Appier 策略長 Joe 今天以 Amazon 的倉儲自動化來談組織該怎麼思考技術的價值與開發策略。

所以，就以他的觀點再進一步延伸！

其實，一開始整理 Amazon 的倉儲機器人資料，原本只是想把 Hercules、Titan、Sparrow、Proteus、Robin 這些五花八門的名字搞清楚。結果一路查下去才發現，事情遠比「Amazon 到底發明了幾種機器人」有趣太多。

單看那些機器人照片的話，很容易把 Amazon Robotics 當成一場單純的機器人大展（很像是在南港展覽館會辦的）：這台負責搬貨架、那台負責抓商品，另一台會自己在走道上溜達，最新款的甚至開始學會「摸」東西。Amazon 目前把新一代物流中心裡的主力機器人與自動化系統歸納成九套：Sequoia、Hercules、Titan、Vulcan、Sparrow、Packaging Automation、Robin、Cardinal 與 Proteus。

如同 Joe 給我的啟發，如果只是拿著清單一台台介紹規格，反而會錯過 Amazon 最有價值的部分。因為他們 花費十幾年心力在做的，是把「一件商品從進倉到出倉」的完整旅程，一段一段拆解、自動化、數據化，最後再用 AI 把它們重新串接成一整套高效率的協同系統。

這套邏輯，跟現在很多企業思考導入生成式 AI 的方式，其實存在巨大的落差。

從「人找貨」到可拆解的積木能力

Amazon 的故事可以回溯到 2012 年收購 Kiva Systems 開始。那時候他們要處理的痛點很明確：倉庫實在太大，員工每天光是走路上萬步找貨，就消耗掉大半體力。

因此 Amazon 最早做的事情根本無關高深 AI，純粹是把「人去找貨」逆轉成「貨來找人」。後來的 Hercules 就是這條路線的代表作——一台扁平的機器人直接鑽進黃色貨架底層，把整座貨架頂起來，穩穩送到工作人員面前。

Hercules 大約能搬運 1,250 磅；到了 2023 年推出的 Titan，載重直接拉到 2,500 磅。看科技新聞時大家很自然會驚呼「載重量翻倍」，但 Titan 這次展示的是「能力延伸」： Amazon 沒有打算打掉重練做一台全新的機器人。他們直接調用 Hercules 成熟的電池與充電管理、Xanthus 的電腦視覺與障礙偵測，再結合 Proteus 的部分硬體控制。換句話說，累積了十幾年經驗後，Amazon 早就不把機器人當成一個個獨立專案，而是逐步收斂成模組化、可重複組合的核心能力。

搬運是一項能力，辨識、抓取、自主移動、分揀也都各自是一項能力。

這一點對企業思考 AI 特別有啟發。我們現在最容易踩的坑，就是各部門各玩各的：人資做自己的聊天機器人，行銷弄個文案生成工具，財務寫個報表分析腳本，客服又開另一套獨立系統。到頭來公司內部冒出十幾個 AI 專案，大家年末結案都能風光報告「今年成功導入 AI」，但專案彼此之間完全沒有綜效，數據與流程根本無法互通。

Amazon 走的路剛好相反，他們先把底層能力一個個建起來之後，再視場景靈活組合。

當機器人開始面對真實世界的混亂

這套能力的演進，在 Robin 與 Sparrow 身上看得最清楚。

Robin 是 Amazon 第一套大規模落地的機械手臂，它要處理的是早已包裝好的紙箱、信封、破壞袋與軟質包裹。對人類來說，隨手抓起一個包裹放到旁邊再自然不過；但對機器人而言，這件事情極度棘手。因為包裹不會規矩排好，它們會重疊、傾斜、擠壓變形，塑膠袋還會軟趴趴地攤在角落。Robin 必須先看懂眼前這堆混亂：哪裡是包裹邊界、角度如何、吸盤該抓哪一個受力點，隨後才能精準出手。這套手臂目前已經累計處理了超過 20 億件包裹。

到了 Sparrow，難度又往上跳了好幾階。Robin 面對的至少還是「已封裝好的包裹」，Sparrow 面對的則是倉庫裡千奇百怪的「原始商品」。

一個箱子裡面可能同時混雜著牙膏、衣服、絨毛玩具、玻璃瓶、書籍、耳機與袋裝洋芋片，SKU 種類多到近乎天文數字。新版 Sparrow 已經能辨識並處理超過 2 億種不同的商品。

