在不少工厂里，最贵的浪费不在设备上，而在“最后一百米”。计划排得清清楚楚，产线却停下来等一箱料；仓库里料明明躺着，线边翻遍料架却找不到；配送员一天跑几十趟，错送、漏送还是免不了。

这些事不进废品率报表，也不进OEE，但它吃掉的是节拍、在制品和交付承诺。智能制造走到今天，物料配送早已不是“买几台AGV”的问题，而是一条从感知、到调度、再到预判的能力曲线。

一、三级台阶，换的不是设备清单，是决策权

把入门、基础、进阶三级摊开看，技术的堆叠只是表象，真正的差别在决策发生在哪一层。

• 入门级，机器人“会走路”：靠感知和导航，把人工的点到点搬运换成自动执行，路径基本还是人预设的。

• 基础级，系统“会算路”：路径不再预设，调度按实时任务、设备负载和交通状况动态计算，集群开始协同。

• 进阶级，数据“会预判”：系统从执行者变成决策者，提前判断何时该送、送多少，并与生产、仓储、订单联动。

如果只记一个对比轴，就记这三条：感知的边界从单点环境到全域动态再到扰动推演；决策的粒度从单机任务到集群全局再到需求预测；协同的对象从设备与调度，到调度与计划，再到配送与生产、仓储、订单。

三个轴一起升级才叫升级。只升一个，通常换来一台更贵的搬运工具。

二、“按图索骥”：入门级先把确定性做扎实

入门级的技术画像相当清晰：激光雷达点云与工业相机图像做多模态融合，识别障碍物、路径标识和物料存放点；CNN一类的视觉算法读路径标线和导航二维码；GPS、惯导与视觉融合实时修正位置偏差；调度系统按任务指令分配搬运。

近两年多了一个新角色——通用大模型。它把“明早八点前把A线那批壳体送过去”这类口语化指令解析成物料、目的地、优先级齐全的结构化任务；设备报警时，还能基于故障知识库推一条排查建议给班组。

它解决的问题很朴素：人工配送耗时费力、物料与目的地靠人识别容易出错、路径靠人拍脑袋容易拥堵空驶、异常靠人巡检响应滞后、任务没有优先级排序、配送记录靠手填。

但这一级真正的门槛，往往不在机器人身上。物料编码、库位、工单这三套数据对不对得上，决定了配送是“精准”还是“更快的错误”。不少项目上线后发现AGV跑得很稳，料却还是送错线——问题出在WMS库位不准，或者MES里的物料替代关系没维护。

所以入门级的正确姿势是：先把调度规则和数据固化，再开自学习；用试运行积累的路径偏差数据去调导航模型，而不是指望设备自己变聪明。

三、 “随机应变”：基础级拼的是节拍对齐

基础级的核心变化是“动态”两个字。激光雷达、视觉、超声波一起进融合模型，建的是会实时更新的厂区三维地图，还要预测动态障碍物的移动轨迹；语义分割开始回答“这是什么料、该送到哪个位”；强化学习叠加分布式优化，给AMR集群分配全局路径，避免拥堵和死锁。

与此同时，数字孪生沙盘提前跑一遍：不同订单量、设备状态、环境扰动下会堵在哪，先在虚拟世界里试出来，再下发到设备。云边分工也随之明确——原始数据不出厂，云端训练全局模型，权重定期推到边缘。

它要解决的是另一种痛：厂区在动、订单在变、多品种混送，单机的“最短路径”到了集群层面就变成互相添堵；生产节拍一变，配送不是早到积压，就是晚到停线。

这里有个容易被忽略的判断：基础级的验收口径，不是“平均行驶速度”，而是“生产等料时长”和“线边库存周转”。配送不是越快越好，而是刚刚好——早到是库存，晚到是停线，两种都是成本。做到节拍对齐，靠的是调度算法和生产计划同频，不是多加几台车。

四、“运筹千里”：进阶级做的是预判和联动

进阶级的差别，是系统开始“自己定策略”。工业大模型与图神经网络揉进生产工单、设备状态、库存和历史配送数据，建“物料需求—配送时机—交通状态”的三维预测，把缺料风险的时间窗口往前推；多智能体架构加联邦学习，让集群自己优化“任务—车辆”的分配；知识图谱把MES的生产进度、WMS的库存、ERP的订单接起来，产出的是联动方案，不是一串数据。

它解决的问题更系统：需求多变导致预测失准、集群扩大后集中式调度乏力、复杂场景避障失效、配送与生产仓储只有数据共享没有策略联动、齐套率上不去、跨系统数据标准不一。

有个细节值得注意：这一级的部署方案专门留了离线运行模式，断网时AMR集群靠本地缓存和预训练模型维持基础配送。这不是技术炫技，而是承认一个现实——越自治的系统，越要提前设计降级路径。

