李连杰

机器人接管最后一站，亚马逊计划打造完全自动化配送站_我的网站

绅士的品格

一 | 编辑｜Panda、张倩通勤路上，你挤在地铁车厢里，手机举到耳边，微信语音那头是同事在交代今天要交的方案细节。

二 | 「关于那个…… 预算…… 三点之前……」声音断断续续地，关键信息大半都遗漏了。在地铁、地下车库或者大会、演唱会现场，你是不是经常遇到这种情况？只要网络变差，微信通话就变成了一件折磨人的事情，卡顿、吞字、电流声让人莫名烦躁…… 怎么都 2026 年了，想打个微信电话把事情说清楚还那么难？网络差就听不清，这真的是铁律吗？在今年 WAIC 中国电信的展台上，我们看到了反常识的一幕。展台上摆着两部正在通话中的手机，上面各自显示着一个局域网 IP 地址，音质听起来很清晰。 8 月 25 日消息，亚马逊正在开发新一代高度自动化仓库，利用人工智能和机器人技术处理包裹，将物流自动化延伸到配送前的最后一个环节。根据 Business Insider 查阅的一份上月内部规划文件，这项内部代号为“Project Tetromino”的计划旨在打造“完全自动化”的配送站。配送站是物流流程中的最后一个设施，从履约中心接收已经打包的商品，然后进行分拣和暂存，最后交由司机配送给客户。文件显示，亚马逊计划在 2028 年投入 1.03 亿美元（注：现汇率约合 6.94 亿元人民币）启动 Tetromino 试点项目，随后在 2029 年建设 5 个站点，并于 2030 年再增加 10 个站点。然而，其背后的几个字「极窄带宽语音通话」却吸引了我们的注意。

三 | 文件称，2029 年每个站点的建设成本可能约为 8,500 万美元（现汇率约合 5.73 亿元人民币），到 2029 年，Tetromino 项目的累计投资将超过 5.3 亿美元（现汇率约合 35.72 亿元人民币）。文件还指出，Tetromino 的包裹处理速度可能达到现有配送站设计的约 2.5 倍。「极窄」到底是有多窄？我们在现场听到了一个超乎想象的数字：0.266kbps！没错，超夸张。

四 | 你可以查看你电脑上任意一个音频文件的码率，你几乎不可能找到如此低码率的文件。亚马逊发言人向 Business Insider 表示，这目前只是一个“早期阶段的概念”，文件中提到的具体财务数据和项目路线图“并不准确，也不代表我们当前的计划”。0.266kbps 确实是一项新的世界记录。这名发言人表示：“我们一直在整个运营体系中探索和测试新技术，以提高安全性并改善客户的配送体验。和任何处于早期阶段的概念一样，这是我们定期评估的众多项目之一，随着我们不断获得新的经验和信息，相关计划也会发生很大变化。”Tetromino 项目展示了亚马逊试图自动化其物流网络中一些最难实现自动化的环节。行业分析师指出，在配送站内整理包裹并将其装载到配送车辆等工作，目前仍然很难实现自动化，而且成本高昂。该项目正值亚马逊加速推进仓库自动化之际。目前主流的音乐文件的码率通常为 320kbps，某些甚至可达到数千 kbps 那么，码率究竟是什么？其实从其单位也能看出来，kbps = kilo-bits per second，也即每秒多少千比特；也就是说，码率决定了一秒钟的语音里能装下多少信息。亚马逊在 7 月最新一次财报电话会议上表示，公司预计 2026 年将把机器人机械臂的数量增加一倍以上。Business Insider 此前还报道称，亚马逊正在部署一种软件，能够根据工作量变化自动推荐仓库员工应该被安排到哪些岗位。亚马逊面临的“俄罗斯方块”挑战根据这份规划文件，Tetromino 的一项关键技术可能来自 AI 和机器人供应链初创公司 Boxbot。Boxbot 的系统可以将传送带上的包裹转移到托盘中进行存储，然后利用 AI 将包裹取出并按照配送顺序进行排列。码率越高，声音细节越完整；码率越低，数据要挤过狭窄的通道，就得舍弃细节 —— 声音发闷、发飘、断断续续，都是这么来的。在实际语音通话中，服务商通常会使用动态码率：网络好时用高码率，清晰流畅；一旦网络波动（比如地铁钻进隧道），就自动降到低码率，以保住通话不断。那 0.266kbps 到底有多低？做个对照更能体会：移动通信的语音编码走过了 2G 的 AMR-NB、4G 的 AMR-WB，到今天 VoLTE 高清通话普遍采用的 EVS 编解码（这已是 3GPP 迄今性能最好的语音编码），但也需要在 5.9 到 128 kbps 区间工作，日常一通 VoLTE 高清通话大约需 15 kbps。Boxbot 官网称，其系统可以将车辆装载过程提速至原来的 10 倍。Tetromino 这个名称本身可能也是在致敬俄罗斯方块游戏，意指如何高效地将大量包裹排列、装入配送车辆，本身就是一个类似拼图的难题。而智传网（AI Flow）把这个数字压到了 0.266 kbps！按过去的经验，这种码率顶多传输一些简单的文字指令，打电话是想都不敢想的事，极端情况下，对方说「飞流直下三千尺，疑是银河落九天」，你听得到的却是「飞…… 天」。亚马逊并不是唯一一家试图实现这些环节自动化的企业。联邦快递正在扩大 AI 驱动的 Dexterity 机器人应用，这些机器人能够自主将包裹装入拖车；UPS 和 DHL 则已经使用机器人进行卸货。

