亚马逊百万机器人车队，成了它最大的 AI 训练机
DeepFleet 从仿真复制不了的生产机器人失败中学习
亚马逊运营着可以说是地球上数据最丰富的机器人 AI 环境 —— 而它不是实验室。它是 300 多个履约中心，由超过一百万台自主机器人组成，这些机器人每年合计记录数十亿小时的真实世界导航与操作数据。这一运营现实如今是DeepFleet的主要训练资源 —— 那是亚马逊的机器人基础模型套件，公司于 2025 年 7 月随第一百万台机器人部署的里程碑一同推出。
结构上的类比是特斯拉的全自动驾驶项目。特斯拉多年来一直主张，它的消费车队 —— 每辆车大规模上传匿名的传感器数据 —— 给了它任何跑仿真驾驶场景的研究实验室都比不上的训练优势。亚马逊在仓储机器人领域达到了同样的位置。它的机器人不只是一个降本的产品；它们是一个分布式传感器网络，持续生成其 AI 系统赖以学习的真实运营经验。
DeepFleet 如何把语言模型架构用于机器人导航
DeepFleet 是由四个基础模型组成的套件 —— robot-centric、robot-floor、image-floor 和 graph-floor —— 各自编码仓库导航的一种感知模态。架构上最重要的是 robot-centric 变体：一个9700 万参数的自回归 transformer，预训练目标是预测下一个位置。亚马逊正在积极开发 robot-centric、robot-floor 和 graph-floor 三个变体；image-floor 模型在初步评估中表现不佳，仍在进一步开发中。
与大语言模型预训练的类比是精确的，不是比喻。正如 GPT 级模型通过处理数十亿个例子学会预测文本序列中的下一个 token，DeepFleet 通过处理数十亿个导航步骤学会预测仓库轨迹中的下一个位置。推理时，robot-centric 模型把本体机器人自身的状态，连同最近的 30 台机器人、最近的 100 个可通行网格单元和最近的 100 个被跟踪物体的位置与状态一起编码。这种稠密的场景表示正是仿真环境难以以足够保真度生成的 —— 真实仓库产生的传感器噪声分布、变化的包裹重量和累积的地面磨损，都很难提前准确建模。
亚马逊称 DeepFleet 带来了车队行驶效率 10% 的提升。这个数字是公司自报，未经独立复现。在跨数百个设施、一百万台机器人的规模上，即便是温和的效率提升也意味着可观的吞吐和能源节省。亚马逊为 DeepFleet 用的训练平台是 AWS SageMaker，这意味着生产车队和训练基础设施都在同一个组织和云生态之内。
Vulcan 与仿真给不了的操作数据
导航是一个问题。从货架上拣货 —— 抓取重量、形状和表面质地无法预测的物体 —— 是一个更难的问题，需要仿真环境难以提供的物理接触训练数据。这是Vulcan的领域，亚马逊于 2025 年 5 月发布的触觉机器人。
Vulcan 不只依赖视觉反馈，而是用嵌在夹爪里的力传感器实时侦测并响应触觉信息。控制 Vulcan 操作的 AI 策略是在生产拣货周期中采集的真实力反馈数据上训练的，而不是在仿真抓取上。领导 Vulcan 开发的亚马逊机器人应用科学总监 Aaron Parness 把这个方法描述为训练机器人在不确定中摸索 —— 用物理接触来消解相机捕捉不到的歧义。
Vulcan 能处理亚马逊履约作业中遇到的约75% 的物品类型。剩下的 25% —— 几何形状不规则、材质极软或有特定表面属性的物品 —— 仍需人工拣选。这个上限很要紧：Vulcan 是一个高覆盖率的部分自动化层，不是通用的操作解决方案。截至 2025 年 5 月，该系统在华盛顿州斯波坎和德国汉堡处于实际部署中。
Covariant 交易补全了操作 AI 栈
亚马逊在操作 AI 上的投入在 2024 年 8 月有了最清楚的表达：公司聘请了 Pieter Abbeel—— 机器人学习领域被引用最多的研究者之一、加州大学伯克利分校教授 —— 以及 Covariant 联合创始人 Peter Chen 和 Rocky Duan，外加 Covariant 约 25% 的员工。这笔交易还包括对 Covariant 于 2024 年 3 月发布的机器人基础模型（RFM-1）的非独占许可。
RFM-1 是在 Covariant 各客户现场机器人拣货周期的多相机视频和本体感知数据上训练的。媒体报道估计这笔交易约为3.8 亿美元；亚马逊未确认财务条款。由此形成的架构是一种清楚的关注点分离：DeepFleet 负责车队导航；源自 Covariant 的模型解决操作领域 —— 那里的拣货物理 —— 抓取力、物体形变、滑移检测 —— 需要专门的训练方法。
没有同等车队就无法复制的仿真到现实优势
把亚马逊的位置放在仿真到现实鸿沟 —— 十多年来机器人 AI 研究的主导瓶颈 —— 的背景下看最为清楚。在仿真中训练的机器人策略在物理环境中屡屡失败，因为仿真器无法准确再现真实世界的接触动力学、传感器噪声和环境变化。学术实验室在更逼真的物理引擎和域随机化技术上投入巨大，但根本问题依旧：仿真的仓库不是真实的仓库。
亚马逊用生产车队作为训练环境绕开了这个问题。每一条 DeepFleet 轨迹都是真实的。每一次 Vulcan 抓取都是真实的。每一次机器人失败 —— 被意外的托盘挡住的导航路径、掉落一个难拿包裹的抓取 —— 都变成训练信号。没有竞争对手能靠造一个更好的仿真器复制这一点。缩小差距需要以同等规模把机器人部署进生产，而那需要亚马逊用十五年建起来的物流网络、资本和运营版图。
在仓储机器人竞争者中，Symbotic 在沃尔玛配送中心运营高密度系统，Locus Robotics 在 DHL 和其他物流商处部署。两者都没有公开确认过在百万机器人门槛上、用生产数据训练的车队级基础模型。Geek+ 和 Ocado 在区域规模上运营。DeepFleet 所代表的数据飞轮，目前只属于亚马逊。
Blue Jay 的失败，以及训练优势所能保证的极限
亚马逊的数据护城河防不了硬件失败。2025 年 10 月，公司发布了 Blue Jay，一款为当日达设施设计的吊装式多臂机器人。不到四个月后，亚马逊在有意义的部署之前搁置了 Blue Jay，理由是制造成本高和运营可靠性问题。据报该技术被并入一个更温和的项目 Flex Cell。
这段插曲说明了一个车队规模的 AI 训练解决不了的约束：机器人本身在机械和经济上的可行性。亚马逊下一项重大的架构工作 —— Orbital 模块化履约设施形态 —— 预计要到 2027 年左右才会首次完整部署。
亚马逊截至 2025 年初雇用约156 万人，并指出自 2019 年以来有超过 70 万员工参加了技能提升项目。第三方分析师预测，到 2033 年可能有 50 万到 60 万个亚马逊岗位被自动化 —— 一个公司尚未公开直接回应的岗位替代情景。
DeepFleet 确立的是，仓储机器人领域的竞争问题已经从「机器人能导航、能拣货吗？」变成了「谁积累了足够多的生产数据，能让它们不断变好？」。亚马逊的百万机器人车队是目前在商业规模上运转的、对这个问题最完整的回答。它的训练环境与最接近的竞争者之间的差距，衡量尺度不是架构创新，而是十五年积累的运营现实。