摘要
- Amazon 部署的一百万台机器人是其制造和车队运营规模的有力证据，但并非一百万个可互换的自主工人。大部分机群在结构化设施内移动货架、穿梭货架或包裹；困难的物品级拣选和存放仍在使用资格筛选、重试、人工交接和更窄的部署范围。
- 最佳的公开任务证据来自生产研究而非发布公告。Robin 的学习型拣选排序在大规模车队测试中，与启发式基线相比减少了失败。一次 Vulcan Pick 试验在抽吸尝试中成功了 90.9%，但在计入规划推迟和其他失败后，6561 个分配请求中，仅有 4690 个（约 71.5%）成功实现了机器人抽吸。
- 整栋建筑的声明很有前景，但尚未成为清晰的机器人经济学。Amazon 的目标是在其 Shreveport 设计中实现 25% 的服务成本改进，但其文件并未单独披露机器人资本支出、折旧、能耗、维护、恢复人工或单件节省。Amazon 本身既是开发者又是主要客户，因此独立的生产对比仍然稀缺。
- 劳动力的故事是工作转移，而非简单的消除。机器人消除了数英里的行走和一些搬运，同时创造了维护、现场监控、异常处理和工程工作，并可能提高人工工作站的速度。安全声明需要同样的严谨：人体工学机制可信，但机器人站点与非机器人站点之间的公司对比是观察性的，监管机构仍要求广泛的人体工程控制。
2025 年 6 月，Amazon 在日本的运营中心收到了该公司的第一百万台机器人。这个里程碑在 Amazon 收购 Kiva Systems 13 年后到来，难以忽视。超过 300 个设施中部署的一百万台实体机器不是一个实验室故事。它意味着采购、制造、充电、备件、无线覆盖、车队软件、地面准备、维护和日常运营都经受住了异常庞大网络的考验。Amazon 的这一里程碑的公告是有力证据，表明仓库机器人技术已成为该公司内部的普通基础设施。
但这并不是一百万个机器人可以单独完成一百万个订单的证据。
这种区别很重要，因为 Amazon 的数字将工作内容和自主程度截然不同的机器汇总在了一起。成熟的 Hercules 驱动单元遵循结构化网格，举起一个穿梭货架并将其送到工人面前。Proteus 在与人共享的空间中移动轮式推车。Robin 从一堆包裹中取出包裹并将其放置在移动驱动器上。Sparrow 处理单个库存。Cardinal 分拣较重的包裹。Sequoia 根本不是一个机器人，而是一个集成库存系统。Vulcan 使用力感应在拥挤的织物货架中操作。有些系统在大量设施中运行；有些只存在于一栋建筑或几个工作单元中；有些仍在等待更广泛的部署。
因此，评估 Amazon Robotics 的诚实方式，是跟随工作本身，而非名称。什么样的任务进入？必须保持什么样的状态？普通案例的完成比例是多少？当机器拒绝、掉落、卡住、失去校准或停止时，物品、订单和建筑物的其他部分会发生什么？在操作恢复正常之前，需要多少人工关注？
围绕内部客户构建的子公司
Amazon Robotics LLC 是 Kiva Systems 的企业继承者，后者是总部位于马萨诸塞州北雷丁的物料搬运公司，Amazon 于 2012 年 3 月同意以约 7.75 亿美元现金收购。Amazon 的原始收购公告直白地说明了吸引力：Kiva 将产品送到员工面前，用于拣选、包装和存放。Amazon 后来的一份文件记载，收购于 2012 年 5 月完成；从收购到当年年底，Kiva 贡献了 6100 万美元的销售额和 6200 万美元的运营亏损，这是一个早期提醒：一个有用的系统和一个盈利的独立供应商并非一回事。
由于 Amazon 通过全公司范围的新闻编辑室、研究页面和招聘网站来描述机器人业务，法律和产品边界可能变得模糊。此处的相关业务，是源自 Kiva 的、以马萨诸塞州的研发和制造为基础、部署在 Amazon 运营中的履约技术。它不是 AWS，尽管 Amazon 表示 AWS 基础设施存储并处理机器人传感器、相机和机器生成的数据。它也不是 Zoox 的自动驾驶汽车、Prime Air 的送货无人机、Astro 家用机器人，或者 Amazon 投资的每一家机器人公司。这些努力可能会交换人员、服务或研究，但它们不会将仓库车队变成一款商业产品。
