2026年的时候, 物流行业里出了一件事。这件事规模其实不太大, 但是信号意义很足。中国最好的两家快递企业, 一个是顺丰, 另一个是京东物流。还有中国邮政体系, 它正在全国范围内推进分拣智能化的改造工作。这三伙人, 先后把属于同一个细分领域的订单, 都交给了同一家AI公司, 这家公司叫亚略特。

在顺丰的中转场里面, 这套系统已经稳定地运行了很长的时间；而在京东那里, 多种类别的分拣线体都已经全面铺展開来；到了9月份的时候, 中国邮政的电子采购平台把公示的时间段走完了, 亚略特这家公司就正式地、名正言顺地中标了广东邮政省际中心的AI错分监测报警系统建设项目, 这个结果就是邮政体系里面关于错分监测项目招标的标志性第一胜。

在快递错分识别这样一个非常细、专门程度很高的赛道上, 有三家背景不同、运行模式不同、技术栈也不同的企业, 它们同时做出了同一种选择。

其中一边是市场化程度最高的那家头部快递企业, 这家企业把时效和准确率当作品牌的生命线；另外一边是体系特别庞大、并且特别讲究标准的邮政系统。这两条完全不同的线路, 最终都指向了同一个名字。

这背后的那种逻辑, 其实是非常值得我们去从六个不同的层面一个一个来进行拆解分析的。

一、一个”小概率”的大账

0.03%就是头部快递企业用来控制自动分拣机出错比例的内部标准, 按照这个标准来说的话, 就是在理想状况下每送出去一万的件包裹是允许里面有三个包裹被分错的, 如果单从只看这个数字的角度来看的话, 那这个数值几乎是没有什么影响的, 或者说几乎是可以不去管它的。

但是要是放在真实的业务规模下面来看的话, 就是一个位于一线城市附近的大型快件中转场, 它一天能够处理100万件快递的那个场景里, 那个0.03%的差错率就代表着每天会有多达300件的快递被分拣给弄错了。

这每一件被弄错的包裹都需要经历被取出来、再回流回去、然后重新去分拣、再进行再次中转这一大堆繁琐的操作过程, 并且这些包裹大多数都是没法赶上原本给出的时效承诺的。

而这300件的代价, 从来就不仅仅是”分错了重来一次”那么简单, 一件错分包裹的完整成本, 它是包括四层结构的:

所谓的回流处理成本, 具体包括把包裹从搞错的线路里取出来的人工费用、二次回拨的运营费用、还有重新分拣的人力与运力支出。按照行业里面通用的计算方式来看, 对每一件包裹的综合处理成本进行分析的结果表明, 其花费会在几十元到一百元的范围内浮动。

从四个层级进行叠加计算的时候, 按照行业内通用的统计口径来测量, 可以得出一个结论, 就是对于任何一个超大型的、处理量达到百万件级别的中转场来说, 它在一年的时间里因为错分而遭受的损失, 总额可以达到数百万元的数量级, 需要特别说明的是, 在实际的运行过程中, 错分的情况比统计的要多得多, 所以实际的损失也远高于前面提到的数字, 面对这样的情况, 对于那些运营了有几百个中转场的头部快递物流集团而言, 这笔钱就变成了一张账单, 这张账单常年都躲在财务报表的角落里, 很少有人注意到。

像顺丰还有京东这些行业里的龙头老大, 人家把时效性以及准确率当作自己的命根子, 所以说每一件被分拣错的包裹, 都直接地在消耗着他们对客户的服务承诺, 这里面流失的东西可不仅仅是快件本身, 更重要的还有用户的口碑。

二、三重放大器：这笔账仍在变大

更值得人警觉的是, 实际上的分错比率并没有停在那个理论算出来的数值上面不动。三个结构性的力量, 正在不停地往上推高那些实际发生的损失情况。

第一重, 也就是所谓的那提速悖论。咱们国家的快递业务量的增长速度, 那是每年都保持在百分之十三以上的高位。在这样的情况下, 中转场如果要增产, 但是它偏偏又不扩容的话, 那它能走的路子就只有一条, 就是去把分拣线的速度给拉上去。