這時候，AI 的真正價值才徹底顯現出來。

傳統自動化最仰賴一致性——零件尺寸固定、擺放位置精準、進料角度完全標準化，機械手臂就非常好寫。但 Amazon 的倉儲現場恰恰相反：商品規格龐雜、包裝各異，每天還有無數新品上架。當 SKU 大爆炸時，工程師不可能窮舉寫死所有規則，電腦視覺與機器學習的優勢便在此時全面壓過傳統程式碼。

到了 2025 年的 Vulcan，進化又更深了一層。過去機器人的運作邏輯大多是「看見 → 判斷 → 執行」，而 Vulcan 則多了一項重要維度：它開始具備「觸覺與力道感知」。

Amazon 貨架常使用布質軟格，一個格子往往塞滿十幾件不同商品。Vulcan 伸手進去時，不能只靠眼睛看，還得用手撥開旁邊的干擾物、拿捏施力大小、即時察覺是否碰到脆弱物品，最後再穩妥地取出或歸位。這種結合力回饋與觸覺感測的技術，就是現在大家熱議的實體人工智慧（Physical AI）。

Amazon 公布 Vulcan 目前大約能處理 75% 的商品型態。看到 75%，有些人或許會下意識覺得「那剩下的 25% 怎麼辦？」但從營運管理的角度來看，真正的意義在於：原本需要全由人力負擔的繁重揀選，現在有 75% 能穩定交由機器代勞，人類只需要專注處理剩下 25% 的極端特例。

在商業世界裡，本來新技術不需要拿到 100 分才能上線。

很多人評估生成式 AI 時，也常陷入「它偶爾會給出錯誤答案，所以無法導入」的盲點。但真正該問的經營問題是：如果 AI 能穩定扛下流程中 70% 到 80% 的常規作業，把高風險、低把握度的特殊例外留給專業人員把關，整體的作業週期、人力配置與營運成本會產生多大的正向轉變？

從單機作業到百萬聯網的協同網路

Amazon Robotics 關鍵轉折，我認為是 2023 年之後推出的 Sequoia。

Sequoia 很難再被單純定義為「一台機器人」，它更像是一整套整合了移動式搬運車、自動化立體倉儲、高架升降機構、機械手臂、作業工作站與控制軟體的複合式履約系統。Amazon 在休士頓首次部署時便指出，Sequoia 讓庫存辨識與入庫速度提升最高達 75%，訂單在物流中心內的處理時間縮短了 25%。

隨後在路易斯安那州什里夫波特（Shreveport）的新一代物流中心，Amazon 更一口氣將 Sequoia、Sparrow、Robin、Cardinal、Proteus 以及全自動包裝設備無縫銜接在同一座廠區內協同運作。

走到這一步，可以看到 Amazon 思考的問題層次已經完全不同：

  • 最早問的是：這個搬運動作能不能換成機器做？
  • 後來問的是：這段辨識與揀選能不能靠 AI 做得更好？
  • 現在問的是：不同規格的機器人與現場員工，該如何流暢接力完成一整條端到端的業務流程？

當規模放大到極致時，DeepFleet 便順理成章登場。

2025 年 Amazon 宣布全球累計部署達第 100 萬台機器人，並同步發表了專屬的 AI 基礎模型（Foundation Model）DeepFleet。這兩件事選在同一天公布，背後意涵非常耐人尋味。

當倉庫裡只有十台機器人時，管理重點通常是「怎麼讓這台車跑得更快」；但當場內有一百萬台機器人時，每台車各自飆速毫無意義，只要一個路口打結，整座倉庫照樣癱瘓。

這就是 DeepFleet 要解決的關鍵——多智慧體協同調度（Multi-agent Coordination）。它不負責教單支手臂怎麼吸箱子，也不管個別自走車如何閃避路人，而是站在制高點調配全局：當整座園區內有龐大數量的機器人同時移動、領取任務、交會讓行、排隊等候時，系統該如何達成全局最優解？

DeepFleet 把基礎模型的概念直接移植到了實體空間。大型語言模型學的是「看懂前文字詞，預測下一個最合理的 Token」，DeepFleet 學的則是「掌握全場機器人與貨架的當前動態，預測整個倉儲下一秒的最佳狀態轉移」。