客户边界同样重要。历史上，Kiva 向外部企业出售仓库系统。在 Amazon 旗下，有意义的部署客户主要是 Amazon 自身。没有公开的 Amazon Robotics 产品目录，列出每台驱动器的价格、软件订阅、服务级别协议或客户留存率。Andy Jassy 的2025 年股东信表示，Amazon 将探索面向工业和消费者客户的机器人解决方案，在这些领域它可以利用其规模和运营反馈。将来时态很重要。它描述的是一个选项，而非一个已建立的外部机器人业务。
这种结构赋予了 Amazon Robotics 一个大多数供应商都会羡慕的优势。其工程师可以观察海量数据、改变建筑、修改上游软件、收集故障数据，并将节省的成本留在母公司内部。这也削弱了常规证明。供应商和买方共享管理层，测试场地属于同一个企业集团，双方都不必公布独立核算的投资回报。Amazon 可以理性地为改善整个零售网络的系统提供资金，即使该子公司作为独立的设备公司看起来缺乏吸引力。外部仓库运营商无法假设相同的经济性。
关键在于订单
客户看到的是一个订单。仓库看到的是一连串的状态转换。
入库库存必须被识别并可供销售。物品被放入存储，其位置被记录，并且必须有足够的副本分布在网络中。当订单到达时，软件选择一个履约站点并分配库存。一个存储穿梭货架或容器被送往工作站。正确的物品被取出、核验并放入料箱。它被包装、贴标、分拣，与其他工作合并，并送到正确的码头。推车移动到装货区；卡车按时出发。每一次转移都必须保持身份、数量、目的地和物理状态。
Amazon 的机器将这条链的几个环节自动化了。最古老、最广泛的环节是货到人的运输。驱动单元滑入移动货架下方，举起它们并将其带到固定工作站。人不再需要在通道中走动寻找物品。这极大地消除了行走，但工作站仍然需要一个人来识别、抓取和扫描产品。该系统将行走工作转变为静态的拣选或存放工作，由软件控制队列。
下一个环节是包裹移动。Robin 和 Cardinal 使用视觉、吸盘和工业机械臂来移动已经包装好的货物。Proteus 移动载有货物的推车。这些任务比在密集的货架中找到某个特定柔软、反光或易碎的零售商品要受限得多。一个包裹已经被赋予了包裹形状和标签；一个推车提供了标准的机械接口。标准化并非技巧，而是构建可靠工业自动化的方式。但这意味着，高包裹处理量不能等同为物品级的灵巧性。
最困难的环节是操控零售库存本身。Amazon 可能在相邻的料箱中存放牙膏、书籍、装在袋中的玩具、线缆、瓶子、轻质盒子以及可变形的衣物。物品带着新包装到达，相互重叠，遮掩有用的表面，并在接触下移动。人类的手利用触觉、双手协调和常识性即时反应，而不构建明确的三维模型。机器人需要感知、末端执行器、无碰撞运动、力限制、恢复行为，以及决定何时不该尝试。
这就是为什么 Amazon 关于机器人在完成 75% 客户订单中发挥了作用的声明，并非 75% 的自主率。一个驱动单元可以协助一个仍由人拣选、核对和包装的订单。这一说法展示了在整个网络中的覆盖范围，而不是消除了多少人工或决策。对于买家、运营商或决策者来说，有用的分母是完成的任务、每个任务的干预次数、损坏的物品、恢复时间、人工分钟以及每个正确订单的总成本。
运输已成熟，但地面是一个系统
移动驱动车队是 Amazon Robotics 最明确的生产成功。到 2022 年，Amazon 报告了超过 52 万台驱动单元；到 2025 年中，更广泛的机器人数量超过了一百万。在这种规模下，相关的能力不再是一台机器人能否遵循路线，而是成千上万的机器人、穿梭货架和工作站能否持续运转，而不将局部中断演变为全建筑范围的延迟。
