2016 年，Amazon 在发布 Just Walk Out 技术时曾描绘了一个令人神往的未来场景：顾客走进商店，取走商品，无需排队结账，直接离开，费用自动从 Amazon 账户扣除。这套系统承载着 Amazon 对实体零售革命的宏大愿景，也被视为计算机视觉与人工智能在消费场景落地的标杆项目。然而，2024 年 4 月的一则消息打破了这一愿景 ——Amazon 宣布在大型 Amazon Fresh 超市中移除 Just Walk Out 技术，转而采用智能购物车方案。这一转变背后，暴露出纯视觉方案在规模化零售场景中的深层技术困境。
技术架构拆解：百台相机与刚性货架的代价
Just Walk Out 的核心架构是一套多模态感知系统。根据公开技术资料，每个 Amazon Go 门店部署超过一百台高精度摄像头，配合货架上的重量传感器和红外检测装置，形成立体化的商品追踪网络。这套系统的设计理念是通过多角度视觉捕获重建顾客的购物行为轨迹，结合商品位置变化和重量变化进行交叉验证，最终在顾客离店时生成准确的购物清单。
从系统架构角度看，这套方案采用了典型的边缘计算与云端协同模式。门店本地部署的计算节点负责实时视频流的初步处理，包括人体姿态检测、商品识别和轨迹追踪；处理后的结构化数据上传至云端，由更复杂的机器学习模型完成商品与顾客的精确匹配。这种架构设计在理论上能够实现较高的识别准确率，但也意味着极高的硬件成本和运维复杂度。每个门店的相机部署密度和标定精度都直接影响系统性能，任何一台相机的角度偏移都可能导致识别盲区。
Amazon 还采用了刚性货架布局策略来降低系统复杂度。商品在货架上的位置相对固定，系统可以预先建立商品位置与相机的映射关系，减少实时推理的计算量。这种设计在商品种类有限、摆放规律的便利店场景中能够稳定运行，但当场景扩展到商品种类数以万计、货架布局动态调整的大型超市时，刚性布局的优势迅速消解，取而代之的是高昂的门店改造代价和僵化的运营模式。
规模化困境：复杂场景下的识别准确率陷阱
Just Walk Out 技术在小型 Amazon Go 便利店中表现尚可，但一旦尝试向大型超市扩展，问题便接踵而至。零售场景的复杂性远超实验室环境的可控假设，顾客的购物行为充满随机性：有人会将商品拿起仔细端详后又放回原位，有人会从货架两端取走商品导致遮挡加剧，还有人会与同伴共同选购同一商品，这些看似平常的行为都会对纯视觉追踪系统构成挑战。
更深层的问题在于商品相似性和遮挡干扰。超市中存在大量外观相似的商品，例如不同品牌的同类型饮料或日用品，视觉模型需要依赖细微特征进行区分。然而，当商品被拿起、旋转或部分遮挡时，可用于区分的视觉特征急剧减少，系统很容易产生误判。此外，购物车中的商品堆叠会导致严重的遮挡，底层的商品几乎无法被相机有效捕获，而依靠重量传感器又难以区分堆叠状态下不同商品的拿取与放回动作。
从信息论视角分析，纯视觉系统在零售场景中面临根本性的信息缺失。当顾客的手伸向货架并收回时，系统只能观察到手的运动轨迹和货架状态的变化，但无法直接确认手中是否持有商品、手中商品的种类和数量。这种观测与真实状态之间的信息鸿沟，在简单场景中可以通过模型推断填补，但在高峰时段的多人复杂交互场景中，推断错误的概率呈指数级上升。Amazon 内部曾评估，在大型超市的高流量场景下，纯视觉方案的准确率难以达到商业可接受的标准。
工程权衡：千人审核团队的隐形成本
为了掩盖技术缺陷，Amazon 采取了人工审核作为兜底方案。据报道，Just Walk Out 系统在实际运行中依赖超过一千名远程审核人员，对系统生成的购物记录进行人工复核和修正。这些审核人员观看门店录像，逐帧确认顾客的实际取货行为，修正自动识别错误，最终生成准确的账单。这一做法在技术博客中被包装为「人在回路」的人机协作模式，但实质上暴露了纯视觉方案的准确性短板。
