Amazon 配送眼鏡只是冰山一角：百萬機器人與 AI 調度系統才是真正的自動化主體

Amazon 計畫在 2027 年底前將超過兩萬副 AI 智慧眼鏡部署到配送司機手上，這個數字夠大，足以引發公眾討論。但這篇報導的核心判斷是：眼鏡只是整套系統裡唯一被普通人看得見的那一層，底下的結構複雜得多。

Amazon 在 2025 年部署了第一百萬台倉儲機器人，分布在全球逾 300 座設施。這些機器人不再只是搬架子，而是一個分工細緻的生態系統：Hercules 能搬起 1,250 磅的貨架；Sparrow 用電腦視覺辨識並夾取不同形狀的單件商品；Proteus 在與人共用的倉庫地板上自主移動推車；Sequoia 整合機器人、電腦視覺與 AI，讓入庫速度比舊方式快 75%。最新的 Vulcan 是第一台有觸覺感應的倉儲機器人，用力道感測器判斷接觸壓力，可以在緊密堆疊的格子裡取放貨物，覆蓋約 75% 的品項類型、速度達到人工水準。

協調這百萬台機器人的是 DeepFleet 基礎模型，Amazon 把它類比為一個城市的智慧交通管制系統，負責規劃更有效率的路徑、減少機器人之間的擁塞。Amazon 估計這套系統能削減整體車隊行駛時間約 10%——單看數字不起眼，但乘上百萬台機器人在數百棟建築裡的每一趟移動，累積效果相當可觀。

倉庫管理層面，Amazon 在田納西州試點了 Project Eluna，這是一套代理 AI 系統，能即時分析營運數據、主動偵測瓶頸，並用白話語言回答主管的問題，包括建議把人力調派到哪裡。系統推薦，人做最終決策——但「推薦要把誰調去哪」本身，已經是一種對人力部署的實質影響。

貨物離開倉庫之後，AI 不會跟著消失。Wellspring 是 Amazon 的地圖技術，自 2024 年以來已辨識 2.02 億個停車位、標繪 280 萬個建築入口、編目 8.5 萬個信箱間與置物櫃。配送眼鏡接的正是這套系統——把 Wellspring 的導引資訊投到司機眼前，同時，眼鏡拍回的影像也會回饋給 Wellspring，讓司機在執行任務的過程中，同時扮演訓練資料的來源。

這裡有一個問題沒有答案：Amazon 估計眼鏡每班可幫司機省下最多 30 分鐘，但公司沒有公開任何數據說明這 30 分鐘最後去了哪裡——是讓司機的班次更輕鬆，還是讓系統塞進更多一趟站。這個問題並不是這篇文章獨有的疑慮，而是整個 AI 效率化浪潮的共通困境：生產力提升之後，誰拿走那塊增量？

Amazon 的 AI 布局已從供應鏈預測（預測模型讓熱門商品的區域預測準確度提升 20%）延伸到倉儲自動化、機器人調度、人力部署建議，最後才是司機眼前那副眼鏡。對想評估 AI 如何重塑物流與零售業的企業主來說，Amazon 這套系統的真正意義在於：自動化的滲透點已經深入到幾乎每一個操作環節，而「司機戴眼鏡」只是這套系統第一次讓外人有機會直接目擊。下一個問題是，當整條鏈路都已 AI 化，人在這個系統裡的角色到底是操作者，還是最後一個還沒被演算法完全取代的環節。