现代驱动单元从中央规划软件接收任务，同时保留本地感知和控制。Amazon 的当前车队描述称，Hercules 使用三维摄像头区分人员、穿梭货架、机器人和其他物体，读取编码的地面标记进行定位，并从中央规划获取总体方向。在受限的存储楼层，环境完成了大部分可靠性工作：路径被表述为图谱，穿梭货架和工作站具有已知角色，地面标记锚定定位，且出入受到严格控制。Proteus 通过在移动推车时感知并避开人员，拓宽了操作领域，但其第一个生产任务仍局限在出站码头区域。
规模化引入了单个机器人演示无法显示的相互作用。机器人争夺狭窄的路径和高需求的工作站。一个堵塞的行驶单元可能迫使许多路线变长。穿梭货架排队以便拣选员不会空闲。充电、地面访问和维护会使产能退出服务。微小的延迟可能形成交通波。
一项 2019 年与 Amazon Robotics 联合开展的 MIT 项目使恢复负担变得尤为具体。其机器人地面健康研究描述了掉落的产品、泄漏物、失效的驱动器和脏污的地面标记。当驱动器故障或碾过障碍物时，员工可能不得不限制一个更大的区域才能安全进入。这种限制可能阻塞重要的行驶通道，加剧拥堵，增加工作站闲置时间。该项目之所以存在，是因为被动支持和非正式的最佳实践无法适应规模；操作员需要更早的检测和更好的干预优先级排序。确切的比率和成本被掩盖了，因此这不是一份当前的正常运行时间报告。但它仍然是有价值的证据，表明车队自主权自身产生了常规的监督工作。
Amazon 已经通过越来越具备学习能力的软件来应对拥堵。一个 2023 年的系统根据机器人历史记录和规划的轨迹预测延迟。在模拟中，研究人员报告了比生产方法高 4.4% 的路径规划吞吐量，以及低 30% 至 40% 的行程时间估计误差。这些结果是充满希望的，但“模拟”一词分量很重：回放中更好的路线选择，并不能自动证明在真实高峰流量下能实现同样的改进。
DeepFleet 是更加雄心勃勃的后继者。Amazon 称其为一个协调移动机器人的基础模型，并表示它可将车队行程效率提高 10%。其技术论文内容翔实。四个模型族在真实生产数据上训练，最大的几个示例使用了大约 70 万到 500 万机器人小时。一次留出测试覆盖了七个仓库楼层的七天时间，模型预测了未来 60 秒的轨迹。最佳架构取决于衡量标准：一个 9700 万参数的机器人中心模型在大多数轨迹衡量标准上表现最佳，而一个小得多的图模型仍具竞争力。
但该论文评估的是预测能力，而非公开宣称的 10% 运营改进。它衡量的是预测的轨迹和拥堵与实际保留行为有多相似。它并未发布在 DeepFleet 部署前后，关于行程时间、订单吞吐量、干预和成本的站点随机化对比。Amazon 可能拥有这些证据。公众没有。因此，模型能力比全车队范围的客户结果得到了更有力的确立。
这种区别对于韧性也很重要。DeepFleet 可以为任务分配、路线规划和模拟提供信息；但不应随意将其描述为每台机器人的低级安全控制器。当学习到的预测出错或基础设施不可用时，实时停止、力限制和设备互锁必须继续安全运行。Amazon 表示 AWS 有助于存储和处理丰富的机器数据，但并未公布足够多的架构信息，以推断哪些控制回路需要云可用性。负责任的结论是，云和车队数据是分析和模型开发的上游依赖，而确切的故障边界仍未公开。
Robin 展示了优质生产证据的样子
包裹分拣机械臂 Robin 提供了最强有力的公开证据，表明 Amazon Robotics 可以在生产中改进重复的操控任务。其工作是从传送带上杂乱堆放的包裹中抓取一个包裹，扫描并将其放置在移动驱动器上进行分拣。包裹在材质、质量分布和可见性上各不相同；工作单元的机械臂和吸盘工具配置也各不相同。
Amazon 的研究人员训练了一个浅层机器学习模型，根据预测成功率为候选抓取排序。他们的2023 年生产论文指出了相关的失败类型：无可行规划、抓取后包裹丢失，以及意外抓取了多件物品。这已经比只给出包裹总量更能说明问题，因为它展示了失败的任务意味着什么。
