100万台机器人在仓库里跑，物流自动化就不再是试点故事，而是运营底座。
亚马逊本周宣布，全球仓库网络中的机器人超过100万台，覆盖超过300个履约中心。履约中心是完成拣货、打包和发货的仓库。与此同时，公司发布名为DeepFleet的生成式人工智能基础模型，目标是把机器人车队的效率提升约10%。手段包括优化移动路径、减少拥堵、加快配送。生成式模型在这里不写文章，而是给车队生成更好的调度。
百万台意味着系统已经从小规模试验进入日常运营。每一台机器人的停顿，都会在订单时效上叠加。DeepFleet要抠的10%，发生在路径和拥堵上，而不是发生在「再买更多机器人」上。10%是目标，不是已经实现的全年平均值。消息没有给出对照实验的时间窗口。
这也说明生成式人工智能正在进入工业运营，而不只停留在对话和内容。仓库调度是脏活：地图会变，订单会扎堆，机器人会互相挡路。谁能把车队多调度出一截效率，谁就在履约成本上多一块空间。亚马逊的规模使这种模型有足够的数据可学，小仓库未必抄得走同样的收益。
当机器人以百万计，比拼的不再是会不会用机器人，而是会不会用模型管机器人。下一观察点是DeepFleet上线后，拥堵和配送时长有没有按约10%的目标移动，以及这100万台的统计是否包含不同代、不同任务的机器。口径不同，里程碑的含义就不同。
部署量和同时在线跑单不是同一个统计。100万台说明机器已经放进超过300个履约中心；DeepFleet要优化的，是其中正在移动、会互相挡路的那一部分。效率约10%若没有落到拥堵和配送时长上，这个里程碑只证明买得起机器人，还没证明模型管得住它们。
小物流网络缺少同样密度的订单和地图，所以抄不走同样的模型收益。生成式模型在这里的产出是调度，不是文案。后续口径还要说明不同代、不同任务的机器是否都算进100万。口径一变，里程碑的含义就变。100万台和约10%的效率目标也要分开验收：前者是部署规模，后者是模型有没有让已有车队少堵、更快送达。只宣布台数，还停在买设备；时效移动了，才算模型进了运营。