可是, 速度和精度这个东西, 它们在物理意义上就像是那个跷跷板一样, 这边高了那边就得低起来。皮带跑得越快了, 包裹它出现的漂移、失速或者是弹跳这种现象就越严重。那些轻飘飘的超轻件, 甚至会有脱离预定轨迹的风险存在。

所以你看看, 你费劲全力换来的那个产能效率的提升, 最后有一部分是被那个错分率跟着一起上升给抵消掉了这回事。如果不提升运行速度, 那么业务量这部分东西就没法接得住或者处理得了。但是如果把运行速度提升了, 错开包裹和分错包裹的那个比率也会跟着涨高。

这种情况就是出现在快件中转场运营管理这里的困局, 就像大家都在博弈然后陷入了进也不是退也不是的这种状态一样。

这第二重含义, 是说现在出现了非标准件的这种大趋势。像联邦快递还有DHL这些在全球范围内都很大的快递公司, 它们统一地使用几种特定规格尺寸的快递包裹箱。

这样做的原因, 绝不仅仅只是为了考虑到公司的品牌形象那一方面的事情而已——因为如果是标准化的这种包裹形态的话, 那才能够被那些分拣机器上所执行的标准化的动作给进行一个分拣操作。中国邮政快递业不具备这一前提条件。即便是像顺丰和京东这样处于头部位置的企业, 也没有能力去要求全链路达到标准程度。

因为电商领域的价格竞争一直在持续推高超轻件、软包以及异形件的快递包装在其中的占比。直播电商得到了兴起, 同时全域退换货服务变得极为普遍。这些因素综合起来, 导致那些品相参差不一、面单褶皱的电商件以及退货件大规模地回流到逆向分拣的流程中。而这类物品恰好就是那些分拣机器最容易出错的分类对象。

第三重, 也就是量增的基数, 这里头有一个公式, 那个错分损失的绝对值, 它是等于错的比率乘以业务的量的。这个业务的数量, 是以超过百分之十三的速度在复利增长着的。

即便, 那个错的比率它没有发生什么变化, 可是那个绝对的损失也是以同样的速度快膨胀起来的。二零二五年双十一个单日最高的那个峰值已经达到了七点七七亿件, 这个最高峰的日的错分压力, 是平常日子的好几倍多。

我们要得出一个三重叠加的结论, 首先呢, 设备在标称上写着的那个百分之零点零三, 那个数字其实它是来自于理想测试工况下的, 它并不是普通的日常状态；然后, 在真实运营的情况之下, 提速变得更快了, 出现了很多非标准化的操作, 快件的量也大幅增加了, 在这样的环境里, 实际的快件错分率是远高于大家预期的；最后, 一笔看起来似乎恒定的小概率的损失, 它实际上变成了一个持续变大的变量。

三、技术分水岭：先”看见错”，更要”知道该有什么”

要搞明白这套AI错分系统的能力边界究竟在哪里, 我们得先把目光转回到当前大多数中转场都存在的实际状况上去。在如今的中转场里, 普遍只配备了分拣机这个设备, 而没有配置能够识别出错分问题的技术手段。

快件分拣机是一个执行者, 而不是一名核验者。它会按照指令来进行落件的操作, 如果有两件包裹挤入了同一个分拣槽口, 它是没有办法感知的；如果包裹应该落下却没有落下, 或者是包裹随着皮带越过槽口, 它也不会回过头去进行确认；当槽口堆满、包裹卡在摆轮上时, 它最多只能上报一个设备过载的情况。

在没有识别系统的状态下, 错分这件事就是沉默的——它就发生在几分之一秒的落格那个瞬间, 不会发出报警, 也不会留下什么痕迹, 皮带照常运转。

在这种情况下, 对错分现象进行发现的操作, 通常是依赖于这两条路径来完成的, 其中的一条路径是由下游的分拨中心进行倒查工作的, 这时候包裹基本上已经到达了错误的下一站了, 至少会有数小时的时间被消耗过去, 而另外的一条路径则是客户投诉进行的回溯工作, 这种情况下时间就更长了, 至少会等到第二天的时候才会被发现, 这时候因为赔付操作和口碑损失都已经实实在在的形成在了那里。

所谓的发现滞后, 它的意思就是四层的损失已经是全额发生了这样一种状态。然后是错分不能实时定位这件事情。这意味着什么呢?

