“卖菜”看似是一个简单的零售动作，实际上背后却有着先进的底层技术支持。
生鲜零售供应链面临着诸多挑战。生鲜商品易损耗，控水能力要求极高；同时，从供应商到消费者，整个链路长且复杂，如何保证各环节精准咬合，成为业务的核心问题。此外，前置仓模式虽然靠近消费者，具有灵活性强的特点，但相对库存较浅，对管理提出了更高要求。
面对这些挑战，叮咚买菜通过多年积累，不仅打造了扎实的食品供应链基础，还拥有了提供即时、标准的到家服务的能力，成为食品零售赛道少有的，集开发生产、渠道销售、即时配送服务能力于一体的企业。2024年公司全年交易总额达255.6亿元，并实现全年全面盈利。
值得一提的是，在企业广泛拥抱AI的大趋势下，叮咚买菜早就开始用AI技术来优化和提升业务效率。自2020年开始全面的推行机器学习，从2023年到2024年，进入深度模型。在2024年下半年开始，逐渐上大模型，2025年则是全面重构。
本篇洞察将详细拆解叮咚买菜如何针对供应链（尤其是前置仓模式）进行优化，以及主要的AI应用项目。
叮咚买菜用数字化及AI不断优化供应链
叮咚买菜的业务模式具有以下几点特征。一是全链路冷链，确保商品新鲜；二是前置仓模式，实现即时零售；三是智能调度，提高效率。
为了更加标准化地经营，叮咚买菜通过技术尤其是AI的赋能，构建了从农场、基地、供应商到城市分选中心，再到前置仓，最终通过骑手送达消费者的完整业务链条。2024年7月数据显示，在高达60%以上的生鲜占比情况下，叮咚买菜端到端的全链路损耗能够控制在1.5%。
其中的前置仓模式，叮咚买菜有不一样的理解和实践。
很多零售企业会认为，前置仓的模式是跑不通的。但在叮咚买菜来看，会认为前置仓本质上是一个分布式的冷链系统，也是实现生鲜供应链的一个非常高效的一个方法。它的好处首先在于靠近消费者，使得整个冷链配送的效率会非常的高。第二个是库存周转快、商品的新鲜度好。叮咚买菜整个前置仓所有的库存能控制在五天以内。这个是传统零售很难做到的。
首先，前置仓本身存在明显的难点，难点之一在于有的仓面积很小，这意味着它的库存浅，容错率很低。就是稍微多一件或少一件商品，业绩就会差别很大。另一个难点就是仓数很多，比如叮咚买菜目前有一千多个仓，每个仓约有4000个品，这就意味着存在400万的组合。要把几百万的组合每天都管得很好，这个计算量是人力做不了的。所以叮咚买菜本质上是基于前置仓的形式打造了一套数字化的生鲜供应链能力。核心其实就两点，一个是全链路的数字化，重点是把所有的环节都把它数字化掉；第二个就是数据算法驱动，用算法去管每天400万的组合。
同时，为了进一步精进前置仓，叮咚买菜布局了多个AI创新项目。包括针对仓储供应链的大仓智能质检和前置仓货架变化检测，以及围绕前置仓履约的智能拆解用户备注和骑手用户语音转译。接下来重点分享前者。
大仓水果糖度检测，提升一线质检的效率和准确度
随着生鲜电商行业的迅猛发展，消费者对于水果品质的要求日益严苛，而糖度是其衡量水果口感的重要依据。
目前，业内传统测糖主要依赖人工检测。在叮咚买菜，一线质检往往需要测糖度，并且拍摄至少５张采样照片，根据不同水果的糖度要求人为判定是否合格，再手工填写数值并上传照片，效率较低，还易出现数据填错及判定出错的情况，错误率3%。
这些错误数据会干扰企业对水果品质的准确评估，影响采购决策、库存管理以及客户反馈等环节。为满足消费者对高品质水果的需求，提升用户体验，叮咚买菜正在通过AI技术的应用，优化水果糖度检测流程，实现检测的高效性和准确性。
叮咚买菜技术团队引入多模态大模型及其他必要传统深度学习技术手段，通过搭建水果糖度自动识别与判定系统，重塑糖度检测流程，重点解决“图像识别-数据解析-系统对接”全流程自动化。具体而言，提出“OCR图像识别+AI模型”解决方案，通过自动识别糖度仪屏幕图像中的数值，替代人工录入环节。系统投入使用后，系统将运用先进的图像识别技术自动读取糖度数值，并由质检人员进行确认，随后系统凭借内置的智能算法自动完成糖度是否合格的判定。
该项目实施过程中，主要面临如下挑战：
1）环境干扰问题：检测现场光线复杂、设备摆放角度不一，影响图像质量；
2）数据标注难题：挑战：初期标注数据不足，模型泛化能力有限；
3）业务流程适配：挑战：质检员操作习惯差异导致拍照质量参差不齐。
对于落地过程中面临的主要挑战，叮咚买菜技术中心的应对策略包括：
