Loblaw把AI装到配送中心门口，货车等待开始有了明细

一辆车已到配送中心门前，车牌、挂车号和预约资料却还要重新核对。驾驶员等着进场，仓库等着知道哪批货到了，门岗还在把信息传给调度。这个连接公路与仓库的短距离，成了加拿大零售商Loblaw近期扩大AI应用的地方。

9月16日，Loblaw与EAIGLE宣布扩大合作，在多个场站与配送中心推广视觉AI闸口自动化。消息没有给出每座配送中心的节省金额或全面完工日期，说明的变化则很具体：让车辆验证、货运数据记录与现有运输、仓库系统更早连接起来。零售供应链的效率竞争，正在从货架与仓库向入口延伸。

AI生成场景示意：配送中心货车闸口与摄像头

门开得快，靠的是三份信息对上

双方官方公告介绍，Loblaw在已有减少处理时间、改善驾驶员体验及数据准确性的早期结果上继续推广EAIGLE的Vision AI。具体使用的AVAC，是自动车辆准入控制。它首先处理的是常规门岗动作：识别到来的车辆、核对是否预期抵达，再执行相应进入安排。

对于配送中心，一辆车的身份不只是一张车牌。牵引车可能更换，挂车承担实际货物运输，驾驶员又对应具体承运任务。如果只识别车辆外观，后面的订单未必能准确接上；如果只相信提前填写的资料，现场到来的实际车辆还需要确认。门岗每天反复处理的，正是这几种信息之间的核对。

EAIGLE的产品流程页把这一步拆开：驾驶员提前在线登记运输信息，取得二维码；到门口后，摄像头识别车辆数据，再与驾驶员输入和企业系统中的信息交叉验证。公司列出的可识别字段包括牵引车号、挂车号、车牌及封条状态等。三类信息匹配时，系统执行自动开门。

这一过程的商业意义，来自减少重新输入与来回询问。提前登记让运输任务先进入系统，现场识别让实际车辆得到确认，企业系统则提供“这趟运输是否预期抵达”的依据。对驾驶员，少了一轮拿着资料反复确认；对收货团队，车辆到达信息能够更早进入自己的安排。

然而，二维码并不代替全部车辆核对。它能接回一份登记信息，摄像头还需要看到对应车辆，企业系统还需要提供正确任务。若预约里的挂车号与现场不同，系统标记差异之后，企业需要知道由谁确认实际承运变更。这个动作涉及真正的运输授权，不能仅因为车牌识别清晰就省掉。

对调度团队，例外处理是闸口自动化能否连续工作的关键。承运商临时换车、驾驶员提前到达、登记信息填错，都会让一趟实际运输偏离预录资料。常规交易越多由系统完成，工作人员越需要把注意力放到这些具体差异上。工作由逐车抄写转向确认变化，所需信息也从纸张上的一行字变为一组可核对的记录。

EAIGLE在产品页面宣传其自动办理时间低于三十秒，这属于供应商对产品能力的描述。Loblaw的扩展公告并未把这一数字作为旗下所有车辆的逐次办理结果。企业评估时更有用的指标，是正常资料完成验证的时间、异常等待时间、实际通行量，以及哪些任务需要人工接续。一个处理很快的常规流程，若异常车辆仍长时间挡住入口，整体通行改善就会受到影响。

对零售供应链，这种差异尤其现实。鲜食、日常杂货与其他商品可能在同一配送网络中流转，进场之后还有各自的卸货、检查和处理。门口准确识别车辆，能够给后面的安排提供较早的信号；下一步怎样安排月台与人员，则需要与实际收货能力相接。

进场之后，挂车还要被找到

闸口数据记录的是一次进入。挂车停在哪里、有没有移动、现在能否安排到月台，属于场站里的另一段工作。一辆车通过入口之后，如果仍要靠电话询问找到实际挂车，部分时间消耗就会转移到场内。

EAIGLE把这项能力称为YardSight，在其官方平台介绍中列出挂车、集装箱和底盘位置、停放时长与场地占用等信息。它将摄像头看到的实体资产接到场站管理里，让调度面对的是实际位置，而不是前一班留下的一张手工清单。

挂车号在这里成为重要连接。进门时记录到的号码，需要能在后续位置变化中保持对应；从停车区移动到月台，再从月台移开，时间和地点都在变化。对场站人员，问题不是地图上有多少图标，而是要操作的那一辆是否能够被准确定位。若同一号码被错误录成两个记录，或者已移走的挂车仍显示在原位，数字地图反而会增加寻找工作。

四月，EAIGLE还在MODEX展会发布了YardSight Mobile。官方发布日为2026年4月13日，它利用场内牵引车辆的既有活动，在移动中识别挂车并更新位置，减少对全场固定摄像头覆盖的依赖。这个产品发布与九月Loblaw扩大闸口合作，是两件相关但范围不同的事情；九月公告没有列明Loblaw各场站采用了哪一种固定或移动配置。

移动方案带出的，是物流技术一个实际部署问题。停车区域很大，现场视线又会随着货车位置变化。固定摄像头能持续观察自己的视野，移动摄像头则随着场内车辆经过取得新的观察。企业要结合自己的布局、移动频率和已有设施判断，什么地方能够被持续看见，什么地方需要通过日常移动更新。

对业务人员，这类选择最终会落到信息的时间上。某辆挂车最后一次被确认在何处，是此刻的观察，还是上一轮车辆经过留下的记录？如果知道更新时间，调度就能更合理地判断是否安排人员再次确认。把一个旧位置当成实时状态，可能让下一次移动安排出错；把实际已经发生的移动及时接回来，则能减少重复查找。

