从ManualVLA到智慧仓储：一体化“生成-理解-执行”如何重塑供应链

临近年末大促与春节备货窗口（2025-12-19），很多仓库正在经历同一种“卡顿”：订单波峰一来，系统能算出最优拣货路径，却很难保证现场执行同样稳定；看板能预测缺货风险，但补货动作常常慢半拍。供应链最痛的不是“不会算”，而是“算”和“做”之间断层太大。

北大、港中大与至简动力在 2025-12-18 公开的 ManualVLA，给了我一个很强的启发：它把长程任务里的“想清楚”和“动手做”放在同一个模型里完成——先自动生成多模态说明书，再按说明书闭环执行，并在长序列任务上把成功率平均拉高了约 32%。这不是只有机器人圈才关心的进展，它对应到电商与新零售，其实就是：让AI从“给建议”升级为“能落地、可复盘、可纠偏的执行系统”。

本文放在「人工智能在物流与供应链」系列里，重点不讲论文细节堆砌，而是拆开 ManualVLA 的核心机制，回答三个供应链负责人更关心的问题：

• 为什么很多“智能优化”落地后还是不稳？
• ManualVLA 的“一体化+说明书思维链”能迁移到哪些零售/仓储环节？
• 如果你计划 2026 年做智能仓储/库存优化，落地路线怎么走更划算？

ManualVLA到底解决了什么：长程任务里“规划与执行割裂”

一句话解释：ManualVLA用“先生成说明书、再按说明书执行”的闭环，把长任务拆成可控的短阶段，同时保证每一步动作都被明确约束。

传统机器人或具身智能里，长程任务（如乐高组装、物体重排）难点不在“抓取一次”，而在“连续几十步都别出错”。很多系统采取分层：上层做规划，下层做动作。但现实常见问题是：

• 上层规划输出太抽象：像“把A放到B旁边”这种描述，落到像素、力度、姿态就含糊。
• 下层动作缺乏可解释锚点：一旦偏了，系统很难知道偏在哪一步、该怎么改。
• 越长越容易漂移：前面一步偏一点，后面就越修越乱。

ManualVLA的思路更像“带着操作手册干活”。它在推理阶段同时看到：自然语言指令、当前场景图像、最终目标图像。然后：

1. 由“规划专家”生成多模态说明书：文字（做什么）、坐标（在哪做）、子目标图像（做完应该看到什么）。
2. 由“动作专家”在闭环控制里完成当前子目标，达到预期画面后再进入下一段。

这就把“终态对齐”变成了“每一步都对齐”。对供应链来说，这种结构性改变非常关键：把“宏观策略”转成“可执行、可验收、可追责的微动作”。

关键机制拆解：说明书思维链（ManualCoT）为什么更像可运营的AI

**ManualVLA最值得供应链借鉴的不是“多模态”，而是“显式+隐式”两条路径同时约束执行。**这决定了系统能不能稳定跑在一线，而不是只在Demo里好看。

显式路径：把“该做哪儿”标出来，减少误操作

ManualVLA会把规划专家预测的目标位置，以 visual prompt 叠加在当前图像上，相当于在画面里用“荧光笔”圈出操作区域。动作专家看到的不是抽象指令，而是“这里、现在”。

对应到仓内作业，我更愿意把它理解为：

• 不是只给拣货员/AMR一条任务单
• 而是给出带坐标、带约束、带验收条件的工单（例如货位、箱型、姿态、禁止碰撞区域）

这会显著降低“理解偏差”带来的返工与异常。

隐式路径：把“当前上下文”持续喂给执行层，减少长链漂移

更狠的一点是隐式思维链：说明书生成时的内部特征（文字、坐标、子目标图像的潜在表征）通过注意力掩码持续被动作专家读取。它相当于一个“看不见但一直存在的上下文”，不断提醒执行模块：

• 你现在在哪个子任务
• 目标完成到什么程度
• 下一步应对齐什么终态

论文里的消融实验也验证了：去掉显式或隐式任一路径，长任务成功率都会明显下降。

把这个映射到供应链系统，我的判断是：**未来的“智能仓储中台”会更像闭环控制系统，而不是报表系统。**它不仅输出建议，还要把建议“粘”在执行链条上：WMS/WCS/调度/机器人/人工协同，都共享同一套“任务上下文”。

