丰宜招股书拆解｜边缘识别，为什么正在成为智能零售的新分水岭？

6月10日，深圳市丰宜科技集团股份有限公司（下称“丰宜科技”）正式向港交所主板递交招股书，冲刺“智能零售柜第一股”。这家由顺丰控股孵化、旗下运营“丰e足食”品牌的公司，坐拥国内最大规模的AI智能零售网络。

截至2025年底，丰宜科技已在全国72个城市直营超过18万台智能零售柜，市场份额达21.5%，商品交易总额23.4亿元，两项核心指标均位列行业第一。2025年，公司营收首次突破20亿元，经调整净利润达1.19亿元。

翻阅丰宜科技招股书时，有一个很有意思的现象。整份文件里没有大谈模型参数，没有反复渲染算法领先，也没有把AI包装成万能概念。相反，很多真正关键的技术能力，都隐藏在那些并不起眼的描述里。

其中有一个词，特别值得拿出来探讨——边缘识别。它不像大模型、AIGC、Agent那样容易成为热点，也不像机器人、自动驾驶那样吸引眼球。但恰恰是这种看似不起眼的技术，很可能正在重新定义智能零售的竞争方式。

过去几年，行业讨论智能零售，更多关注的是柜子本身，比如硬件是否足够智能、摄像头布设是否充分、支付流程是否流畅。后来，话题转向了算法，尤其是销量预测精度、补货路线优化、库存周转效率。

这些都在持续演进，但在所有这些能力之上，还有一个更底层的问题需要先被解决。AI必须首先准确感知柜内发生的一切——商品是否被取走、取走的是哪个SKU、是否有错放、哪些货架接近售罄、库存数据与实际是否出现偏差。

如果这些基础信息无法被实时精准捕获，后续所有的预测、补货、调拨和运营优化都只能建立在滞后数据之上。对于智能零售而言，所有决策的起点都是感知。而边缘识别所解决的，正是AI获取现场信息的“最初一公里”。

商品识别的真正难题，不在实验室里

很多人理解商品识别，会觉得这并不复杂。摄像头拍下来，AI识别商品，然后完成结算。听起来，这似乎已经是一个相当成熟的问题。

但真正把一张覆盖十几万台设备的零售网络运营起来之后，事情远没有这么简单。

现实世界，并不是实验室。同一个柜子，一天之内可能经历成百上千次开关门。有人一次拿走三件商品，有人拿起来又放回去，有人顺手把商品放错了一层货架，还有人会挡住摄像头、遮挡商品，甚至多个动作同时发生。

对于AI来说，这些都不是标准答案。它面对的是一个不断变化、充满随机性的真实世界。识别一次商品，并不难。真正困难的是在各种复杂场景下，每一次都识别正确。

而且，这种正确不只是为了完成一次交易。它还直接决定着后台的数据质量。如果识别出现偏差，库存就可能开始偏离真实情况。库存一旦偏离，补货计划就会受到影响。补货受到影响，又会进一步影响销量预测和运营调度。最终，一次识别误差，可能沿着整个运营链条不断放大。

很多人觉得，识别只是交易环节里的一个小步骤。实际上，它更像是整张运营网络的数据入口。入口出现误差，后面的每一个环节都会受到影响。

丰宜科技在招股书中披露，其每10,000笔订单的客户服务事件少于六起，处于行业领先水平。这个数字背后，是无数次边缘识别在复杂场景下的稳定输出。

正是这种稳定性，支撑着其18万台设备、每年超20亿营收的规模化运营。如果识别精度不够，整个运营网络的数据质量都会大打折扣。

云端识别存在的问题和挑战

过去很长一段时间，行业主流思路都是把数据传回云端处理。摄像头采集画面，上传服务器，后台完成识别，再把结果返回设备。这种模式，在很多场景下都能工作。但随着智能零售规模不断扩大，它开始暴露出越来越明显的问题。

首先是速度。消费者打开柜门之后，商品拿取动作往往只有几秒钟。如果所有视频数据都要上传，再等待后台完成计算，响应时间很容易受到网络环境影响。

其次是成本。一台柜子每天都会产生大量视频数据。如果每一段视频都上传云端分析，不仅需要持续消耗带宽，也意味着更高的计算资源投入。当网络规模扩大到数万台、十几万台设备之后，这种成本会迅速放大。

还有一个更容易被忽略的问题：现场正在发生的事情，并不会等待后台。商品已经被拿走了，消费者已经关上柜门，补货员已经开始整理货架。如果AI还在等待视频上传、等待计算结果，那么它获得的信息，很可能已经慢了一步。