這背後藏著其他競爭對手極難複製的護城河：Amazon 擁有的不只是頂尖演算法，更是百萬台機器人在真實環境中跑出來的數十億小時導航與作業數據。DeepFleet 能精準預判哪些通道在特定時段容易壅塞、不同作業節奏如何互相牽制，甚至能算出某台車現在抄這條近路，會不會導致五分鐘後後方幾十台車卡死在轉角。

官方數據顯示，DeepFleet 讓機器人的移動效率（Travel Efficiency）額外再提升了約 10%。

在習慣了各種驚人 AI Demo 的今天，10% 聽起來似乎平淡無奇，畢竟簡報上沒寫翻倍成長或省下 90% 人力好像就不夠吸睛。但別忘了，這 10% 的增益是直接乘在「一百萬台實體機器人」的龐大基數上。

在實驗室裡把原型機效率拉高 50%，可能難以轉化為實質營收；但一套純軟體的 AI 調度層，若能讓已經重金部署的上百萬台硬體資產全面提效 10%，所釋放出來的商業價值與成本優勢將極為驚人。

這十幾年的演進，帶給企業的三個啟發

梳理完這段發展脈絡後，對於企業如何思考與導入 AI，我整理出三個非常明確的觀察：

第一，很多組織從一開始就問錯了題目 許多企業評估 AI 的起手式往往是：「我們該選 GPT、Claude、Gemini，還是自建開源地端模型？」但 Amazon 這十幾年的路徑表明，選工具從來不是第一步。

核心問題應該是：組織內部到底是哪一段工作流程需要被重新設計？

Amazon 是先解決走路動線，再解決搬運；搞定搬運後攻克辨識，接著突破抓取與自主移動，最後才需要 DeepFleet 來做全局調度。DeepFleet 能發揮威力，完全奠基在底下十幾年紮實的流程改造上。缺乏前期的流程梳理與數據打底，再強大的調度大腦也無用武之地。

第二，AI 的價值會從「個人單點生產力」轉向「系統級協同能力」 Robin 提升的是單一任務，Sparrow 突破的是另一個特定作業，Sequoia 改善的是跨工序的工作流程（Workflow），而 DeepFleet 優化的是全域營運系統（System）。

這與生成式 AI 在企業內部的推演完全一致。第一階段，大家很興奮地用 AI 寫信、整理訪談逐字稿、快速做投影片，這確實能省下時間；但如果 AI 的應用始終停留在個人工具層次，它帶給組織的綜效很快就會撞上天花板。

下一階段必然是工作流程的重組：資料進來後由誰初審、何時觸發驗證、產出內容如何分流、何時無縫交接給下一棒；再往後，則是多個 AI Agent、專業人員與既有 ERP、CRM 核心系統之間的協同運作。到了這個層次，企業管理的重點不再是單純引進一套對話工具，而是在打造一套全新的數位協作體系。

第三，最難跨越的護城河往往不是演算法，而是真實營運數據 DeepFleet 背後採用的 Transformer 架構，業界具備開發能力的團隊不在少數。Amazon 真正的競爭壁壘，在於那一百萬台機器人每天在全球數百個據點裡真實搬貨、碰撞、犯錯、即時重算路徑所反饋出來的動態數據。

這些數據無法直接從公開資料集打包下載，只能靠日復一日的實際營運扎實累積。因此在 AI 時代，企業真正的競爭優勢往往公式化為：合適的模型 × 專有的營運數據 × 實際落地的業務規模。

回過頭來看 Amazon Robotics 這段歷程，它為「AI 轉型」提供了一個非常好的參照例子： 2012 年，他們著手解決實體搬運； 接著逐一攻克辨識、抓取與自走移動； 2023 年開始重構整條履約物流動線； 到了 2025 年，AI 處理的已經不再是單一環節，而是整個龐大系統中所有執行單元之間的協同機制。

如果要把這十幾年的演進濃縮成一句話，那就是：Amazon 最早用自動化減少人員走動，接著用 AI 讓機器理解實體世界，如今則是用 AI 全面調度整個工作系統。

這三階段的管理思維截然不同。

因此，今天企業領導者最值得深思的，或許不再只是「我們公司有哪些瑣事可以交給 AI 做」，而是問一個根本問題：當 AI 已經具備參與核心業務的能力時，我們原本這套習以為常的工作流程，真的還有必要照著老方法繼續跑下去嗎？