此次评估包含了多个有用的层面。该模型在超过 39.4 万次抓取上进行了训练。在一项包含约 17.9 万次随机生产录入的验证对比中，学习型排序将抓取成功率从 95.02% 提高到了 96.20%。这 1.18 个百分点的变化使失败减少了 23.7%，这是一个很好的例子，说明为什么在每日数百万次的重复中，看似微小的可靠性提升也很重要。一次更大规模的车队 A/B 测试为六种排序方法各分配了约 116 万次抓取；最强的学习配置达到了 93.73% 的成功率，而中心抓取启发式方法为 92.28%。在该论文的评估期间，已部署的方法还处理了超过 2 亿次录入，据报告成功率达 98%。
这些证据并不完美。Amazon 撰写了论文并运营车队。98% 的标题并未附带完整的成本、重试或干预台账，且不同表格涵盖的方法和样本不同。一次成功的抓取并不等于整个客户订单。然而，该论文给出了任务定义、基线、样本量和真实生产对比。它支持一个狭窄但有力的论断：学习型抓取选择让一个已经成熟的包裹处理系统减少了失败。
Robin 也展示了可靠性是如何累积的。2% 的失败率听起来很优秀，但如果应用于一天 500 万次尝试，将意味着 10 万次失败的首次尝试——假设每次失败都直接对应一次尝试。实际中，有些失败可以被重试或转至其他流程，因此这个算术结果并不是延迟客户包裹的数量。它提醒我们，高体量自动化必须围绕恢复来设计，而非在普遍情况能工作的那一刻就加以庆贺。
到 2024 年，Amazon 告诉 Associated Press，Robin 已在数十个仓库中运行，并完成了 30 亿次抓取。同一篇独立报道的采访称，其他具名系统仍在测试中或尚未广泛推广。因此，即使在同一个产品组合内部，车队的成熟度也是不均衡的。
物品处理暴露出自主性的差距
Sparrow 被设计用于在容器间移动单个产品；Cardinal 搬运并分拣最重达 50 磅的包裹；Sequoia 结合了移动机器人、龙门架、机械臂、集装箱式库存和人工工作站。这些系统共同将自动化扩展到了运输之外。每个系统的公开证据力度各不相同。
Amazon 表示，当前版本的 Sparrow 可以处理超过 2 亿种独特产品。这是一个覆盖范围的声明，而非成功率。它并未说明机械臂完成请求搬运的频率、拒收的比例、产品组合如何采样、允许多少次重试，以及人工解决库存状态的频率。Sparrow 的感知能力可能拥有广泛的目录覆盖范围：Amazon 公开的 ARMBench 数据来自超过 19 万个独特物品的逾 23.5 万次抓取与放置活动。但 ARMBench 也揭示了尚未解决的边缘情况。其基线缺陷检测器在 5% 的误报率下，仅能召回 34% 的多抓图像缺陷，而包裹缺陷召回率为 73%。这个基准衡量的是一个模型，而非当前的 Sparrow 产品，但它表明，为什么检测罕见的坏结果可能比做一次普通的移动更难。
Cardinal 更容易理解。它从滑槽中选取一个包裹，读取其标签并将其放入正确的推车。空气吸盘和贴标的箱子使其易于处理，而 50 磅的搬运限制瞄准了具有明显人体工学价值的任务。尽管如此，Amazon 尚未公布 Cardinal 的任务成功率、正常运行时间、每千件包裹的干预次数或对比成本。原型公告和具名部署是其可工作系统的证据，但不足以评估其生产可靠性。
Sequoia 将声明从机器人转向了建筑流程。在其休斯顿的首个部署中，Amazon 称入库库存的识别和存放速度可提高达 75%，订单在运营中心内的流转速度可提高达 25%。其什里夫波特设施进一步扩展了该设计：超过 300 万平方英尺、可存储超过 3000 万件物品、数千台移动机器人和机械臂，全面投产后配备 2500 名员工。Amazon 的什里夫波特介绍表示，其目标是在高峰期实现 25% 的服务成本改进。