五 | 亚马逊发言人还提到了公司去年宣布的一批配送站试点项目。但在中国电信这里，它不仅能清晰通话，甚至连音乐都能传 —— 仅相当于传统编解码技术 128 kbps 的 1/500；如果只传语音，码率还能更低。这也刷新了已知语音通信的最低码率纪录。

六 | 可以说，中国电信的这项技术挑战了「网络差就听不清」的铁律。这些项目属于亚马逊对欧洲物流设施 7 亿欧元（现汇率约合 54.99 亿元人民币）投资计划的一部分，其中包括能够自动卸载、分拣和扫描包裹的机器。随着物流设施越来越自动化，一个问题也随之出现：未来亚马逊的仓库究竟还需要人类完成哪些工作？亚马逊机器人业务负责人 Tye Brady 此前曾表示，机器人旨在让一线工作更加安全、高效，而不是取代员工。不过，Business Insider 此前报道称，亚马逊内部预测，未来十年部分仓库机器人将使公司的招聘增长曲线趋于“平缓”。亚马逊发言人表示，公司在配送站推进的相关项目“旨在与员工相互配合并赋能员工，而员工始终是我们运营模式的核心”。而这项技术也有个名字：智传网（AI Flow），由中国电信人工智能研究院（TeleAI）全自研原创打造。就在大会开幕当天，它从 230 多个项目中脱颖而出，拿下了今年 WAIC 的最高奖：卓越人工智能引领者奖（SAIL 奖），这个奖也被称为「AI 界的奥斯卡」。

七 | 此外，智传网（AI Flow）的核心技术生成式智能传输（Generative Transmission）还获得了首届 WAIC-Academic 最佳论文奖。那么，智传网（AI Flow）到底是什么？为什么能做到传统通信做不到的事？会对哪些领域带来深远影响？中国电信集团CTO、首席科学家、中国电信人工智能研究院（TeleAI）院长李学龙在 WAIC 中国电信人工智能生态论坛上进行了深度解析。

八 | 生成式智能传输：把传「比特流」变成传「词元流」智传网（AI Flow）是什么？其名字本身就已暗示：智代表人工智能，传是指通信传输，而网指网络技术。表面看是一项技术，但背后融合了三大学科，这就不难理解为什么智传网（AI Flow）会诞生在 TeleAI。 TeleAI 是央企里第一家人工智能研究院。

九 | 而中国电信这家公司本身就是通信起家的。也正因如此，通信的天花板在哪里、瓶颈卡在哪里，没有人比他们更清楚。智传网（AI Flow）就是他们把 AI 这套新工具，接进通信这门老手艺后长出来的东西。它到底新在哪儿？关键在于换掉了传输的「货物」。最传统的通信本质上做的是符号搬运。

