物理人工智能：10亿美元仓库自动化竞赛揭秘

新兴技术研究 研究所机构 物理AI：价值10亿美元的仓库自动化竞赛内幕 Senior Research Analyst, MobilityTech and Supply Chain Techjonathan.geurkink@pitchbook.com乔纳森·吉尔金克 pbinstitutionalresearch@pitchbook.com 2026年7月16日发布 投资正加速推动仓储和物流的转型。 关键要点 • 物理AI代表了仓库自动化逻辑的根本性转变。传统自动化依赖于明确的、预先编程的规则，当条件变化时会失效，而物理AI通过学习数据来泛化到新的SKU、布局和场景。这种转变使仓库从静态、设计的系统转向适应性强、基于概率的系统，这些系统随着部署和数据量的增加而得到改进。 • 劳动经济学是物理型人工智能应用的主要驱动力。劳动力占仓库运营成本的50%至70%，该行业面临持续高于6%的空缺率、极端的人员流动率（年流动率高达100%至150%），以及不断上涨的工资，这使得自动化越来越具有吸引力。随着机器人成本下降而劳动力成本上升，自动化在经济上超越人类劳动的交叉点正比操作人员预期的更快到来。 • 自动化仍集中在大型、资金雄厚的参与者手中。亚马逊和沃尔玛主导着美国仓库自动化，亚马逊在其300多个设施中部署了第100万台机器人，沃尔玛承诺投入3.3亿美元用于改造单个配送中心。高昂的前期成本和技术复杂性构成规模壁垒，使小型竞争对手难以逾越，就连克罗格等主要参与者也遭受了代价高昂的失败——与Ocado的自动化相关的26亿美元减值。 • 安全性与认证是物理式AI规模化应用的关键瓶颈。由于物理式AI系统行为具有概率性而非确定性，因此为其在人类工作环境中安全运行进行认证，远比传统机器更为困难。英伟达的Halos平台旨在解决这一责任与认证障碍，这是制约行业大规模部署的关键商业门槛。 • 物理人工智能领域的投资正急剧加速。2026年上半年的交易数量几乎与2025年全年持平，而筹集的资金超过2025年全年总额的两倍，其中几笔交易额超过10亿美元。红杉资本在交易数量上领先，但英伟达的活动显著增加，反映了该公司在物理人工智能领域的更广泛战略推进。 交易活动 过去一年，物理人工智能领域的交易活动显著加速。市场图谱将样本公司划分为六个类别，突出关键细分领域，包括基础模型、训练数据和基础设施、人形机器人以及外部交付等。2026年上半年交易数量几乎与2025年全年持平。这些公司累计筹集的资金额飙升，2026年上半年的数字是2025年全年的两倍多。在过去六个月里，该集团内多家公司的交易规模已超过10亿美元。 红杉资本在人工智能领域的投资中处于领先地位，但英伟达近期尤为活跃。该公司最近的GTC大会以及CEO黄仁勋的的主题演讲都彰显了其对物理人工智能领域的承诺。Khosla Ventures也在投资领域扮演着重要角色。 物流领域物理AI的兴起 物理人工智能正成为仓库自动化发展和部署的关键技术。物理人工智能有潜力克服许多限制物流和仓储中自动化系统部署的障碍。总体而言，仓库缺乏有意义的自动化，全球仅有约25%的仓库实施了某种形式的自动化。1 在最基本层面，自动化涉及仓库管理系统（WMS）、条形码扫描技术和输送系统的部署。下一级别的先进自动化包括自动存储和检索系统（AS/RS）、自主移动机器人（AMR）和机器人拣选系统，这些系统占仓库运营的10%。完全自动化的仓库能够实现“无人化”运行且无需工人是罕见的，像Ocado及其杂货履行运营这样的供应商正努力满足预期，因为像克罗格（Kroger）这样的关键合作伙伴在过去一年中撤回了部署并核销了重大投资。2 仓库自动化的关键驱动因素与挑战 仓库自动化的主要驱动力是劳动力短缺和劳动力挑战、电子商务的增长、空间利用率、安全性和竞争。电子商务巨头亚马逊通过自动化和机器人计划引领行业发展，并在2012年进行了关键收购，如Kiva Systems。