去年大促，一个做小家电的商家发现，同一批货发往同一个城市，有的订单第二天就到，有的压了四天。差别不在快递公司，而在货放在了哪个仓、走的是哪条线路。这类看不见的调度决策，正是 AI 在物流里最早接手的一部分。这篇按分拣、调度、预测三个环节拆开，说清每个环节现在能做到哪一步、卡在哪里，以及决定整套系统上限的两个条件。
一件包裹经过的三段判断，决定了 AI 能插进哪里
包裹从出库到签收，中间要过很多次判断：这件货属于哪个流向、这辆车先送哪几个点、这个仓下周该备多少。三类判断的共同点是重复次数极高，单次判断的价值不高，累计起来却决定成本。人做这些判断不是不行，问题在于一天做几千次会疲劳，疲劳时的一致性会掉。机器不怕重复，怕的是规则说不清，这就是三个环节落地程度差得很远的原因。
三个环节各能做到哪一步
把行业里的说法按动作拆开，边界比宣传口径清楚得多：
| 环节 | 能做 | 不能做 |
|---|---|---|
| 分拣与读码 | 读取面单、识别破损与错分、按目的地控制分流，替代大部分人工扫码 | 处理面单污损到无法辨认的件；判断内件是否与申报相符 |
| 调度与路径规划 | 按路况、时效、载重、禁行时段排出顺序，途中可重排 | 替司机做安全判断；处理临时封路、客户改址这类现场突发 |
| 仓内补货与调拨 | 按历史销量给出补货量、提示跨仓调拨、预警爆仓风险 | 预测从未卖过的新品；判断一次促销的真实力度 |
| 末端配送 | 规划楼栋顺序、生成通知、识别无人接听后的改约 | 上楼、沟通、处理纠纷；判断包裹放在哪里才安全 |
四行里落差最大的是最后一行。前三行处理的是信息，错了可以重算；末端处理的是人和物理空间，错了要有人上门道歉。这个差别决定了很多企业愿意在分拣上投钱，却迟迟不敢在末端减人。
分拣先跑通，是因为错了立刻能被看见
分拣场景有三个天然优势：规则明确，面单上写着目的地；反馈即时，错分件当天就会被下游发现；环境可控，相机位置固定、光照稳定。三点凑齐，模型效果就能被稳定衡量，出了问题也能定位到具体环节。反过来看，凡是反馈周期长、环境变化大的环节，落地都慢。想理解这类视觉识别的基本原理，可以看 计算机视觉怎么从画面里读出信息。分拣的瓶颈往往不在识别率，而在面单褶皱、反光、被胶带覆盖的少数件，它们占比不高，却需要专门的人工复核岗。
预测的价值最高，天花板也最低
备货预测直接对应资金占用：多备一万件，压的是现金流；少备一万件，丢的是订单。这一环理论上价值最高，实际最难做好，原因在于历史数据只能描述过去。大促的折扣力度、竞品的突然降价、一场连续降雨、一条临时管制通知，这些变量在历史里找不到对应样本。行业里常见的做法是分层：常规品用模型算，新品和活动品用规则加人工判断。相关方法可以看 时间序列预测怎么处理季节性波动，也就明白模型对没见过的情形为什么几乎无解。
数据口径与异常兜底，把上限锁死
第一层限制在数据。同一个「库存周转」指标，仓储系统、财务系统、电商后台可能给出三个不同的数，模型学的是哪一套，结果就跟着哪一套走。口径不统一时，预测越精细，偏差越隐蔽。门店搬迁、仓库合并、SKU 编码改版，都会让历史序列断掉，这类偏移有个通名，可以看 数据漂移是怎么发生的。第二层限制在异常兜底：系统擅长处理分布之内的情况，一旦出现大面积延误，需要的是人工决策、跨部门协调、对客户的解释，这些都不在模型的输出范围内。真正决定上限的，往往与算法新旧关系不大，更多取决于异常发生时有没有人接得住。
收件人感知到的变化，和感知不到的代价
对普通人来说，变化体现在三处：承诺时效更准、物流节点更细、异常件更早收到通知。感知不到的是另一面。为了做到准时，系统会把运力往高优先级订单倾斜，低优先级订单的等待时间可能被拉长；为了压缩分拣成本，包裹规格会被要求标准化，商家得重新换纸箱。这些调整不出现在宣传里，却真实影响体验。判断一家物流的 AI 做得实不实，看一个指标就够：承诺的时间窗有多窄，以及违约时怎么赔。
速查：判断一个物流 AI 环节是否真落地
- 规则能不能写成一句话，写不出说明还不到自动化的程度
- 错误多久能被发现，超过一天的环节通常还在人工兜底
- 数据是否来自同一套口径，跨系统对不上就先别谈预测
- 异常发生时有没有明确的接管人和处理时限