十 | 你的声音被麦克风收进来，收到多少信息，就原原本本传多少比特；视频则拆成一个个像素点往外发。信息越清晰，数据量越大，占的带宽也越多。这是一笔省不掉的刚性开销。带宽不够怎么办？只能压缩，而压缩又分为无损压缩和有损压缩。为了尽可能降低带宽，只能选择有损压缩，即丢弃部分细节。可压缩有极限，压到最后，就是我们熟悉的那种糊成一团、断断续续的体验。

十一 | 所以在旧框架里，这几乎是个死结：要清晰就得要带宽，没带宽就别想清晰。不同程度的图像有损压缩示意，音频也是类似智传网（AI Flow）的不同之处在于，它是一种借助智能完成的压缩。其核心技术叫生成式智能传输，思路可以概括成六个字：用计算换带宽。

十二 | 具体来说，发送端不再直接搬运声音本身，而是先用多模态大模型把这段语音「读懂」，把其中最核心的语义、声纹、特征等信息，凝练成一小串词元（Token）发出去；接收端收到这串词元后，再用生成式大模型把声音重新「生成」还原出来。

十三 | 传输的对象，就此从「比特流」变成了「词元流」。词元的体量远小于原始比特，带宽占用自然断崖式下降。这套打法背后是 TeleAI 早就铺下来的理论地基。早在 2002 年，李学龙团队就提出了信容理论，揭示了计算、通信与存储之间可以相互折叠、彼此换算的关系。除此之外，团队对「噪声」的重新定义也为这套架构扫清了认知障碍——传统通信视噪声为洪水猛兽，而「正激励噪声」理论指出，当噪声与任务目标相关时，它反而能降低任务复杂度、起到正向驱动作用。

十四 | 这一认知让AI不再盲目地「丢弃」低码率下的细节，而是学会区分哪些是干扰、哪些是可用的线索。后来，多模态大模型成熟，「用计算换带宽」终于得以从纸面走进现实 —— 通信研究盯了几十年的编码和信道，天花板被 AI 捅破。对智传网（AI Flow）来说，传语音其实只是一道「简单题」，毕竟语音的码率本来就不大。

十五 | 真正的考验是视频。传统视频编码（从 H.264 到 H.265、H.266）本质上是在「找冗余」，即靠帧间预测和运动补偿，只记录前后画面里变化的部分。这套思路已经打磨到极致，H.266 在理想情况下甚至能把码率压到 H.264 的四分之一。但它再聪明，传的仍然是像素的差值，一旦带宽被压到临界点，残差信息不够了，画面就开始糊、开始丢帧。这是「搬运像素」这条路线绕不开的物理下限。同样地，智传网（AI Flow）更换了这条路线：不再搬运像素差值，而是传词元。发送端从视频流中抽出画面语义、动态特征，凝成轻量的词元流发出；接收端再把画面重新「生成」出来。

十六 | 结果相当夸张：一段 1080P、24FPS 的高清视频，不到 100kbps 就能稳定传输，而传统方式需要约 3.6Mbps—— 前者只有后者的 3%。