而对于运营来说，很多决策恰恰依赖于“实时”，比如库存什么时候发生变化？什么时候需要补货？什么时候出现异常？越早知道，后续能够做出的动作就越及时。

于是，行业开始出现一个越来越明确的方向：让AI尽可能在现场完成感知，而不是把所有事情都交给云端。这也是“边缘AI”开始受到关注的重要原因。

它并不是简单地把计算位置换了一个地方，真正改变的是，AI开始拥有了在现场实时理解环境的能力。

丰宜科技在招股书中披露，其智能零售柜“使用内置计算机视觉，实时捕捉客户拿取商品的局部视频片段，并利用云端识别技术自动识别所选商品”。

这背后正是云端与边缘协同的技术架构。边缘侧完成实时感知与初步判断，云端负责更复杂的模型迭代与全局优化。两者分工，而非简单替代。

边缘识别为何值得被重新审视

很多人第一次听到边缘识别，最容易想到的是两个关键词：更快，延迟更低。这些当然都是优势。但如果仅仅把边缘识别理解成一次性能优化，还是低估了它真正的价值。

真正重要的变化，其实是另一件事：AI开始能够持续感知现场，而不是事后理解现场。这是两个完全不同的能力。

过去，AI更多是在分析已经发生的事情，例如消费者拿走了哪些商品，订单有没有异常，库存是否发生变化。这些信息，本质上都是对过去动作的还原。

而边缘识别带来的变化，是AI开始实时参与整个过程。柜门打开之后，它持续观察；商品移动时，它持续判断；商品放回时，它重新确认；柜门关闭之前，它已经完成了整个状态更新。

对于后台而言，它拿到的不再是一段等待分析的视频，而是一份几乎同步更新的现场状态。看起来只是识别提前了几秒钟，实际上改变的是整个运营系统获取信息的方式。

可以说，AI第一次真正拥有了“现场感知”能力。在丰宜科技的招股书中有一段描述，很容易被忽略：柜门打开后，工业控制计算机会立即启动双识别摄像头，在用户取货过程中采集局部视频片段，并在边缘侧完成商品识别，最终同步完成库存更新和交易结算。

如果只是快速浏览，很容易把它理解成一次普通的技术介绍。但如果把它放回整个运营体系里，这套能力的意义，其实远不止“识别更快”。它改变了AI获取现场信息的方式，从“先发生、再理解”的事后分析，变成了“实时发生、实时理解”。

很多运营能力，其实都建立在这个前提之上。库存要准确，补货才能准确；补货准确，调拨才有意义；调拨合理，整个供应链效率才会持续提升。

丰宜科技自主研发的FLOW Pilot智能体系统，每天作出近1.2亿个决策，仅约2万个需要人工干预。如此大规模的自动化决策，如果没有边缘识别在底层持续提供准确实时的现场数据，根本无从谈起。

边缘识别，正在成为智能零售的底座能力

过去几年，行业一直在讨论AI。但不同阶段，AI承担的角色其实并不一样。最早，它更多承担自动化工具的角色，帮助企业提高效率、减少人工、完成一些重复性的工作。

后来，大模型出现以后，人们开始讨论AI如何帮助企业做决策，包括预测销量、优化库存、规划路线、推荐补货。AI越来越像一个“运营参谋”。

但对于智能零售来说，仅仅会决策还远远不够。因为真正发生交易的地方不在后台，而在那一台台分散在城市里的智能柜前。消费者站在柜子前，商品在货架上移动，库存在实时变化。

如果AI不能第一时间理解现场，它做出的很多决策，仍然只能建立在一份滞后的数据之上。从这个角度来看，边缘识别的意义，其实已经超出了商品识别本身。它让AI第一次真正拥有了持续感知现场的能力。这种能力听起来不像大模型那样引人注目，却更接近整个智能零售网络真正运行的基础。

很多行业的发展，都经历过类似的过程。最开始比拼的是硬件，后来比拼的是软件，再后来比拼的是算法。而当算法越来越成熟之后，真正拉开差距的，往往不再是模型本身，而是模型能否持续获得真实、准确的数据。

智能零售也是如此。过去几年讨论更多的是预测、调度和运营优化，这些能力当然重要，但它们都有一个共同前提：AI必须先知道，现场到底发生了什么。

从这个意义上说，边缘识别并不是智能零售里的一个独立功能，它更像是一层底座——不直接创造价值，而是支撑其他能力持续创造价值。

对于一张覆盖十几万台设备的零售网络来说，这种变化也许并不容易被消费者直接感知。消费者依然扫码、开柜、拿货、离开，一切看起来和以前没有太大区别。但在柜门打开的那几秒钟里，AI已经完成了商品识别、库存更新、状态同步，并把这些信息实时送入整个运营网络。

消费者看到的，只是一笔交易。而系统完成的，是一次完整的信息闭环。这或许才是边缘AI真正值得关注的地方。它并没有创造一个新的消费场景，却悄悄改变了整个智能零售网络理解现实世界的方式。

对于未来越来越复杂的AI运营体系来说，这很可能不是终点，而是起点。真正聪明的AI，并不是先学会思考，它首先要学会的，是看懂真实世界。