这些陈述很有意义，因为它们涉及库存和成本，而不仅仅是组件速度。它们也是目标值和由供应商报告的对比结果。Amazon 并未分别公布基线设施、衡量窗口、利用率、折旧，或区域库存放置、软件、包装、劳动排班以及机器人的各自贡献。Sequoia 的价值恰恰在于这些部分协同工作，但这种集成使得归因变得困难。正确的说法是，Amazon 拥有一个带有明确运营目标的严肃的整站自动化设计，而非机器人独立已将每个订单的成本削减了四分之一。
Associated Press 访问的纳什维尔站点提供了一个有用的部署衡量指标：在 Cardinal 和 Proteus 开始工作不到两年后，Amazon 表示该建筑 70% 的物品正通过该机器人系统发货。同样，“通过”并不意味着“未经人手”。它确实表明，一条生产路径可以承载站点的大部分体量，而无需解决每一个物品处理难题。
Vulcan 的拒绝与其成功同样重要
Vulcan 是考察模型能力与产品可靠性之间差距的最佳对象，因为 Amazon 在从拥挤的织物货架进行存放和拣选方面，发表了异常详细的研究。
其存放系统结合了立体视觉、学习型分割、力感应和任务专用硬件。一个机构移动弹性固定带。一个夹持器夹住送入的物品。一个可伸缩的铲片在料箱内移动物体以创造空间。这种分解很重要：不再要求一个通用手爪模仿人体的每一个动作，系统将一个灵巧的动作分解为受控的子任务。
在一篇2025 年部署论文中，该系统已执行了超过 50 万次存放。研究人员仔细分析了最近的 10 万次尝试，结果由人类标注员验证。总体成功率超过 85%。在 2025 年 3 月，机器人的平均速度为每小时 224 件，同期在同一楼层工作的人为 243 件，低约 7.8%。在一个工作单元进行的单独 A/B 测试报告称，学习型风险选择相比频率主义对照，将速率提高了约 7%，尽管处理组涉及 227 个料箱，而对照组为 695 个。该系统的目标要求更高：每小时 300 件，覆盖 80% 的物品，每天运行超过 20 小时，每周七天。
失败的细节比标题更有揭示性。一个不成功的循环可能将物品安全地留在夹持器中以供再次尝试，这耗费时间。更糟的结果是掉落物品或造成需要人工修复的损坏。论文描述了刚性物品阻塞铲片、可变形产品无法有效传递力、物品卡在料箱边缘、书本挤压邻居、轻质盒子被固定夹持力压坏，以及物体或固定带留在不安全位置的情况。仅凭感知的估计值平均低估了可用空间 36 毫米，标准差为 40 毫米。接触提供了有用信息，但单凭触觉可能漏掉一个弯折出目标空间的柔软玩具。研究人员总结道，缺陷应受到格外关注，因为它们会产生恢复工作，而不仅仅是浪费一个周期。
Vulcan Pick 在分母方面提供了更清晰的教训。它从拥挤的料箱中取出请求的物品，利用图像判断物品是否可识别、无遮挡、可移动并适合吸盘。如果有太多物体阻挡或不存在安全的抓取点，请求将被发往人工工作站。如果尝试的抓取反复失败，则由人工接管。
其现场部署论文涵盖了一个正在运营的仓库，最初有一个，后来有两个抽吸系统，从 2024 年 10 月到 2025 年 3 月，每个工作日运行约六小时。在更长的时期内，超过 1.2 万次请求经过该工作站。1 月至 3 月的详细统计覆盖了 6561 个分配请求。机器人尝试了 5157 次物品抽吸，并成功完成了 4690 次，从而得出报告的 90.9% 抽吸成功率。但其中 1246 个请求因规划失败而没有进行抽吸尝试，论文称 19.4% 的请求因绑带或抓取规划失败而在工作站被拒，并被发往人工站。以所有分配请求为基准衡量，成功的机器人抽吸大约占 71.5%。
这两种分母都不具有欺瞒性。尝试成功率告诉工程师所选动作是否有效。分配请求完成率告诉操作员该单元实际吸收了多大工作量。生产买家两者都需要，外加周期时间、损坏率、人工分钟数、峰值性能和可用性。“超过 90% 成功率”若未说明覆盖范围，会夸大自主性；而“端到端 71.5%”若不指出刻意的安全推迟，则会低估拒绝有风险工作的价值。
该系统的恢复设计是合理的。它将成功或失败报告给仓库软件，以便重新分配工作。其失败原因很具体：吸力弱、抽吸轨迹差、与绑带、料箱唇沿或金属杆碰撞、取错或多取物品、掉落产品、校准错误、软件通信中断以及吸盘损坏。工程师们在六个月内提高了可用性，但并未披露最终的正常运行时间百分比。