这意味着只能去依靠人工的方式去翻查录像与记录。如果要做到追溯一次错分记录来分析原因的话, 是需要耗用大量工时的。

AI技术在处理错分识别这个问题时, 它的第一个层面的价值, 其实就是让人能够看见出现了错分的情况。采用视觉方案的这种方式, 可以让那些在画面里面呈现出异常特征的错分事件被实时地捕获到。

这些情况包括包绕错分, 就是指的有一个槽位同时落入了两个包裹；还有槽口堵塞, 这表示包裹发生了堆积；还有槽口滞留这种现象；以及摆轮卡件这种问题。无论是多出了物体这种情况, 还是物体静止不动这种事情, 都可以被实时识别出来并且发出报警信号。

到了这一层, 错误分布情况, 从原本那种没有人关注的沉默状态, 变成了能够被清楚看到的公开状态, 发现问题的时间点, 从原本要等待好几个小时的时间, 直接被压缩到了现在此时此刻的这一瞬间, 也就是当下之中, 中转场所属于这个环节的地方, 是头一次能够具备, 对于每一个特定的槽口位置, 实施不间断的持续监看和检查的一种能力。

但是还有另外一类型错误分类现象, 它并不会在图像画面里, 直接表现出任何看起来异常的识别特征。

分拣机落格的指令下达到了, 那个槽口现在应该有一件包裹掉下去, 可是这个包裹并没有掉下来, 槽口还是空的, 传送皮带依然照样在转动, 从画面来看一切都在正常进行的状态之中, “应该掉落却还没有掉落”这种状况通过肉眼观察没有办法判断出结果, 这是因为出现在眼前的画面上面本身就没有包含“此时此刻应当存在一件物品在下落”这样的参照信息这一点, 那些特别轻的包裹在空中飘得到处都是或者没有正好对准槽口提前错过了槽口或者是晚了一点才错过槽口的情况, 同样也被掩盖在了这幅看似很正常的画面背景里面去而不被察觉。

所谓“看见错”, 其实指的是看见了画面里面那些显得多余的部分以及出现的滞留情况, 而分错的原因如果是因为画面中本该出现的东西不见了, 这就是所谓的“缺席”, 这种状况下需要的是明白这里本来应该有什么, 判定基准一直摆在那里, 当包裹经过扫描仪的时候记录了时间戳, 系统依据皮带的速度来算出它到达槽口的那个时间点, 并且在这个时间点去触发落件的动作去发出分拣信号, 这个分拣信号就是关于什么是正确的最自然的来源。

事实上, 在数十年的时间里面, 那么这一种信号的运用, 它仅仅是在服务于自动化分拣这个环节上面, 而从来就没有被用来去对分拣的结果进行核验。

亚略特把这个路径给完整地实现了工程化。也就是系统去深度对接那些分拣的信号, 比如PLC或者是摆轮以及ASCS这些信号源。然后同步地把扫描到的时间戳信号还有落格的指令都读进来。每一次有指令下达以后, 都会在对应的所谓的终点时刻那个点上, 启动这一个槽口的视觉核验工作。

因为信号指示的就是这一刻、这个口应该落进去一件东西。这时候视觉核验去看的就是实际到底是怎么落进槽里的。就是把这种预判和事实给在时间和空间上都对齐了。那么画面里要是没有发现什么异常特征的话, 那些错分的毛病就全部都被显出来了。

这事情就叫作多模态的错分和识别情况, 其中有一条输入的线路是来自对面单进行识别所产生的信号, 另外还有一条输入的线路是来自于视觉的画面, 这两路信息一起协作, 并且构成了两种不同的工作模式。

能够看清楚错误的地方, 更知道应该有什么。在画面中那些多出来的东西是藏不住的, 同样, 缺少掉的东西也是藏不住的。把这两种情况结合起来一看, 正好就对应上了中国邮政在进行招标时所需要的完整检测需求。