1）通过图像旋转校正、提示词加强提升大模型识别的鲁棒性；
2）采用合成数据增强技术，快速提升模型性能；
3）设计简单的拍照流程和要求，降低用户操作门槛。
同时，该项目的直接收益包括：
1）效率提升，单次录入时间从人工的20秒缩短至3秒内；
2）准确率突破，最终准确率达98.3%，减少因人工失误导致的质检争议；
3）所有检测数据自动同步至系统，支持后续数据分析与质量追溯，做到数据的标准化。
除此之外的间接效益包括：提升了管理效能提升，例如通过自动化数据流，质检部门可快速生成质量分析报告，辅助决策；以及风险防控，如系统自动标记异常值（如数值波动过大），降低不合格产品流通风险。
本项目实现了高精度识别（98%准确率）、轻量化部署（仅需设备拍照功能）与快速响应（25天内完成验证及适配），在创新方面将质检环节拍照留存与数据录入合二为一，首次结合目标检测、OCR及提示词工程技术应用于糖度检测场景，并通过优化算法有效降低了智能化改造成本，且技术方案具有可扩展性和行业推广价值。
前置仓货架变化检测，提高运营水平
在当前的前置仓运营体系中，分拣员单趟最优分拣路径规划、库存管理以及货物摆放优化等核心作业，都需要依赖电子版前置仓地图 。然而，线下仓储环境存在动态变化特性，货架的位置调整与数量增减时有发生。如果缺乏高效的信息同步机制，这些线下变更无法及时、精准地反馈至电子版地图中，由此衍生出一系列关键问题：数据一致性缺失和运营结果偏差。
现阶段，如果继续依赖人工进行频繁的地图复核与数据更新，一方面需投入大量人力成本，作业量巨大且繁琐；另一方面，人工处理速度难以匹配仓储环境快速变化的节奏，无法满足实时性要求，导致数据滞后问题持续存在。
鉴于此，叮咚买菜供应链正在构建一套融合自动化检测货架变更技术与人工复核的创新流程，以改善当前仓内运营面对的问题，帮助前置仓更高效地运营。
该方案的核心是通过使用多模态大模型及其他传统深度学习技术手段，对比分析前置仓中同一摄像头在T-2（前天）与T-1（昨天）拍摄的货架图像，精准识别货架增加或减少、位置移动或旋转情况。
实施过程中，由于数据样本稀缺及场景复杂性，导致训练模型泛化能力受限。叮咚买菜技术中心采用了数据增强技术、图像预处理与多角度摄像头数据融合、增强数据样本筛选等方式来提升预测效果。
项目直接收益主要体现在以下几个方面：
1）人工成本降低：通过自动化检测，人工复核工作量减少了90%，预计每年至少节省约50万元的人力成本。
2）数据精准度提升：电子地图与实际布局的一致性提高至91%，路径规划错误率降低了80%。
3）响应速度加快：变更检测周期从人工操作的数小时缩短至分钟级别，能够实时同步仓储变化。
4）资源利用率优化：通过过滤无效数据，减少了30%的计算资源浪费，有效降低了运营成本。
同时，该项目还带来了以下间接受益：
1）运营效率提升：在动态调整货架布局时，算法能够快速适配新地图，支持仓储空间的优化；
2）风险防控强化：及时识别货架移除或位移，避免因数据滞后导致的货物堆积或缺货问题；
3）管理决策支持：长期数据积累为仓储布局设计、货架利用率分析等提供了数据支持，有助于更科学的管理决策。
该项目在算力有限条件下，通过算法拆解图像实现 91% 准确率与 75% 召回率的业务达标，有效应对遮挡、光线变化等复杂仓储环境干扰，且架构可扩展，未来通过微调模型可提升精度，技术路径清晰。
启示与建议
从叮咚买菜的两项实践可以看到，在AI背景下，其“前置仓模式”已经大幅进化。具体来说，以下几点值得行业借鉴：
重新审视质检环节的自动化与智能化可行性，通过技术升级减少人力成本，提高质检的准确性与时效性，进而保障商品品质，降低损耗率。
传统生鲜电商大仓质检多依赖人工，效率低且易出错。叮咚买菜借助大模型对商品图像、数据进行快速分析，精准识别品质问题。在供应链环节引入大模型，显著提升了大仓质检效率。
仓储精细化管理方面提供新的思路，企业需要重视仓储环节的信息化同步。
以往前置仓货架调整后，信息更新不及时，影响拣货、补货效率。叮咚买菜通过技术手段实现自动检测，确保电子地图与实际货架一致。对前置仓货架变化进行检测，能实时掌握仓储布局动态，优化库存管理、货物摆放与人员作业路径，提升整体运营效率与空间利用率。
注：文/于向南，文章来源：虎嗅智库服务，本文为作者独立观点，不代表亿邦动力立场。
文章来源：虎嗅智库服务
