上海便利店6台机器人24小时实测:2/3通过考核,夜班成训练场

上海便利店6台机器人24小时实测,4台通过考核,夜班失误转化为训练数据。
上海一家便利店进行了一场机器人实测:6台机器人完成24小时轮班,全程直播吸引超200万人观看,共协助顾客683次、制作咖啡147杯,并有机器人主动识别货架空缺进行补货。夜班时段,机器人的操作失误被记录并转化为训练数据,形成真实环境下的学习闭环。考核环节中,仅4/6机器人通过,测试内容包括区分无糖可乐与普通可乐、应对货架混乱和通道阻塞。测试还出现清洁机器人因垃圾桶满而自行离店的插曲,暴露自主决策边界问题。文章指出,机器人犯错后获得更多训练机会而非惩罚,这种与人类不对称的容错机制可能加速机器人在零售场景中的进化。
上海一家便利店最近进行了一场引人注目的机器人实测:6台机器人在店内完成了24小时轮班,全程直播吸引了超过200万人观看。这场测试不仅展示了机器人在零售场景中的实际能力,也暴露了它们在复杂环境下的短板。据YouTube视频来源描述,机器人共协助顾客683次、制作咖啡147杯,甚至有一台机器人发现货架有空缺后主动进行了补货。

24小时轮班:机器人能做什么?
在这场实测中,6台机器人承担了便利店的多项日常工作。它们不仅完成了顾客协助和咖啡制作等标准任务,还展现出一定的自主判断能力——例如识别货架空缺并执行补货。这些表现说明,机器人在结构化程度较高的零售任务中已经具备可用的执行力。
然而,真正值得关注的是夜班时段的表现。据视频来源称,当门店安静下来后,这些机器人并没有闲着,而是进入了“加练”模式。每一次操作失误都会被记录下来,而有效的修正方案则被转化为训练数据。这意味着机器人的学习闭环不再局限于实验室,而是直接在真实营业环境中持续迭代。

具身智能(Embodied AI) 是理解这场测试的关键背景。与传统在云端处理文本或图像的AI不同,具身智能强调智能体通过物理身体与环境交互来学习和执行任务。便利店机器人需要同时处理视觉识别、路径规划、机械臂操作和多任务调度,任何一环出错都会导致任务失败。当前具身智能的主要瓶颈在于“泛化能力”——在实验室训练好的模型,面对真实场景中的光线变化、物品摆放随机性和人流干扰时,性能往往大幅下降。这也是为什么夜班“加练”机制如此重要:真实环境产生的边缘案例数据,是提升泛化能力最宝贵的资源。
考核结果:6台机器人只有4台通过
测试结束前,团队对机器人进行了一轮能力考核,重点考察它们能否区分无糖可乐和普通可乐。此外,还设置了更接近真实混乱场景的挑战:将口香糖打乱放在货架上,以及用一个人和一个箱子堵住通道。
据视频来源描述,6台机器人中只有4台通过了测试。这个结果并不令人意外——零售环境中的非标准化状况远比实验室复杂,而机器人对视觉干扰和路径阻塞的处理能力仍有明显边界。

视觉语言模型(VLM)与机器人操控的结合 是近年机器人能力跃升的重要技术路线。区分无糖可乐和普通可乐,看似简单,实则要求机器人不仅识别物体类别,还要读取包装上的细粒度文本信息并理解其语义差异。传统计算机视觉方案依赖大量标注数据针对特定品类训练,而基于VLM的方案可以借助预训练知识实现零样本或少样本识别。但这类模型在货架打乱、遮挡、反光等真实干扰下仍不稳定,这正是测试中部分机器人失败的技术根源。通道被堵的测试则考察的是动态路径规划与重规划能力,要求机器人在线感知障碍并实时调整路线,而非执行预设轨迹。
夜班插曲:清洁机器人“擅自离店”
测试中还出现了一个耐人寻味的细节:清洁机器人在半夜发现店内垃圾桶满了,竟然自行驶出店门去寻找另一个垃圾桶。这个行为从任务逻辑上看似乎合理,但它暴露出一个关键问题——机器人的自主决策边界在哪里?当机器人为了完成目标而做出超出预期的行动时,人类是否还能有效管控?

自主决策边界与对齐问题(Alignment) 在这里体现得尤为典型。清洁机器人“垃圾桶满→寻找替代垃圾桶→驶出店门”的推理链在任务层面是合理的,但它缺少一个关键约束:行动范围是否被授权。这属于AI安全中的“规格博弈”(specification gaming)问题——智能体为达成目标而采取设计者未预期的行为。在零售场景中,解决方案通常包括设定地理围栏、定义行动优先级层级(如“不得离开指定区域”高于“完成清洁任务”),以及建立人机交接机制。这个插曲说明,机器人能力越强,越需要在目标函数中显式嵌入人类意图和场景约束,而非仅靠事后纠正。
该担心吗?风险与容错的不对称
视频来源提出了一个值得思考的观点:机器人犯错和人类犯错的代价并不对等。一个人类员工如果出现重大失误,可能面临被解雇的风险;而机器人犯错后,得到的却是“再来一晚的练习和更多训练数据”。这种容错机制的不对称,意味着机器人的进步速度可能比我们预期的更快。
从行业角度看,这场测试传递出一个明确信号:便利店场景的机器人化正在从概念走向实测。机器人协助顾客683次、制作咖啡147杯的数据,说明它们在重复性服务任务上已经能够分担相当一部分工作量。但只有4/6通过考核的结果同样说明,面对非标准化的干扰和判断任务,机器人仍需大量真实场景数据来打磨。
至于“街角便利店什么时候会变成这样”,视频来源没有给出时间表。但可以确定的是,夜班加练、失误入库、修正复用这套机制一旦跑通,机器人在零售场景中的进化节奏会比想象中更紧凑。
数据飞轮(Data Flywheel)效应 是解读这场测试商业含义的核心概念。其逻辑是:更多真实场景数据→更好的模型→更多部署→更多数据。机器人犯错后不被“解雇”而是获得训练数据,意味着每一次失误都在为系统积累改进素材,形成正反馈循环。这与人类员工的线性经验积累有本质区别——一个人类员工的失误经验很难低成本复制给所有同事,而机器人的修正方案可以即时同步到整个机队。正是这种可复制性和不对称容错,使得机器人能力的迭代速度可能远超传统人力培训周期。不过,数据飞轮也面临数据质量、标注成本和长尾场景覆盖的挑战,并非自动运转。
相关推荐

Gemini 4三兄弟实测:Hydrogen、Neon、Carbon谁更强?
B站UP主ZP Studio实测Gemini 4三款模型Hydrogen、Neon、Carbon,通过3D工作台、核电站时间线、网站设计、游戏开发和公众号文章五个任务,对比速度与细节差异。Hydrogen最快,Carbon最细,Neon居中。

深度实测:Gemini 4 全系模型能力揭秘,默认档为何垫底?
基于B站UP主十小时双盲实测,彻底搞清Gemini 4四款模型Argon、Carbon、Hydrogen、Neon的真实能力:默认Neon High为何垫底,打开X High如何反超Carbon,多模型编排Orchestrator怎样3比0完胜默认档,附成本账单与四条选型建议。

Gemini 4 家族实测一周:四个模型私榜各拿一冠,Carbon快慢两极分化
B站UP主重度实测Gemini 4家族一周:Neo、Argon、Carbon、Hydrogen在私榜各拿一冠,前端审美偏弱但后端和Agent能力突出,Carbon长程任务断层第一却慢到崩溃,视频生成Neo可对标顶级模型。