Amazon 在 2025 年 5 月的公开推广描述中表示，一项试点在斯波坎部署了六台 Vulcan Stow 机器人，计划在那里再测试 30 台，并在德国进行更大规模部署。其最新声明称，更广泛的欧洲和美国扩张即将到来。相对于一个工作单元，这是真实进展，但与驱动车队相比仍小了几个数量级。Vulcan 证明了依赖接触的物品处理已进入生产阶段。但它并未证明，通用的物品操控已达到了无人值守的网络规模。
监督并未消失；它改变了形态
自动化成块地消除工作，又零散地增加工作。驱动车队消除了行走和人工货架搬运。Proteus 可以消除沉重的推车任务。Robin 和 Cardinal 消除了重复的包裹提升。Sequoia 将库存呈现在大腿中部至胸部中部之间，减少了频繁的蹲下和举手过顶。Vulcan 专门瞄准高层和底层货架排，将更轻松的中间排和困难物品留给人工。
增加的工作分布在可靠性维护、控制工程、清洁、地面监控、校准、数据标注、异常处理、库存对账和质量检查中。某些岗位技能更高、薪酬更好。Amazon 表示其什里夫波特设计比之前的设施需要多出 30% 的可靠性、维护和工程岗位员工，而其学徒制将课堂学习与 2000 小时的在职培训相结合。这些都是有益的途径，但并不能确定每个被替代的拣选员都能或将会转入这些岗位，也不能确定新增的技术岗位在数量、地点或可及性上与已消除的常规岗位相匹配。
还有一些工作隐藏在测量数据中。人类标注员验证了 10 万次 Vulcan Stow 的结果。操作员抓取机器无法识别的物品。人工工作站接收 Vulcan Pick 推迟的任务。维护团队修理吸盘和校准。地面监控员进入受限区域回收故障驱动器和掉落产品。库存问题解决员在传输出错后，将实物与软件记录进行核对。一个系统可以在减少直接接触的同时，增加剩余接触的重要性。
人工工作的节奏也可能改变。货到人消除了行走，但持续向静态拣选员供应任务。这可以提高生产时间，减少物理移动，同时也集中了重复动作。2024 年 Senate HELP Committee 的一项调查称，Amazon 内部一项针对从机器人货架单元拣货工人的研究，将重复次数增加与背部受伤可能性联系起来，并将 10 小时班次内 1940 次动作确定为一个上限。Amazon 对该委员会的解释提出异议，称所提议的干预措施无效，并辩称其安全记录在配送加速的同时已有所改善。Associated Press 的报道陈述了双方观点。
这场争议阻止了一种简单的论断，即机器人要么使工作场所安全，要么使其危险。Amazon 报告称，2022 年机器人站点的可记录事故率和工时损失事故率低于非机器人站点，其2025 年安全更新称，从 2019 年到 2025 年，其全球可记录事故率下降了 43%，工时损失事故率下降了 70%。但站点对比并非随机化。机器人建筑在年限、产品组合、布局、人员配备和管理上可能不同。全网络范围的改进包括机器人之外的许多干预措施。
监管记录显示，人体工程风险仍然重要。一项2024 年 12 月的 OSHA 和解协议解决了涉及十处设施的案件，并要求在联邦管辖范围内的设施进行公司及站点层面的风险评估、培训、工程控制试点和持续审查。列出的控制措施包括可调工作站、传送带、重新设计的包装站、推车和岗位轮换，而不仅仅是机器人。因此，实际标准是机制加上度量的结果：证明一台机器消除了某个风险动作，然后证明伤害暴露随之下降，且节奏或其他过程并未在其他地方重现该风险。
即使 Amazon 继续招聘，劳动力需求也可能出现弯曲。2025 年《New York Times》基于内部战略文件的一份报告称，Amazon 的机器人团队预计，随着体量增长，到 2033 年自动化可避免在美国增加超过 60 万个未来招聘岗位。这并不等同于解雇 60 万现有工人。Amazon 回应称，这些数字反映了一个团队的视角，并不代表其整体招聘策略。确切预测可能改变；但经济意图没那么神秘。一个通过减少人工分钟来降低单件成本的系统，其目的就是比同等体量下未自动化的替代方案需要更少的人。
