亞馬遜揭秘假日物流幕後：AI 與 75 萬臺機器人如何提速送達

每到黑五和網購星期一，很多人在亞馬遜上點一下購買，隔天包裹就穩穩放在了門口。你可能覺得這只是快遞員跑得勤快，但在幕後，亞馬遜其實是在打一場被稱為內部超級碗的硬仗。

亞馬遜最後一公里配送路線與規劃技術副總裁 Scot Hamilton 講過一句話：AI 在這裡就像氧氣，你感覺不到它的存在，才說明它運轉得完全正常。

每天預測 4 億件商品，75 萬臺機器人打配合

在你還沒開啟網頁準備下單之前，亞馬遜的供應鏈最佳化技術 SCOT 就已經開始幹活了。

這個系統每天要預測超過 4 億件商品的需求。它通過深度學習和海量資料，決定把哪件商品、按多少數量、提前備貨在哪個倉庫裡，同時協調全球數百萬賣家的庫存。

其實亞馬遜十年前把深度學習引入 SCOT 時，預測準確率在兩年內就翻了 15 倍。到 2020 年，他們又把大語言模型底層的 Transformer 架構引了進去，做成統一預測模型，專門用來做更長期的庫存判斷。

貨備好了，等你按下立即購買的那一秒，倉庫裡的中央規劃系統會立刻排程全球 75 萬臺移動工業機器人中的一臺去取貨。

這些機器人直接鑽到貨架底部，把整個貨架頂起來送到工人面前。更有意思的是，只要其中一臺機器人摸索出更高效的路線，整個機隊會瞬間共享這個能力。亞馬遜甚至用生成式 AI 造出大量合成數據，提前模擬大促高峰可能碰到的極端狀況，把這批機器人先在虛擬環境裡練透。

會算吸盤數量的機械臂，和讀懂備註的大模型

等包裹打包貼單完畢，分揀機器人 Robin 就該上場了。

面對一堆大小不一、亂七八糟疊在一起的紙箱、軟包和信封，Robin 必須靠 AI 視覺看清誰壓著誰。它得計算自己該以什麼角度伸過去，甚至要精準決定開啟幾個吸盤。吸盤開多了，容易一次吸起兩件貨；開少了，包裹在半空中就會掉下來。

最後一步是把包裹送到你家門口。在麻薩諸塞州的一個配送站，平時每天處理 6.5 萬個包裹，到了旺季能飆升到 10 萬件以上。

為了給每個司機規劃最優路線，後臺有超過 20 個機器學習模型在同時運算。亞馬遜團隊打了個比方，最後一公里配送涉及的決策點，幾乎跟宇宙裡的原子數量一樣多。

現在他們還在嘗試用大語言模型去幫司機解決最頭疼的問題。比如自動讀懂使用者留下的奇奇怪怪的大樓送貨備註，把這些文字和現實世界裡的大樓輪廓、入口通道對齊，省得司機到了樓下團團轉。

為什麼重要

普通使用者感知到的可能只是今年黑五沒爆倉、包裹送得挺快。但對於行業來說，亞馬遜展示了生成式 AI 和深度學習在大模型聊天介面之外的另一種硬核解法。

我們認為，亞馬遜最聰明的地方，是沒有把 AI 當成一個獨立的酷炫功能，而是把它當成了看不見的毛細血管。從預測庫存、排程 75 萬臺機器人、計算機械臂吸盤數量，再到用大模型幫司機看懂門牌備註，AI 已經嵌進了供應鏈的最底層。

這給其他電商和物流巨頭劃出了新的護城河。以前拼的是倉儲面積和車輛數量，現在拼的是誰能在物理世界裡，用演算法消除那幾秒鐘的停頓與誤判。

不過看起來，這種高度自動化的系統也有自己的壓力。全鏈路緊繃追求極致效率的同時，一旦底層預測出現偏差，或者現實世界的路況遭遇罕見的極端天氣，系統內部的糾錯成本也會被成倍放大。如何在複雜多變的真實環境裡保持這種精密運作，依然是亞馬遜每年大促都要面臨的考驗。