迁移到电商与新零售：把“推荐/定价/补货”做成同一条闭环

很多企业把AI落地拆成三个孤岛：推荐团队做推荐，定价团队做定价，供应链团队做补货。指标也各算各的，最后在业务端互相打架：

• 推荐推爆了某SKU，供应链没跟上，缺货率上升
• 动态定价拉高毛利，但导致转化下降、库存周转变慢
• 需求预测很准，但补货审批/执行链条慢，错过窗口

ManualVLA提供的“统一范式”是：一个系统同时负责生成计划与驱动执行，并且每一步都能验收与纠偏。

我见过更有效的做法，是把零售的“终态”定义清楚：比如“活动结束时的库存结构”“次日达履约率”“仓内拥堵指数”“缺货率阈值”。然后让AI生成“说明书式”的中间目标与动作。

例子：把库存优化做成“可执行说明书”

把“降低缺货率”这种目标，改写成可执行的多模态/多信号说明书：

• 文本步骤：哪些仓、哪些SKU、哪些时段先补
• 结构化坐标/约束：货位、波次、笼车容量、拣选路径上限
• 子目标状态：每个波次结束后，库内拥堵指数≤X、待拣订单≤Y、关键SKU安全库存≥Z

然后执行层（调度系统/自动化设备/人工）按子目标推进，并在偏离时自动回写给“规划层”调整下一步。

这就是“生成—理解—执行”的供应链版本。

对智慧仓储与供应链的三条落地启示（2026规划可直接用）

结论先给：想让AI在物流与供应链里稳定发挥，必须同时做好“可验收的中间目标”和“闭环执行接口”。

1）把“最终目标”改写成“可验收的阶段终态”

ManualVLA之所以能做长程任务，是因为它每一步都有“子目标图像”作为验收。供应链里没有图像也没关系，你可以用指标和状态作为子目标：

• 波次结束：在制订单量、缺货行数、库内拥堵指数
• 发车前：装载率、线路里程、超时风险订单数
• 促销后：滞销库存占比、周转天数、退货率

没有可验收的中间终态，就没有稳定的闭环。

2）统一“建议”和“执行”的数据语义：别让模型只会写PPT

很多企业AI项目失败，原因不是模型不行，而是输出无法进入执行系统：字段不一致、粒度不够、约束缺失。

建议按“说明书结构”统一输出：

• 动作对象（SKU/货位/订单/路线）
• 动作类型（补货/移库/合单/改配/改价）
• 动作约束（容量、时窗、优先级、禁区）
• 验收条件（阈值、完成定义、回滚条件）

这样AI输出才能进入WMS/TMS/WCS的工单体系，被执行、被审计、被追踪。

3）先做“显式提示”，再做“隐式上下文”，ROI更稳

ManualVLA显式提示（圈定操作区域）带来的收益很直观。供应链里同理：先用显式约束把错误率打下来，再逐步引入隐式上下文做全局优化。

一条务实路线：

1. 显式层：规则+模型输出“可执行工单”（减少返工/错拣/超时）
2. 半闭环：执行结果回流，模型调整下一波次/下一班次计划
3. 全闭环：计划与执行同模型/同策略联动，跨仓跨渠道协同

常见落地问答：团队最容易卡的点

Q1：这类“一体化系统”会不会更难上线？

会更难，但长期更省。分层系统看似模块清晰，实际跨团队对齐成本巨大，出了问题互相甩锅。一体化的关键不是把系统写成一个服务，而是把“任务语义”和“验收机制”统一。

Q2：没有机器人，只有WMS和算法，能学到什么？

能学到最核心的部分：把长链条运营拆成短阶段闭环。WMS的每一次波次、每一次补货、每一次异常处理，本质上就是“动作”。你缺的是“说明书式的中间目标”和持续的上下文约束。

Q3：怎么评估效果，避免只看离线指标？

建议至少同时看三类在线指标：

• 执行稳定性：错拣率、返工率、异常工单率
• 履约结果：准时发货率、次日达/当日达达成率
• 库存健康：缺货率、周转天数、滞销占比

如果只看预测MAPE或推荐CTR，很容易“算得漂亮、现场翻车”。

下一步怎么做：把供应链AI从“推荐”推向“可执行闭环”

ManualVLA用“生成说明书—指导动作”的统一范式，证明了长程复杂任务可以同时兼顾规划与精细执行，并在真实任务中拿到约 32% 的成功率提升。对电商与新零售来说，这更像一个信号：AI的价值不再停留在“告诉你该怎么做”，而是“把事情做成”。

如果你正在规划 2026 年的智慧仓储、库存优化或履约升级，我建议从一个具体场景开始：选一个高波动SKU集合或一个拥堵仓区，把目标拆成可验收的阶段终态，用“说明书式工单”串起计划与执行，再逐步做闭环。跑通一条链，比同时改造十条链更快看到收益。

未来的竞争不是谁的模型更大，而是谁能把“理解-生成-执行”真正接到供应链的每一次动作里。你们团队最想先闭环的那一步，是什么？