机器人干活，AI当厂长！这家巨头要造下一代自主智能仓

梦瑶 发自 凹非寺

量子位 | 公众号 QbitAI

具身智能，开始挑战更复杂的生产场景了。

当一众厂商还在围绕拣货、家务等任务探索时，如今有玩家盯上了具身智能产业化的一块硬骨头：智能仓储。

而且野心不小，要让AI接管整座仓库，实现7×24小时自主运行，还能在真实业务中持续学习、自主进化。

这个玩家的名字大家也不陌生，正是全球智能机器人的头部企业「极智嘉」（Geek+）。

就在最近，极智嘉正式亮出《24/7自主智能仓计划》，目标直指物理AI时代的自进化智能仓。

从让具身AI真正干活，到让整座仓库自己运转，物理AI这次直面的，是产业化更深层的考题。

从会干活到会自己管，物理AI开始挑战更难的一关

在AI深入工业场景的过程中，其实一直藏着一个蛮尴尬的事实——

物理AI的自动化程度越高，对人工的依赖反而越集中在最难的环节。

过去十多年，AMR让搬运、存储等大量标准化作业实现自动化，货物甚至能自己找到人。

可一旦进入复杂拣选，面对成千上万种SKU、频繁变化的包装和摆放位置，机器人依旧容易犯难。

这也暴露出仓储自动化长期以来的一道瓶颈：单点效率的提升，已经很难支撑整座仓库的智能化跃迁了。

也正是在这个节骨眼上，极智嘉对下一代仓储智能化的突破口，给出了自己的行业判断：

下一代仓储智能化的关键，是实现7×24小时自主运行、持续进化，并依托全球规模化商业能力，让自主智能仓成为新一代生产力基础设施。

这一判断背后，其实藏着仓储行业越来越现实的一笔经济和技术账。

对客户来说，仓库每多一小时自主运转，就意味着多一小时摆脱人工班次限制的产能。

尤其在夜间和订单高峰，持续稳定的履约能力，直接关系到供应链的响应速度。

更重要的是，能让投入重金的自动化设备真正跑满产能，把夜班用工、现场管理的压力转化为实实在在的运营收益。

但这就意味着，机器人要能处理从未见过的异常，而且整仓系统要能在数百台设备同时运行时自主决策、故障恢复、积累经验。

毕竟，只有整座仓库具备自主应对不确定性的能力，技术上的自主智能，才能真正转化为商业上持续、可衡量的生产力～

基于这一判断，极智嘉提出的《24/7自主智能仓计划》则将全仓自主化作为下一阶段的战略方向，分三步推进：

• 打通全流程：让具身智能接手复杂操作，补齐仓储作业中长期依赖人工的环节。
• 强化智能闭环：让AI从发现问题走向自主决策、动态调整，推动整座仓库越干越聪明。
• 规模化落地：凭借全球交付与本地化运营能力，让自主智能仓真正走进更多商业场景。

而这三个方向，恰好对应着物理AI规模化落地必须跨过的三道坎——

机器人能不能独立完成复杂作业、整座仓库能不能自主决策、这套模式能不能大规模复制。

这套庞大的系统性能力，事实上如今也早已在这家公司多年的技术积累与商业化实践中，长出了真实立体的形状。

机器人长手脚，AI接管大脑，无人仓开始自主进化

具身智能解决方案，让机器人干真活

要让一个仓库真正自主运转，那就首先要解决一个基础的问题——

机器人能否打通端到端的物理作业链路，让自动化从单点突破走向全流程贯通。

单个机器人能干多少活，决定的是单一作业效率上限；整条作业链能否自主闭环，决定的才是无人仓的落地深度。

相比聚焦单机或特定任务的具身智能方案，深耕具身十余年的极智嘉，在真实落地的能力上显然有更深的家底。

其自研的Gravity统一具身智能框架与Gravity 4D具身世界模型，瞄准的正是机器人在复杂环境中的自主操作难题：

前者让机器人理解任务、规划动作，学会先想清楚再动手，后者则让其理解物理空间的几何关系、受力与接触变化。

两者结合，让机器人在面对复杂任务和突发变化时，有了更多自主应对的能力：

• 跨任务泛化： 面对不同材质、形状的陌生物品，不用逐个训练，也能判断怎么抓。
• 动态抗干扰： 物品突然移动、被遮挡，也能及时调整动作，继续完成任务。
• 长程任务执行： 面对多步骤复杂任务，能够自主拆解、规划并逐步完成。
• 自然语言纠偏： 动作出现偏差，不用重新编程，通过语言指令就能调整策略。