经济性只在边缘可见
Amazon Robotics 没有公开定价，Amazon 也未将仓库机器人作为独立业务板块进行报告。这使得从公开数据中进行常规的单位经济核算变得不可能。
分子所包含的，应远不止机器人硬件。一项严肃的总成本会包括建筑改造、穿梭货架和料箱、龙门架、传送带、工作站、地面标记、无线和计算基础设施、安全系统、与库存和仓库控制软件的集成、安装停机时间、能源、备件机器、末端执行器、校准、预防性维护、技术人员、软件工程、异常人工、损坏库存，以及为高峰预留的产能成本。折旧至关重要，因为一个固定系统在技术上可能有用，但随着布局和流程变化，在经济上可能过时。
收益方面则应计算减少的人工分钟数、行程距离、楼面空间生产率、存储密度、吞吐量、准确率、更低的伤害暴露、更快的库存可得性、更晚的订单截止时间，以及避免的季节性招聘。更快的流转可以增加收入或客户留存，而不仅仅是减少开支。应用于数十万台驱动器的路线改进可能极具价值，即使员工人数没有变化。一次可靠的拒取可能比一次损坏物品、破坏库存状态的大胆抓取更便宜。
Amazon 的财务文件只暴露了周围的规模。其2025 年 Form 10-K显示，现金资本支出从 2024 年的 777 亿美元增至 2025 年的 1283 亿美元，主要用于技术基础设施（主要是 AWS 增长）和新增履约能力。它并未将机器人单独列出。履约成本包括人员、设施、设备、折旧、租金、收货、存储、拣选、包装、付款处理和客户服务。公司称，2025 年较高的履约成本反映了销售增长和网络投资，部分被运营效率所抵消。这些都没有给出机器人的回报。
因此，Shreveport 设计的 25% 高峰服务成本改进目标，是最引人关注的已披露商业声明，但它仍是一个没有公布成本明细的站点目标。分析师对未来数十亿美元节省的预测是场景，而非观察到的现金流。它们取决于推广速度、体量、避免的人工、利用率，以及新系统是否达到其可靠性目标。
Amazon 能够容忍较长的开发曲线，因为它可以在巨大的内部网络中捕获学习成果。Blue Jay 展示了产品组合的风险。它于 2025 年 10 月作为面向同日达操作的多机械臂系统发布，但到 2026 年 2 月已不再使用。Amazon自己的页面现在记载了此次暂停，并表示底层技术将在其他地方继续发展。停止一个原型并不是整个机器人战略的失败；终止弱势项目是负责任开发的一部分。它确实表明了，为什么发布速度、引人注目的外形和车队野心，无法替代持久的生产成果。
为何大多数仓库不应照搬 Amazon
选择自动化的外部运营商面临不同的决策。Amazon 可以共同设计硬件、软件、建筑和工作规则。它拥有巨大的重复量、专有的需求数据、一个专属的部署网络，以及一个能够改进 1% 故障率的工程组织。而区域零售商或第三方物流供应商可能拥有多变的客户、租赁的空间、较低的体量，并且对定制化的机器人技术栈兴趣有限。
现实的替代方案并非“Amazon 机器人还是手持写字板的人”。仓库可以重新设计货位分配、包装和拣选路径；使用叉车、传送带或电子标签拣货系统；安装穿梭车或立方体存储系统；在现有建筑中部署第三方自主移动机器人；仅对卸垛、分拣或包装进行自动化；或在变动性使资本投入缺乏吸引力时保留人工。正确答案取决于吞吐量、产品尺寸、需求波动、建筑寿命、劳动力可得性以及停工成本。
商业竞争对手提供了有用的对比。AutoStore报告称，截至 2025 年底，已在超过 65 个国家/地区部署了超过 1950 套系统，通过合作伙伴和集成商生态系统销售。Symbotic在其 2025 年年报中披露了约 225 亿美元的积压订单，主要与 Walmart 及其 GreenBox 合资企业相关，加上长期的软件支持义务。这些公司公开客户合同和收入，因为销售自动化是他们的生意。Amazon Robotics 公开运营规模，因为改善 Amazon 是它的生意。两种证据形式都不能自动证明技术更优，但它们回答了不同的商业问题。