这一过程还要连到仓库。场站管理关注挂车和停车位置，仓库管理关注货物与收货任务，运输管理关注运输安排。Loblaw与EAIGLE的公告明确提到，与WMS、TMS、YMS和ERP等现有系统连接。视觉识别因此提供一项现场事实，其他系统继续提供对应的业务任务。

它们交换的信息必须有具体含义。车辆已经入场，可以提醒接收团队准备；挂车进入某个月台，可以为后续任务提供地点；车辆离场，则给这次访问补上结束时间。这些事件不同时发生，订单里的所有商品也不会因为闸口打开而立即成为仓库库存。把事件分别记录，后面的采购、收货和运输报表才更容易找到各自发生的时间。

这一动作也放在Loblaw既有仓网投资之中。公司在2025年7月的East Gwillimbury介绍里，列出该安大略配送中心120万平方英尺、四个温区与235个装卸门，并介绍电动场内牵引车辆和自动门岗。多个温区与月台，是同一座设施里不同的实际目的地。入口若已经知道哪辆车、哪项任务到了，后续安排就有机会使用更准确的信息。

一辆带来常温商品的挂车，与需要按相应冷藏条件接收的运输任务，必须被安排到适合的收货工作里。大型设施的自动化并不会把所有货都变成同一类任务，反而要求信息更准确：任务要送到正确地点，商品要沿对应处理流程推进。这里的温区和门数是公司当时公布的设施数据，九月合作公告没有逐一确认其具体采用方案。

对零售商，价值还包括跨班次协作。换班以后，工作人员需要知道在场的挂车有哪些、哪些已处理、哪些仍待安排。由现场识别持续更新的记录，可以减少每次换班重新盘点的工作。它提供的是更可靠的共同信息，让新的班次接着已经发生的动作继续处理。

等待时间进入记录，也进入成本讨论

配送中心门口的几分钟，会影响一辆车当天的工作安排。若多处交付都发生等待，承运商的路线、驾驶员可用时间和车辆周转都会受到影响。零售商减少一处入口办理时间，价值可能延伸到后续行程；承运商需要的则是能够说明实际抵达、等待、开始处理和离开的记录。

美国联邦汽车运输安全管理局在其驾驶员滞留研究介绍中指出，较早研究对总等待时间的估计，难以充分区分正常装卸与延误。这一背景材料并非加拿大2026年配送表现，但它揭示了等待问题的测量难点：一辆车在设施内停留，总时长并不全部属于延误。

时间戳让讨论更具体。抵达入口、完成验证、进入场地、开始装卸、完成装卸与离开，分别描述不同环节。入口办理变快了，可以在对应两项时间之间看见；进入场地后仍长时间等月台，问题就落在另一段。企业因此有机会把费用争议与现场改进分别定位，少把所有等待归到一个笼统的“仓库慢”。

EAIGLE的官网将带时间戳的照片记录和停留时间追踪列为产品能力。对实际运输合同，何时开始计费、允许怎样的等待以及哪些资料可以支持结算，仍由对应安排决定。影像和时间记录提供了现场证据，使双方能够围绕同一趟运输讨论，而不是各自翻找一张无法对应的纸单。

记录也可以说明车辆状况。入口与出口影像若能对应同一辆挂车，就有助于比较到场与离场时可见的损伤。照片需要接到正确访问记录，也需要能够确认拍摄时间和车辆。对于看不见的货物内部损坏，门口摄像头提供的仍是外部状态；货物检查则发生在其他环节。把每种证据用在它实际能说明的事情上，才能减少重复争执。

承运商因此会更关注自己提交的资料是否准确。预登记运输信息、实际挂车号以及必要的变更说明，能够减少到门后重新核对。零售商则需要让临时变化有明确的接收方式。双方在一趟运输开始前把信息安排好，自动化入口才有更多可以直接完成的任务。

Loblaw的截至2026年1月3日年度资料披露，其加拿大供应链包含26座配送中心，并利用外部货运填补运力不平衡和空载返程，发展货运代理与第三方物流业务。这给入口数据增加了实际用途：同一个网络服务的运输任务可能来自不同客户，现场车辆必须接回正确访问与货运安排。准确的进出记录，也有助于区分各项任务所消耗的设施时间。

一种车辆数据被多个系统使用，收益会比重新抄写到各自表格里更大。承运商确认访问，场站安排位置，仓库处理收货，财务核对相关费用，各自需要的字段有所不同，却要能够定位同一趟运输。闸口取得的实际抵达信息，正好提供了一个共同起点。

这种协调也解释了为什么零售商选择在已有早期结果上扩展。一个场站能够完成验证，还要让多个地点重复使用同一类信息。不同地点的停车布局、收货班次和承运来源可能不同，扩展就需要把常规字段与当地操作安排共同落实。摄像头取得数据，系统接回任务，人员处理真实例外，三个环节缺一项，自动化就会停在局部。

AI的价值落在下一次交付

Loblaw这次动作没有直接改变消费者能买到的商品，也没有给出一张全网络节约费用的清单。它把资金和技术投入到商品到店之前：让更多运输访问可以准确、连续地完成，让现场信息更早进入调度和收货工作。

对企业，这是一种具体的应用路径。先找到反复发生的车辆核对与抄写工作，再用现场识别和已有系统完成它；取得足够的操作记录之后，继续判断等待发生在何处。购买技术时最醒目的可能是识别速度，持续使用时更有价值的，是这套数据能否帮助下一班、下一个月台和下一趟运输作出准确安排。

门开得快值得观察，货怎样接着走更值得观察。零售供应链的AI投入，最终要在重复的真实交付里省下等待、减少错误，并让商品按计划抵达。

声明：本文系作者独立观点，不代表ESG跨境立场。文中涉及的平台规则、费率及出海政策具有时效性，实际运营请以平台官方最新公布为准。如有版权争议、内容勘误或业务交流，欢迎随时与我们联系。