广东邮政省际中心这个地方发布的招标方面的条款, 大家是值得拿出心思来仔细读一读的, 里面有一条关于分拣设备的规定写得非常具体, 那就是这个分拣设备需要按照规定好的时间间隔, 去向那个AI系统发送用于校对时间的信息, 并且还需要往下级下发那种表示物品落入指定格口的信号, 这一条实际上就是把所谓信号对接的这个事情写进了硬性的技术条件当中去, 任何一套方案, 如果不带有信号功能的话, 就无法建立起用来核验的基准, 这样的话就很难去满足最后的验收要求, 还有另外一些数据指标也被列出来了, 比方说错分出来的检出率要达到百分之九十及以上, 停留下来的检出率要达到百分之九十五及以上, 卡住的件被检出的概率也要达到百分之九十五及以上, 而出现错误警报的概率不能超过百分之二十五, 这里头把停留和卡住这两个情况单独拿出来作为考核的项目了, 既然这么做了, 同时又要求那种通过视觉来进行持续监测的功能必须是始终在线并发挥作用的。

信号还有视觉相关的东西, 被一块儿写进了那个及格的分界点里, 招标这一方认可的是能够把内容全部都覆盖到, 而不只是去宣传单一的识别准确率达到多高。

这个方案经过顺丰的实测试验, 其错分检出率超过了95%, 抓拍响应的时间低于50毫秒, 配合PDA与智能手环所形成的处置闭环, 纠错完成率大概达到了80%。

这一种逻辑, 正是现在最热的那个物理 AI, 也就是人工智能这种技术在物流现场开始落地使用。商业界把它看作是人工智能接下来的一个前沿技术点。

如果我们假设生成式人工智能处理的都是像文本和图像那样的数字信息的话, 那么物理 AI 面对的就是真实世界里当前正在发生的事情, 这些事情包括物体具体在什么地方存在、物体按照什么样的规律在进行运动状态的变化, 以及在当前的时间点以及当前的地点里, 本来应该发生怎样的状况。

它去追求的不是看起来像样子, 而是算得非常准确。因为物理世界的容错率是非常低的, 落格这种情况只发生在几分之一秒的时间里面, 所以事后回去看是没有一点意义的。

AI错分系统出现了, 让分拣生产线才开始初步拥有了对物理世界的一种认知能力: 它清楚这一秒钟、这个特定的槽口本来应该有什么东西存在, 于是它也明白什么东西是没有过来的。

四、物理AI跑稳在快递中转场的两个前提

识别精度之外, 一套物理AI系统是否能够真正地在生产现场里面运行, 要看两个常常被低估的前提是怎样的, 这也是亚略特”AI落地”主张的具体注脚。

第一, 要采用能够和生产线的现在实际情况进行匹配、并且能够结合起来进行安排的部署方面的架构。

系统是按照“端——边——云”这样三层架构来进行灵活配置的, 具体来说呢, 这个端层就是指的每滑槽都配备了一台摄像头, 或者使用的是那种端边一体的智能摄像机, 也就是让算法在前置环节进行一些处理, 然后这个边层就是可以根据相关的实际需求来部署边缘算力单元的, 它能够就近去对接那些分拣信号的, 从而实现毫秒级别的本地响应这样的效果, 并且这一点是不会占用企业内网的带宽资源的, 最后呢这个云层是在运行行业模型管理平台这样的东西的, 同时呢也可以加装一些大算力的服务器, 以此来实现对全网设备进行统一管理以及支持断网状态下可以正常运行这样的功能。

中转场可以按照产线的具体条件去自由选择搭配设备, 因为产线能够快速部署那种叫做“端加边加云”的标准组合方案, 又或者能够根据对算力和网络配置的实际需求, 来定制化搭建一种结构极简的叫做“端边一体”的架构形式, 在整个过程中完全不需要对分拣机进行改造, 也不需要停止生产就能够直接上线运行。

这种能够实现工程约束条件的实际能力, 直接决定了相关的项目到底是否能够成功落地见效。