五、三个已经跑通的样本

判断一个场景是否真落地，看三件事：谁下指令、数据怎么走、收益用什么量。附件里的三个案例，恰好对应三个台阶。

橡胶和塑料制品：多传感融合的无人配送（2025年江苏省先进级智能工厂）

做法是把AGV叉车、桁架机器人、RFID和5G揉成一套：MES下发物料需求与运输指令，WMS管理库存并自动生成物料需求与预警，仓储控制系统统一调度AGV与桁架机器人。成效是厂内物流效率提升40%以上，配送准时率99.8%，生产等待时间缩短30%，人工物流岗位减少60%，库存周转率提高47%，年综合成本降低约28%，模式已复制到海外生产基地。

值得借鉴的不是设备组合，而是“指令—库存—设备”三层贯通：谁下指令、谁管料、谁调车分工清楚，AI才有活干。

半导体：孪生映射与跨系统协同（2025年江苏省卓越级智能工厂）

AMR用激光SLAM建图，导航中融合激光与视觉实时避障，AI路径规划动态计算最优路线；调度系统联合MES、RFID与定位技术，把原料和在制品的配送、上料串成闭环，所有动态在大屏上实时可见。成效是物料运输环节人力投入减少80%以上，批次与物料流转加快，运输风险可控；产线无人化后人员活动减少，无尘室颗粒浓度间接下降。

在洁净、高危环境里，无人化的收益不只在人力账上，还在环境稳定性和良率上。这也是很多半导体、医药企业愿意先在这一环投钱的原因。

工程机械：集群调度加数字孪生的闭环（2025年江苏省卓越级智能工厂）

起重机厂内物流上了AGV搬运机器人、料箱机器人、二维码智能料架，5G加激光SLAM做定位，RCS集群管控调度系统统管任务分配与路径规划，物流数字孪生平台实时映射运行状态，MES、WMS支撑计划与库存。成效是缺料率降到0.1%，配送准时率不低于99%，节省人工15人，年度物流费用节省300万元，配送延迟低于200毫秒、定位误差正负1毫米，方案已在集团内外多家企业复制。

这个案例的分水岭，是从“单机智能”跨到“集群加孪生”：设备还是那些设备，但调度权和可视化能力变了，指标才跟着变。

顺带说一个容易被误读的点：工厂等级不等于场景等级。入门级做法出现在先进级工厂里，基础级和进阶级做法出现在卓越级工厂里；同一家卓越级工厂，也可能有场景仍停留在入门做法。场景是积木，工厂是房子，别拿牌子替代体检。

六、企业怎么走：不跳级，但要提前埋线

四步走，顺序别乱。

1. 先量基线。配送准时率、错送率、线边库存、生产等料时长、配送人力成本，五个数先摆上桌。没有基线的项目，最后只能用“感觉好多了”验收，也就进不了下一级。

2. 修数据底座。物料编码、库位、工单三对齐，WMS与MES的物料主数据统一。这是三级共用的地基，越晚补越贵。

3. 先单机后集群。挑一到两条线跑通点到点，稳定运行之后再扩集群。集群调度的收益来自规模，风险同样来自规模。

4. 再接预测与联动。基础级把MES工单、WMS库存真正接进调度，进阶级才谈得上需求预判和跨系统策略联动。跳过这步直接上大模型预测，通常得到一张好看的预测图，和一条照旧停线的产线。

还有三条提醒。

• 别把AGV数量当KPI。设备多不等于等级高，线边库存不降，说明配送只是换了个执行方式。

• 节拍对齐优先于速度。用“生产等料时长”验收，比用“平均行驶速度”诚实得多。

• 给系统留退路，也守住数据边界。断网降级、异常人工接管、混线时退回规则调度，这些设计比多一个功能更值钱；原始数据不出厂、模型权重下发，是云边协同能长期跑下去的前提。

七、回答清一个判断

物料配送是工厂的血液循环。这一环不通，前面投的自动化、后面做的柔性排产，都容易变成孤岛；这一环通了，MES的排产、WMS的库存、产线的柔性才开始产生复利。

政策口径上，智能工厂梯度培育把工厂分成基础级、先进级、卓越级、领航级四个层级，看的是制造各环节的数字化普及、网络化协同、集成贯通和综合优化。物料精准配送这条场景线，恰好四级都能落子：基础级先把“送得到”做实，先进级把“送得准”做稳，卓越级把“送得巧”做深，领航级才谈“送得先”。

所以回到最初那个问题：你的物料配送卡在哪一级？是感知——找不到、走不动；是调度——送不快、送不齐；还是预测——不知道什么时候该送？先把这个问题答清楚，再谈买什么设备。