证据分级：✅=库内数据/研报/播客已核实 · 🧭=Talos 判断/综合 · ⬜=待补证据。反 YY：未核实的明确标注，不拍脑袋。
真实痛点（谁 · 为什么痛 · 多痛）
电商 / 服装 / 第三方物流（3PL）仓库的拣货发货：海量 SKU + 碎片化订单 + 重复弯腰搬取，人力密集、招工难、旺季峰值扛不住、错误率。服装仓尤甚——上千款型号尺码，要按订单从货架挑出对应件。🧭 痛点真实且持续（劳动密集 + 用工荒 + 旺季弹性）。
ROI 账（成不成立）
🧭 拣选是仓内最大人力成本项之一。算账 = 省下的人力 vs 机器人 TCO（购置 + 集成 + 运维），成立前提：标准化货品 + 高吞吐 + 长期运营摊薄 + 旺季弹性。 ✅ 呼应真实创业者访谈：服装仓”机器人 24h 无休替代人工、账算得清就买单”。⬜ 具体 ROI 数字（节省比例 / 回本周期）待从仓储自动化研报抽。
需求信号（有没有人主动找方案）
✅ 仓储是少数**“需求确定、已有人赚钱”的机器人场景。电商/物流巨头 + 3PL 因用工成本 + 旺季主动找自动化方案**——是”主动找方案”信号最强的机器人场景之一。
行业级难题（核心问题 / 坑）🧭
- 抓取泛化（最硬）：混合 SKU、异形/可变形物体（软包、服装、易损）的可靠抓取。结构化货品好做，长尾品类是真坑。
- 速度 × 精度 × 可靠性：要追平/超过人工节拍 + 低错误率 + 24h 不停机，三者同时满足难。
- 长尾边缘 case：堆叠、遮挡、新 SKU、异常件——✅ demo 易、真实长尾难（Figure AI 官方把”处理长尾边缘故障”列为 fleet 运维关键）。
- 系统集成 + 改造成本：接入现有 WMS/产线、是否要重构仓库布局（✅ Agility 明确把”无需重构 floor plan”当卖点）。
- 单位经济：TCO vs 人力，旺季峰值产能 vs 平峰利用率。
可行技术路径（各自解决什么 · 挑战/局限）🧭
| 路径 | 解决什么 | 挑战 / 局限 |
|---|---|---|
| 结构化自动化（AMR 货到人 / 吸盘 + 2D-3D 视觉，确定 SKU） | 成熟、可靠、ROI 清楚 | 只擅长标准品；异形/混合 SKU/精细拣选弱，本质”搬运 + 货到人”，精拣仍靠人 |
| 学习型抓取（大规模数据 + 抓取大模型） | 直击难题①混合/异形抓取泛化 | 泛化到长尾仍难、需海量数据、可靠性达标周期长 |
| 通用人形/双臂进仓（人形整机） | 灵活、贴近人工工位、少改造 | 贵、速度/可靠性未达人工节拍、量产+成本曲线未成熟（行业仍 Phase 1） |
| 混合（AMR 搬运 + 固定臂/人形精拣） | 务实组合，扬长避短 | 系统集成复杂 |
谁在走哪条路（公司 ↔ 路径 · 真实 vs demo）✅库内
- 结构化 AMR：极智嘉、快仓、Amazon Robotics（自研、规模化真实部署）。
- 学习型抓取：Covariant（抓取大模型，真实分拣部署）。
- 通用人形进仓：Figure（✅ 3 台 24h 连续分拣 28,000+ 包裹，demo→早期真实）、Agility Digit（仓储工作流部署）、Brightpick（移动拣选）。
各家”真实进展 vs PR/demo”判断挂到对应公司页「判断卡」。
验证状态
- 结构化 AMR：✅ 已落地赚钱（成熟一代）。
- 学习型抓取：早期真实部署。
- 通用人形进仓：demo → 早期验证，未规模盈利。
一句话判断（给两类人）🧭
- 创业者：别再做”通用抓取一把梭”的 demo；真坑在长尾抓取泛化 + 单位经济。务实切口 = 选定品类（如服装/鞋盒）把抓取做穿 + 接 WMS，先在”账算得清”的客户跑通。
- 投资人：判断一家仓储机器人公司 = ① 它在解哪条难题（搬运 vs 抓取泛化）② 路线是否匹配目标客户的货品结构 ③ 有没有真实付费部署（vs demo）。结构化 AMR 看规模/毛利；学习型/人形看”长尾可靠性”的真实证据。