术难度更高。曦诺未来灵巧手负责人江鹏也认为,短程任务中夹爪已经比较成熟,灵巧手更有机会从中程、长程任务切入。

这意味着,训练集群不是简单地把机器人放进仓库。不同任务需要不同硬件、模型和训练方法,场景本身也需要被拆解、组织和持续验证。

季超还谈到,具身智能产业要实现突破,除了技术,还需要补齐算力、工具链和数据等基础设施。他用自动驾驶“影子模式”作比喻,认为机器人在实际场景中运行,可以持续产生数据,帮助技术迭代。

但数据伴随业务产生,不代表数据可以零成本转化为训练资产。采集、清洗、标注、筛选、权限管理,以及不同设备和任务之间的数据标准化,仍然需要投入。仓网提供的是数据产生的土壤,能否把现场数据转化为可训练、可复用的数据集,才决定了训练集群最终的价值。

因此,菜鸟开放的并不只是仓库空间,而是一个持续生成真实任务、推动模型和机器人迭代,并在实景中验证技术的入口。它要参与的不是硬件和基模的竞争,而是物理AI从数据训练走向产品化的过程。

重估的另一半与边界

如果说训练集群为仓网增加了数据生产和实景验证的价值,那么“科技出海三日达”则是在原有全球物流网络上,增加面向硬科技企业的服务价值。

机器人和AI企业出海,面对的并不只是把设备从中国运到海外。样机测试、跨境运输、报关合规、海外仓储、备件管理、现场交付和售后服务,都是产品真正进入市场必须解决的问题。

在发布会上,李强明确表达,希望菜鸟帮助初创公司处理运输、交付、服务和报关等专业事务;江鹏希望借助菜鸟的物流能力完成海外客户交付和展会运输;深诣机器人创始人刘凯则希望与菜鸟集成机器人,打磨面向终端客户的整体解决方案。季超期待的也不是单一标准产品,而是针对具体场景提供场景级解决方案。

这些需求表明,物理AI企业需要的不只是物流运输,而是从产品离开工厂到进入客户现场、完成部署并持续运营的服务能力。

由此,菜鸟的两项业务形成了连接:一端是全球仓网作为训练和验证场景,另一端是全球供应链网络帮助技术产品走向海外客户。前者解决技术如何在真实环境中进化,后者解决产品如何交付、部署和运营。仓网由此有了两重基础设施属性:数据生产基础设施,以及硬科技出海服务基础设施。

当然,场景开放并不意味着产业化已经完成。梅卡曼德机器人创始人邵天兰提出了三个检验指标:平均无干预运行时间、现场部署所需人员的能力与时间成本,以及客户ROI。刘凯则把问题落到供给能力上:如果头部客户一次下单1000台,机器人企业能不能稳定、低成本地交付?李强期待的规模化时刻,是客户不再担心机器人影响生产,反而主动争抢机器人。

这些判断指向同一个问题:真实场景能够帮助机器人进步,但场景训练不等于商业闭环。机器人能否长时间稳定运行,能否从一个仓库复制到多个客户,部署和维护成本能否下降,最终能否让客户算过经济账,才是产业化的分水岭。

因此,对菜鸟来说,开放仓网也意味着新的课题:如何明确数据权属和使用边界,如何让不同企业在共享场景中形成可持续合作,如何避免技术只适应某一个仓库、某一类货物。这些问题都需要在实际合作中建立规则。

物理AI的竞争,正在从模型和硬件的突破,转向谁能更快地让技术进入真实场景、完成训练验证,并最终形成可复制的商业交付能力。

对菜鸟来说,仓网的价值因此发生了变化:它不再只是物流履约的基础设施,也可能成为物理AI训练、验证和走向市场的产业基础设施。

这或许才是菜鸟此次开放仓网的真正野心:不是亲自下场制造机器人,而是让自己的全球网络,成为物理AI产业化进程中不可忽视的一环。

转载之前请先阅读转载说明,违规转载法律必究
寻求报道或合作,请点击这里
如果您加入壹览的讨论群,请联系我们的工作人员(微信号:star_3979)