此外，基于多模态感知、长程任务推理、4D物理建模与动作规划等能力，机器人如今也开始走进了真实仓储作业。

比如其通用人形机器人Gino 1，既能拣货、搬箱，还能与移动机器人协同，完成连续的拣选任务：

另一边，极智嘉的无人拣选工作站，也开始接手过去高度依赖人工的拣播环节。

在施耐德电气上海物流中心的试点中，这套方案的拣选效率达到人工的2倍，准确率超过99.99%。

在这些具身智能产品之外，其全品类AMR方案也覆盖料箱、托盘、货架等不同存储形式下的大量标准化作业。

这些年积累的端到端技术能力，也恰好为其进一步实现整仓自主运行创造了有利条件。

AI接管调度运营，仓库越干越聪明

机器人能把活儿干完，只解决了第一道难题。

更大的考验在于，当几百台机器人同时开工，整座仓库还能不能自己管好自己。

极智嘉系统平台部副总裁谭文哲在媒体采访中，也谈到了这个长期困扰行业的问题——

传统仓储系统往往各管一摊，调度系统优化机器人路径，业务系统优化订单执行，数据平台负责统计报表。

看上去每个系统都有自己的优化目标，但实际上很难站在整座仓库的角度统一决策！！

△AI生成

而极智嘉这次想做的，正是让原本各自运转的系统，真正拥有一个能够统筹全局的「仓库大脑」。

具体而言，就是将订单、库存、机器人、机械臂、工作站等纳入统一的运行状态体系——

实现从物理运行、数据感知到智能决策的全流程闭环，进行实时、全局的优化。

在仓库大脑的底层，由RMS、WES、IOP三大系统支撑，分别负责机器人调度、业务执行和运营分析。

IOP负责发现问题，WES负责制定和编排策略，RMS负责调度机器人执行，三者相互协作。

而真正让这套系统变得更聪明的，是极智嘉在此基础上构建的全仓智能，通过AI Agent持续强化两项能力：

• 协同智能：让机器人、设备和业务流程能够统一调度，根据实时订单变化灵活调整任务与资源分配。
• 运营智能：让AI实时监控全仓、自主诊断异常、优化策略，逐步减少人工值守。

两者结合，就意味着AI既要管好眼前的活儿，还得不断琢磨怎么把活儿干得更好。

更关键的是，每次调整后的运营结果还能重新反馈给系统，形成「洞察—诊断—决策—执行—学习」的完整闭环。

这样一来，仓库也开始从会执行指令，走向自己发现问题、调整策略，并在长期运行中越干越聪明了～

值得一提的是，目前极智嘉也已经围绕这套流程布局了三类AI Agent——

监控Agent负责识别异常，数据分析Agent负责追查原因、提出方案，部署配置Agent则负责参数调整与策略落地。

这些Agent甚至还结合了极智嘉过去积累的「现场运营经验」和「效率分析框架」。

过去资深仓管人员需要反复排查的问题，如今开始有机会转化为AI能够调用、分析和复用的知识，而且不同层面的优化有着不同的节奏。

在效率上，调度层面的调整甚至可以在几分钟内进行，涉及整体运营策略时，则会结合每天积累的数据持续优化。

仓库运行得越久，积累的经验越多，系统就有机会作出更好的决策，真·闭环了。

从技术到商业交付，全球实践给出答案

智能仓储的产业化竞争，最终还得回到真实场景。

客户真正关心的，是系统能否长期稳定运行、融入现有业务，以及投入后究竟能带来多少收益。

而极智嘉过去十多年的商业化实践，已经积累了不少可供观察的样本。

全球市场侧，极智嘉连续7年位居AMR市占率第一，覆盖40多个国家和地区、超1000家客户，累计部署机器人超8.1万台。

在今年CeMAT展会上，极智嘉更是把全品类AMR和AI全仓调度串了起来，直接上演了一场整仓协同作业。

谭文哲博士在媒体采访中，也给出了衡量仓库「自主进化」能力的几项硬指标。

包括自主处理异常的能力、复杂工况下的吞吐稳定性、连续运行时长，以及故障后的自主恢复效率。

这些指标背后，恰好也指向了《24/7自主智能仓计划》更深层的行业意义：

把资深仓管人员积累多年的隐性经验，逐步变成仓库里「常驻」的智能。

对企业来说，最头疼的莫过于花重金建起自动化仓库，关键时刻却依然离不开人。

而一座真正具备自主运营能力的仓库，就意味着每一分自动化投入，都能转化为持续、稳定的生产力。

未来，极智嘉还计划将经过真实场景验证的机器人、AI与系统能力，延伸到更广泛的物理作业领域。

而在这条从技术走向真实生产力的路上，长期积累与规模化实践的价值，已然变得越来越清晰。