实验室 1200、现场 800、峰值 1500：分拣机器人这条爬坡曲线，中间那个数才是新闻
1500 件/小时是标题里的数，但它不是最值钱的那个。真正有信息量的是 800——实验室跑 1200，进真实产线先掉到 800 到 900。跌三成，再花几个月爬回来，这段路才是具身智能商业化的真实形状。
- 三个数：实验室稳态 1200 件/小时 → 进入真实分拣线初期 800–900 件/小时（相对实验室跌 25%–33%）→ 当前披露峰值 1500 件/小时（相对实验室 +25%）。
- 规模：已在中国邮政、顺丰的十余个物流中心投入运营，参与今年双 11 大促分拣。顺丰成都长兴转运中心 11-11 有 2 台人形机器人上岗，实训阶段 1200 件/小时。
- 卡点在长尾不在速度：从 800–900 爬到 1200 很快，1200 往 1500 卡的是异形件、不规则包裹、来料姿态随机这些长尾案例，且要提速同时保准确率。全程爬坡「花了几个月」。
- 破局靠换采集对象：早期由技术人员采示范数据，后改为采集资深分拣老师傅的实操动作、发力节奏与处置经验，才补上长尾。
- 判断：峰值不是产能。要判断这套方案值不值，还缺四个数——平均吞吐、差错率、人工干预次数、每件成本，公司一个都没披露。
先把三个数按时间顺序摆开。
实验室稳态环境：1200 件/小时。
进入真实分拣线：800–900 件/小时。
现在披露的峰值：1500 件/小时。
大部分报道只写第三个。但第三个数是终点，不是过程。真正能拿去指导决策的，是中间那个。
星动纪元自己在两处报道里都提到了这个落差，措辞是「受异形件、混流包裹、摆放无序等因素影响」。
换个说法更直白：实验室里包裹是一个一个摆好、形态规整、姿态可预期的；真实转运中心里，包裹是倒上去的，混着软包装、圆柱形、超薄件、带提手的袋子，还有被压扁的、被胶带缠乱的。
判断：实验室到现场的这 25%–33% 落差，是具身智能落地最普遍也最少被公开的一段。它不是一个可以靠调参消掉的小误差，而是一个结构性落差——模型的训练分布里没有这些长尾形态，现场的包裹分布里有。多数厂商会在对外披露时直接跳到峰值，跳过的正是这段。星动纪元愿意把这个数说出来，本身就是信源质量的一个信号。
但也要清楚，这个数依然是企业自述。它不是第三方在固定工况下的重复实测，换一条线、换一批包裹结构，落差的幅度会不一样。
席悦给出的技术描述里有一个数：「分拣作业中，机器人需要持续完成包裹识别、抓取规划、姿态调整与投放校正，每秒要完成 20 至 30 次感知与动作决策」。
这个数和 1500 件/小时放在一起，可以做一次校验。
1500 件/小时 ÷ 3600 秒 ≈ 0.42 件/秒，也就是平均 2.4 秒一件。
2.4 秒内做 20–30 次决策，是成立的——但按每件折算，就是每件分到 48 到 72 次决策。这个量级不太像「每件做几十次判断」，更像一个持续运行的控制环频率：机器人一直在看、一直在算、一直在微调，不管手上有没有件。
判断：「每秒 20–30 次决策」描述的是控制频率，不是每件的决策次数。这个区分不是挑刺，它有实际含义——如果这个频率是恒定的，那机器人的算力占用也是恒定的，不管产线忙不忙。对做部署的人，这意味着功耗与散热要按持续满载设计；对做成本核算的人，这意味着待机时段也在花钱。
同一段描述里还有一句更值钱的：「真正卡在 1200 往 1500 突破的，一是异形件、不规则包裹、来料姿态随机这些很少见到的长尾案例，二是在速率快速提升的同时也要保证准确率的稳步提升」。
判断：这句话把「效率瓶颈」和「精度瓶颈」合并成了一个。前三成提升靠的是常规优化（识别更稳、抓取更快），后两成提升必须同时解决长尾形态和准确率——而这两件事在工程上是耦合的：想快就要少犹豫，少犹豫就容易在长尾件上抓错。所以 1200 到 1500 这 300 件，难度不等于 800 到 1200 那 300–400 件。数量看着差不多，性质完全不同。
整个案例里，最值得抄的一条不是模型，不是硬件，是数据是谁采的。
席悦的原话大意是：项目早期由技术人员采集示范数据，但技术人员缺少一线分拣人员长期积累的实操经验，模型对复杂包裹的处理策略存在局限。后来改方案，去采集资深分拣老师傅的实操动作、发力节奏与处置经验，形成示范数据集反哺模型迭代。
改之前：技术人员想象的「正确动作」。改之后：老师傅实际做出来的动作。
差别在哪？技术人员采的是「怎么抓住这个件」，老师傅采的是「这个件抓不住的时候怎么办」——软塌的袋子从哪一角下指、缠胶带的箱子在哪一侧发力、被压变形的件先推一下再抓。这些动作在标准作业指导书里写不出来，因为它们本来就不是标准动作，是对异常的处置。
判断：这件事对做二次开发交付的团队是直接的——示教的人必须是干这活的人，不是懂机器人的人。本号此前拆过多个工人形项目，反复出现的同一个坑是：集成商派工程师去现场采数据，采回来的是「符合机器人能力的任务」，而不是「现场真实发生的任务」。前者好训，后者才有用。星动纪元这轮爬坡最贵的一笔投入，恐怕不是算力，是把老师傅的动作录下来这件事。
顺带说一个反常识的地方：这个案例里，提升最大的不是「机器人变聪明了」，而是「训练数据变像人了」。模型架构、本体硬件在这几个月里有没有大改，报道没说；但数据采集对象换人这件事，明确被点成了转折点。
1500 件/小时是这套方案目前最强的一个数。但它只回答了「最快能多快」，没回答「值不值」。
要判断一套分拣方案能不能替代人、能不能赚钱，至少还需要四个数：
| 需要的数 | 为什么关键 | 是否披露 |
|---|---|---|
| 平均吞吐（非峰值） | 峰值只出现在理想时段，产能规划要用均值 | 未披露 |
| 差错率 / 错分率 | 错一件的返工成本可能高于省下的人工 | 未披露 |
| 人工干预次数 | 卡件、掉件需要人介入，直接吃掉「省人」的账 | 未披露 |
| 每件分拣成本 | RaaS 按任务量结算的定价基础 | 未披露（仅称在探索按任务量结算） |
判断：这四个数缺一个，账就算不完整。尤其第三项——人工干预次数。分拣线上机器人卡一次件，往往要停线、要人进区、要重新启动，一次干预的成本远高于它省下的那几分钟。行业里常见的情况是：峰值效率很漂亮，但因为干预频繁，实际单班产出只有峰值的六到七成。
另一个没有回答的问题是复制成本。报道说已在十余个物流中心运营，但没说这十余个中心里，有几个走完了「实验室 1200 → 现场 800 → 峰值 1500」这整段爬坡。如果每一个新点位都要重走几个月，那这套方案的扩张速度就不取决于产能，而取决于能派出多少支现场调优团队。
最后留一个待查项：公司提到正在探索按任务量结算的 RaaS。这个模式一旦跑通，客户的验收口径会从「机器人多少钱一台」变成「分一件多少钱」——那时峰值效率就不重要了，平均成本才重要。这也意味着，上面缺的四个数，迟早要公开，因为它们是定价的分母。