更广阔的市场正在增长，但并非直线上升。Interact Analysis 估计，2025 年仓库自动化订单摄入量增长了 7%，同时警告称，钢材和人工成本上涨推高了项目价值，且基础需求依然谨慎。同一份市场更新将大量活动归因于包括 Amazon 和 Walmart 在内的少数零售商的几项大额投资。这与一个自动化有效，但超大型集成项目仍偏向拥有规模和资本的业主的市场格局一致。
对于结构化高体量站点中的物料运输，Amazon 的经验有力地证明了其可行性。对于异构的物品操控，买家应要求在真实目录上进行本地试验，并进行高峰和老化测试。验收测试应衡量分配的任务，而非选择的尝试；正确的完成，而非动作；以及恢复所需的人工，而不仅仅是机器人的周期时间。一个能处理 60% 稳定体量、并能干净失败的低成本模块化系统，可能胜过一个瞄准 80% 覆盖率、却可能损坏库存或需要持续专家关注的复杂机械臂。
什么会改变判断
Amazon Robotics 已经跨越了工业技术最重要的门槛：它在超大规模生产中切实有用。驱动车队改变了仓库几何结构，消除了大量的行走。Robin 展示了可衡量的生产学习能力，减少了包裹抓取失败。Sequoia 展示了如何围绕库存流组合多个系统。Vulcan 证明了，曾经被认为不切实际的接触密集型工作，现在可以在实际运行的建筑中，以接近人类的速度针对选定任务进行尝试。
但证据并不支持完全的物品级自主性、无人值守的履约或一个清晰的对外商业案例。最强大的操控系统仍然在行动前缩小任务范围。它们分类资格、偏好低风险表面、重试、推迟困难请求并依赖人工工作站。这不是对良好工程的批评，而是可靠性的来源。错误之处，是在描述成功时省略这些边界。
有几项披露将实质性改善判断。第一项是站点级任务核算：按系统和产品类别划分的分配请求、合格请求、首次尝试成功、最终成功、人工干预、损坏和恢复分钟数。第二项是高峰期的可用性，包括平均恢复时间以及维持工作单元或楼层健康所需的人工。第三项是成熟 Sequoia 式建筑的成本明细，将机器人、建筑设计、软件、库存放置和人工分开。第四项是一项安全研究，跟踪部署前后可比较的任务，并同时追踪人体工程暴露和工作节奏。第五项是来自没有 Amazon 全部内部支持体系的外部付费客户的证据。
当前的发展提供了明确的检验。Amazon 称，初代 Proteus 已部署在 25 个美国运营中心，而能接受自然语言指令并在码头区域之外工作的下一代产品仍在实验室试点中，计划于 2027 年上半年在欧洲部署。2026 年 6 月的公告将其与超过 100 亿欧元的欧洲履约投资联系起来。一份有用的未来报告应当说明：自然语言任务被正确解读的频率、何种操作需要确认、系统如何安全失效，以及该界面是减少了培训，还是仅仅将配置转移到了新形式中。
Vulcan 更大规模的测试和多个站点的推广，应该能显示其已衡量的成功是否能在不同的库存、操作员和地面条件下持续。DeepFleet 最终应伴随着将预测与行程、拥堵、吞吐量和恢复联系起来的实时受控结果。Sequoia 应当从成本目标转向经审计的运营历史。Amazon 明确表示有兴趣服务外部工业客户，如果这成为一项真正的业务，它应当产出一个价格、一份支持合同和一个客户参考。
在此之前，最公允的结论既不是仓库已被解决，也不是这百万台机器是炒作。Amazon Robotics 已将自主性中较容易的一半工业化：结构化移动、编排，以及日益受限的操控。它现在正致力于攻克成本高昂的剩余部分，在其中，物品棘手、货架拥挤、地面阻塞、软件状态错误，或者机器需要帮助。下一百万台机器人的价值，将更少取决于它们的数量，而更多取决于这些普通的异常在多低的频率下，才变成别人的紧急情况。