十七 | 如果说语音方向，智传网实现的是「用发信息的带宽打电话」，那在视频方向它就实现了「用打电话的带宽传高清视频」。

十八 | 极致的压缩效率让「传词元」这件事的想象力没有止步于传画面。和世界模型联手之后，它甚至能传一个「世界」。

十九 | 最近有多少人熬夜看世界杯？但无论你买的电视多大，你能看到的画面始终是导播给你切的那个角度，说白了就是一个三维世界的投影。智传网（AI Flow）就不一样了，借助词元流，它能装下一场球赛的球员、足球、球场和动作轨迹之间的时空关系。当然，要把这样的词元流还原成画面，靠传统解码已经不够了，TeleAI 在接收端引入的，正是当下 AI 领域最热的技术之一：世界模型。接收端也不再只是逐帧重建像素，而是根据词元流还原出一个可进入、可观察的三维世界 —— 同一次射门，你可以从全景俯瞰，可以贴身跟拍，甚至可以切换到门将的第一人称视角，重新看一遍。视频链接：https://mp.weixin.qq.com/s/jBVInHGPdfZtFc79I6NBAQ 李学龙在演讲中用了柏拉图的比喻：传统视频里，观众是洞穴中看影子的囚徒；而智传网（AI Flow）让你走出洞穴，自由翱翔。对赛事直播来说，这也许意味着一件不小的事：「导播决定你看什么」的时代，正在出现裂缝。这就是「传比特」和「传词元」的本质区别，前者很快触及天花板，而后者的应用边界才刚刚开始探索。当然，画面是 AI「生成」出来的，一个自然的疑问是：它能信吗？毕竟，一个不可信的东西，你传得再快、再清晰有什么用？这方面，TeleAI 给出的回答是双重保障。

| 一方面，团队对重建的通信速率与理解性能做了系统评估，无论是下游任务的理解能力，还是原始音视频的重建质量，都达到国际领先水平；另一方面，可信溯源技术会给每一段重建视频打上「不可磨灭的数字烙印」，确保无论从哪个视角观察，事件的真实性都不会被篡改。

| 这其中，藏着一次迟到七十多年的突破。早在信息论奠基之初，香农和韦弗就把通信分成了三层：符号层，关心一串比特能否准确送达；语义层，关心意思有没有传对；效用层，关心接收方拿到信息后能不能真正把事情办成。传统通信八十年来主要在啃第一层。

| 而智传网（AI Flow）想做的是让同一串词元贯通三层：它既是精准重建画面的特征数据（符号层），又是可被理解、推理的语义向量（语义层），还能直接驱动一次救援决策或一个机器人动作（效用层）。以灾区救援为例，一棵树的纹理还原得准不准，优先级其实很低；「哪里有人、道路断没断、房子会不会塌」，才是效用层真正在乎的东西。

| 所以，智传网（AI Flow）真正的意义，不只是把声音、画面压缩得更小，而是让信息以「可信可用」的形态抵达原本到不了的地方，去发挥它应有的效用 —— 这对 AI 来说，正是当下最紧迫的一道关卡。

| 天空地海：低带宽链路下实时传输音视频这几年 AI 的演进有一条清晰的主线：从大模型，到智能体，再到具身智能，能力越来越强，也越来越需要突破物理边界「走出去」，走进天空、荒野、深海这些人和网络都难以抵达的地方。可传统通信的覆盖，高度依赖基站、光纤和稳定电力，一旦离开这些基础设施，连接就会迅速崩塌。智传网（AI Flow）要做的，是让一批硬件终端摆脱这种束缚，把智能送到更远的地方。TeleAI 把这件事拆成了天、空、地、海四个方向。先看「天」和「空」。当下业界都在喊「算力上天」，但算力上天的意义究竟在哪？过去，卫星在通信网络里扮演的角色几乎没变过，它就像一面挂在天上的镜子，只负责把信号反射回去，大部分的「思考」都发生在地面。算力上天真正的价值，就是让卫星从「管道」变成「节点」：信息还在轨道上，就被读懂了。道理成立，但怎么落地？智传网（AI Flow）提供了实现的可能。星地链路的特点是地面终端功率小、天线小，往卫星发信号（上行）的带宽很紧张；而卫星往地面广播（下行）的带宽相对宽裕。顺着这个天然的不对称，智传网（AI Flow）把最吃算力的解码模型部署到在轨卫星上 —— 终端只管把轻量词元发上去，重活留给天上。目前，这一应用方向还在推进过程中。而顺着这张网往下，就到了「空」这一层 —— 轻小型无人机直连卫星，传输高清视频，这是国内首次。视频链接：https://mp.weixin.qq.com/s/jBVInHGPdfZtFc79I6NBAQ 轻小型无人机是低空勘察的核心装备，却长期被物理瓶颈死死卡住：想传得快、传得清，就得背更重、更耗电的通信设备，可设备一重，续航和机动性就得打折。过去它还必须先把画面传给地面的临时接收站，再由地面转发上星，而这意味着无人机不能飞得太远，只能围着地面设备打转。而 TeleAI 在国内首次做到：给无人机装上一个生成式智能传输的「盒子」和一套小型卫星通信设备，让它直接连上卫星。在这套方案下，无人机以平均约 60 kbps 的带宽就能实时回传 720P 视频，而同样的画面用传统 H.264 编码大约需要 2 Mbps。挣脱了基站和光纤的羁绊，无人机实时回传的范围一下子变大了。从此，断网不再意味着失联，生命线被重新搭起，「信息孤岛」这个词，第一次在物理意义上被拆掉了。再看「地」，也就是机器人。人类把机器人造出来，目的之一就是让它们去我们去不了的地方，完成对我们有危险或我们不愿意做的任务。但由于机器人的自主性依然有限，人去摇操机器人是当下最好的选择。但这一摇操半径，经常因无法忍受的网络延迟被锁死在一个小小的范围内。智传网（AI Flow）实现的突破在于：通过传词元这种高效的传输方式，它把端到端时延压缩到 20—50 毫秒（最新已降到 20 毫秒），首次让机器人的远程遥操作半径覆盖到全国范围；即便在没有基站的荒野，也能靠卫星链路实现千里之外的画面实时回传和精准操控。