然而，仓库和运营员工仍然是公司员工的大多数，占其员工总数的75%，全球人数超过100万。3 2025年，亚马逊宣布已在全球300多个设施部署了其第100万台机器人。4 该公司预计到2033年将销售两倍多的产品，同时通过自动化75%的运营来避免美国员工人数的增加。5 仓库自动化的关键实施挑战包括成本、技术复杂性、劳动力管理以及整体市场因素。前期和持续成本可能非常显著，而且自动化明显倾向于大型成熟企业。亚马逊和沃尔玛主导着美国的仓库自动化格局。2026年1月，沃尔玛宣布投资3.3亿美元，以自动化和现代化路易斯安那州奥佩卢萨斯的一个配送中心，目标是使该设施的运输能力翻一番。该项目是其升级全部42个区域配送中心努力的一部分。很少有竞争对手能够投资于规模哪怕只有其一部分的设施。就连最大的企业也会失误——上述提到的克罗格尔的实施失败——就导致了26亿美元的减值损失。 技术复杂性与技术成本相互交织，涵盖多个维度，包括车队协调和交通管理。即使使用确定性路径规划算法，仓库楼层上的数百台自主移动机器人（AMR）也可能产生难以预测的涌现式拥堵问题，而不同速度、负载、电池状态和任务优先级的机器人会加剧这些问题。集成与编排也是一大挑战。为应对此问题，亚马逊一年前宣布了DeepFleet系统。该系统是一套专注于大规模移动机器人车队协调与规划的基础模型。仓库自动化栈包括：管理库存状态的工作管理系统（WMS）、监督物理设备的工作站控制系统、协调任务分配的执行系统、机器人管理软件，以及企业资源规划（ERP）集成。对于规模较小的竞争对手而言，部署和管理这种级别的复杂性可能令人望而生畏。 确定性方法与概率方法 传统的确定性仓库自动化系统基于明确的、预先编程的规则和固定的逻辑树。每一个决策，包括机器人如何导航巷道、传送带如何分拣包裹或分拣机如何分类包裹，都是由工程师预先编码的，他们预见系统可能遇到的所有情况。这些系统擅长于在受控环境中执行高容量、高度重复的任务，例如用于人货分拣的自动化立体仓库（AS/RS）检索相同的托盘，或处理统一纸箱的传送带分拣系统。它们的可靠性是其优势所在。它们始终如一地、快速地、准确地执行被指示的任务。 可预测的失效模式。但可靠性取决于环境是否与设计中内嵌的假设相匹配。引入一款新SKU、改变楼层布局、路径中出现意外物体，或订单复杂度激增，确定性系统要么停止运行、发生故障，要么需要昂贵的重新设计。本质上，它们是在解决一个封闭的问题：世界必须适应系统，而不是系统适应世界。 物理AI系统颠覆了这种关系。它们不是显式地编码规则，而是从数据中学习世界的表征——例如数十亿个传感器读数、相机帧、机器人轨迹和拣选结果——并从这种经验中泛化，以处理它们从未被显式编程过的场景。由基础模型（如Covariant的模型）驱动的机械臂能够抓取它从未见过的产品，因为它学习了抓取的基本物理原理，而不是一个包含已批准SKU的查找表。像DeepFleet这样的编队协调系统可以预测涌现的拥堵模式，因为它学习了成千上万名机器人交互的动态，而不是因为工程师模拟了所有可能的交互。这种泛化能力是根本性的转变。物理AI系统随着更多数据和更多部署而变得更好，它们的失效模式是概率性的而非二元的，并且它们能够适应真实仓库环境开放性、混乱的特点，而无需从零重新设计。权衡之处在于，它们的行为更难审计，错误更不可预测，并且它们的部署需要一种不同于维护确定性机器的运营规范，这种规范更接近于管理一个学习系统。 物理AI系统正在被开发并部署以绕过人类，从而创造了另一组挑战。传统的确定性自动化系统具有安全模式，但通常被隔离以防止对仓库工人造成伤害和碰撞。当前的系统在接近人类时必须停止或大幅减速，这阻碍了生产力和有效互动，但英伟达和其他公司正在开发系统和平台以克服这些限制。英伟达最近宣布了其用于物理AI的端到端安全系统“Halos”。该系统基于公司自动驾驶汽车的开发，并将其扩展到机器人和物理AI领域。