| 此外，机器人要走进复杂环境干活，光靠单打独斗还不够，关键在于机器与机器之间能不能高效协同。智传网（AI Flow）的不同之处在于：它依托统一编码的词元流，可以让不同型号、不同厂商的机器人共享同一套环境感知。视频链接：https://mp.weixin.qq.com/s/jBVInHGPdfZtFc79I6NBAQ TeleAI 自研的人形机器人，以及像宇树这样的合作伙伴的机器人，都能接入这张网：一台机器人发现的路况，可以同步给另一台；一台学到的经验，可以变成整个机器人网络的共识。多台设备由此减少重复感知与重复计算，逐步走向分布式群体智能。最后是「海」或者说「水」。我们生活在一个被水包围的世界，很多活动都在水里展开。可在无线通信意义上，任何一片水域都是一块「信号黑洞」，因为电磁波在水里衰减极快，几乎传不了几米；换光通信，清水里能传得远，可水一浑浊就瞬间失效。

| 于是只能退回到声波，因为声学链路是浑浊水体里唯一还能远距离传输的载体，但它本身带宽极窄。智传网（AI Flow）做的，是在这条狭窄的声学链路上，硬生生跑通了实时高清视频。依托智传网（AI Flow）与自研的高速声通信模组，TeleAI 首次实现了在任意水体中的远程无线实时视频传输，可在超过 10 米的距离上稳定回传 720P 高清画面，应用于水下巡检、生态监测、应急搜救等场景，为这些极端环境提供了稳定、实时的无线视觉通信能力。这套核心载荷，目前已经搭载在 TeleAI 自研的「空海跨域潜航器」上。我们可以把它理解成一台能从空中扎进水里的无人机，未来还将随着与中国船舶集团的合作，出现在更多平台上。视频链接：https://mp.weixin.qq.com/s/jBVInHGPdfZtFc79I6NBAQ 卫星、无人机、机器人、潜航器，形态各异，但智传网（AI Flow）让它们说上了同一种语言 —— 词元。过去，每往一个新空间拓展，通信方案就得重新造一套；而现在，同一套词元流从天到地、海一路通用。这意味着一件事：机器能抵达的地方，智能就能抵达；过去网络到不了的地方，从此不再是智能的禁区。当然，让终端走得远只是上半场。这些被送出去的能力，最终要在一个个真实的场景里兑现价值 —— 这是智传网（AI Flow）要回答的下一个问题。三个规模化落地场景 TeleAI 目前跑得最实的，是应急、存储和隐私三块。第一块是应急救援。今年全球极端天气频发，洪涝灾害往往带来「断路、断电、断网」的三断困境，灾区瞬间被切割成一座座信息孤岛，而救援最大的难处，常常不是没有力量，而是不知道现场究竟发生了什么。智传网（AI Flow）在这里派上了大用场。中国电信打造的「翼锋·智传网（AI Flow）应急系统」，只需在手机上装一个 App，一线人员就能在极窄的卫星链路下把现场画面传回后方 —— 传一张图只要约 9.6 kbps，配合应急救援车提供的约 110 kbps 带宽，就能实时回传 720P 高清视频。要知道，过去在三断场景下，传一张高清照片都要几分钟，现场态势根本来不及送达指挥部。今年，这套设备已经投入到全国 31 个省份的一线防汛抗洪中，累计超过千余套。它让远方的指挥中心，第一次拥有了一双能抵达现场的「眼睛」。视频链接：https://mp.weixin.qq.com/s/jBVInHGPdfZtFc79I6NBAQ 第二块是海量视频的存储。城市里的摄像头越来越多，4K、8K 设备不断普及，视频数据正在爆炸式增长。传统做法要完整保存每一帧画面，可大量监控画面长期「存而不用」，既吃存储空间，又难以按需调取。很多监控往往只能留存一周左右就得清空腾地方。智传网（AI Flow）换了个思路：不再逐像素保存，而是把视频编码成精简的词元存下来，需要时再用生成式模型按需还原。需要说明的是，传统视频压缩同样会利用前后帧的冗余，这不新鲜。智传网（AI Flow）的不同在于它进一步借助模型能力，把背景、人物、车辆、事件统一编码，因为固定机位的监控画面里，背景常年不变，系统就只留人和车这些真正动态的语义，而不是一帧帧去记录几乎没变的画面。中国电信拥有全球最大的视联网，覆盖超过 1 亿路摄像头，正在规模化推广这项压缩存储技术。效果是：在同等硬件条件下，存储空间可降低为传统方案的约 1/40，原本只能存一周的影像，如今能存下接近一整年。这项技术已在天翼视联的视联网上规模化落地，首批已有上千路摄像头接入。第三块是隐私保护。在养老看护、校园防霸凌这类敏感场景里，人们既希望摄像头能及时发现危险，又不愿意自己的生活被赤裸裸地录下来、传上去。这是一对天然的矛盾。视频链接：https://mp.weixin.qq.com/s/jBVInHGPdfZtFc79I6NBAQ 智传网（AI Flow）靠分层的语义词元流化解了它：在传输阶段就把敏感词元筛掉，让接收端能读懂「发生了什么」，却无法还原「看到了什么」。比如在养老场景中，系统能识别老人跌倒、挥手求助等异常行为并及时向后台报警，但原始影像无从恢复。用一句现场文案来说 ——「传的是词元，不是画面；认的是行为，不是人脸」。这套方案将在智云上海等平台上线，触达约 400 万终端用户。从灾区到城市，从抢险到看护，这三块场景的共同点在于：智传网（AI Flow）关心的，已经不只是「传了多少数据」，而是「这些信息能不能帮人和机器把事情办成」。通信，正在成为智能涌现的条件从地铁里那通断断续续的电话，到灾区、深海和卫星轨道，智传网（AI Flow）在 WAIC 上讲的其实是一个关于「连接」的故事：那些因为带宽、距离和环境而被切断的连接，正在一条一条被接回来。李学龙在演讲里说过一句让人印象很深的话：「智能的涌现，源于连接和交互。」他说，智人之所以繁衍壮大，靠的不是比尼安德特人更强壮的体格，而是语言和信息的交流互动，即连接让个体的聪明变成了集体的智慧。 AI 时代同样如此。大模型、智能体和机器人都不会孤立成长，只有当一个机器看到的世界能成为另一个机器的经验，当分散的感知与能力能够持续流动、融合，智能才可能真正涌现。七十多年前，香农用信息论教会人类如何把比特送得更远；今天，智传网（AI Flow）想回答的是另一个问题：当比特变成了词元，当连接无处不在，智能可以生长到多远？值得玩味的是，AI 圈这些年一直在讲「压缩即智能」，即一个模型能把世界压缩得多好，某种程度上就代表它对世界理解得多深。