仓库或工厂车间中机器人的安全设计不同于自动驾驶汽车，并且更为先进，因为自动驾驶汽车通常只需避免与人和其他物体发生碰撞。物理AI机器人必须推理其环境，以确定它们可以或不可以触摸、移动或连接什么。Halos是英伟达针对物理AI部署中的核心商业障碍——责任和认证问题的解决方案。没有安全认证，工业客户不会大规模部署自主机器人，而AI系统的认证过程——与确定性机器不同——确实很难，因为其行为是概率性的，无法通过检查进行审计。通过提供一个机器人公司可以在此基础上构建的认证、认可的安全框架，英伟达消除了一个主要的摩擦点。 物理型人工智能的经济论据 经济核心论点归结为一个基本公式：劳动力是仓库运营中的主要成本，且正变得越来越稀缺和昂贵，而物理型人工智能是第一种能够大规模替代非重复性任务的劳动力技术。在典型的履约中心，劳动力占总运营成本的比例为50%至70%。其中大部分是直接人工，包括拣选、包装、分拣、上架和退货处理。与几十年前自动化取代了制造业的重复性组装工作不同，仓库工作因其多样性而难以实现自动化：混合的SKU、不规则的包装、不可预测的订单特征以及不断变化的环境。直到最近，几乎所有工作都需要人工完成。仓库的结构性劳动力短缺问题严重且日益加剧。美国仓库行业的空缺率即使在非高峰期也超过6%。这项工作体力要求高，受伤率高，大型履约中心员工年流动率通常在100%至150%，这意味着运营商必须不断招聘和培训才能维持现状。此外，大多数发达市场的工作年龄人口正在萎缩或停滞，而电子商务量仍在持续增长。 这意味着，即使工资水平保持不变，部署可靠劳动力的成本也会越来越高。然而，工资水平并非一成不变。过去十年中，美国大多数州和欧洲市场的最低工资显著上涨，同时来自其他雇主（建筑、零售、餐饮）的竞争压力也使得仓库工人的工资维持在较高水平。 仓库自动化投资回报计算包含多个组成部分。直接人工替代是关键指标。一个部署成本为300万美元的机器人拣选系统，取代了20名全职拣选员（每人年薪40,000美元——含福利、培训和离职成本的总成本接近55,000至60,000美元），每年可节省110万至120万美元的人工成本。投资回收期约为2.5至3年，扣除维护成本后，此后即代表纯利润。随着机器人成本下降和人工成本上升，这一计算每年都在改善。吞吐量和利用率往往被低估。机器人可7x24小时不间断工作，无需轮班或临时调岗。人类拣选员在8小时班次中大约只有6小时是有效工作时间；而机器人能在全部24小时内维持峰值吞吐量。在Q4电商旺季等高峰期，无法快速增补人力是一个真实瓶颈，但机器人没有这个问题。错误率和退货率在电商领域尤为重要。误拣会产生退货成本、客服成本和重新发货成本，这些成本不成比例地高昂。配备计算机视觉的自动化拣选系统在速度上能实现比人类更低的错误率，从而降低下游成本。房地产效率是自动化立体仓库（AS/RS）的核心论点。自动化存储系统可以利用人类拣选员无法触及的垂直空间，在同一占地面积上使有效存储密度提高2至4倍。在工业地产年租金达到每平方英尺15至20美元以上的市场，更高密度带来的租金节省可与人工成本节省相媲美。工伤赔偿和侵权责任很少被明确建模，但它们确实存在。仓库因背部损伤、重复性劳损和叉车事故导致的受伤率会产生显著的保险费和诉讼成本，因此将人类从高风险区域移除可降低这种责任。 传统自动化——如自动化立体仓库（AS/RS）、传送带和确定性自主移动机器人（AMR）——已经解决了大批量、高度重复性、标准化的任务。物理AI之所以吸引风险投资关注，是因为它能够处理传统自动化无法应对的“长尾”可变性，包括： • 从非结构化货箱中拣选混合SKU（Covariant的核心价值主张） • 处理退货，其性质几乎注定是零星且不可预测的 • 从事非设计用于自动化的多样化任务的类人机器人进行通用型劳动 • 动态协调大型异构舰队（DeepFleet） 可触达的劳动力群体，即物理AI所瞄准的目标，是此前对自动化有抵触情绪的仓储工作，而在大多数仓库中，这部分工作仍占据着工作时间的多数。