千人审核团队的运营成本是惊人的。以美国最低时薪计算，仅人工审核一项每年的支出就高达数千万美元，这还不包括审核人员的培训、管理和质量控制成本。更关键的是，人工审核存在显著的延迟问题，顾客离店后需要等待数小时甚至更长时间才能收到准确账单，这与「即拿即走」的用户体验承诺形成了直接矛盾。部分顾客反映曾收到错误的账单，要求查看购物录像才能获得退款，这种体验严重损害了技术的可信度。
从工程效率角度看，人工审核团队的存在本身就是系统设计失败的症状。理想的全自动化系统应该将人工介入控制在极低比例，通常不超过总交易量的百分之一。当人工审核量达到交易量的显著比例时，说明系统的自动化能力并未达到实用门槛，所谓的「AI 技术」更多是营销话术而非真正的智能自动化。Amazon 在 2024 年的战略调整中明确承认了这一点，宣布将资源转向更务实的智能购物车方案。
技术路线反思：多模态融合与渐进式自动化的价值
Just Walk Out 的失败不应被简单解读为计算机视觉技术的失败，而应视为特定技术路线在特定场景下的局限性。纯视觉方案试图在一次推理中完成从视频流到购物清单的端到端转换，这种高度集成的架构虽然优雅，但鲁棒性不足。相比之下，智能购物车采用了更朴素的方案：在顾客将商品放入购物车时即完成扫描确认，后续流程与传统自助收银无异。这种渐进式自动化策略将复杂任务分解为多个可独立验证的子任务，每个环节的准确性都可以得到即时验证和修正。
从系统设计原则来看，Just Walk Out 违背了「最小惊讶原则」。顾客在传统零售场景中已经建立了明确的购物心理模型 —— 取货、排队、结账、离开，任何试图颠覆这一流程的技术都需要提供无缝衔接的用户体验。当系统需要顾客在离店前专门进行手机扫码、需要依赖隐形的相机网络进行追踪、需要接受可能延迟的账单确认时，用户的认知负担反而增加了。技术不应该让用户学习新的行为模式，而应该无缝嵌入既有的行为流程中。
多模态传感器的合理配置是零售自动化的可行方向之一。射频识别（RFID）标签在供应链管理中已有成熟应用，可以在商品层面提供高置信度的身份识别；重量传感器可以检测商品的拿取与放回动作；视觉系统则负责人员追踪和行为分析。这些传感器的数据应该被融合使用，而非依赖单一模态的端到端推理。当某一模态的置信度不足时，系统可以主动请求用户确认，例如提示「请将商品放在扫描台上」，而不是试图在后台完成所有推断。
工程实践启示：技术选型中的场景适配原则
Just Walk Out 案例为技术决策者提供了若干关键启示。首先，技术选型必须基于对真实场景复杂度的充分认知，而非实验室 benchmark 的乐观数据。计算机视觉在图像分类和目标检测任务上的卓越表现，不能简单外推至开放世界的行为理解任务。零售场景中的人机交互涉及意图推断、社会行为规范和异常处理，这些问题目前尚无成熟的端到端解决方案。
其次，技术方案的商业可行性需要综合评估全生命周期成本。Just Walk Out 的硬件投入、人力审核成本和运维复杂度共同构成了高昂的运营成本，这些成本在技术宣传中往往被淡化。企业在评估前沿技术时，应该要求供应商提供详细的成本模型，包括边缘计算资源消耗、云端服务费用、异常处理人力需求和系统升级维护成本。
最后，技术路线应该保持渐进式演进而非激进式颠覆。智能购物车方案之所以更受青睐，是因为它在保留用户熟悉流程的基础上逐步引入自动化元素，降低了用户的认知门槛和信任成本。当技术成熟度不足以支撑完全自动化时，人机协作的渐进方案往往比一步到位的激进方案更可靠。
Amazon 在 Just Walk Out 项目上的投入与收缩，展示了技术公司在前沿探索中必然经历的试错过程。失败本身并非终点，关键在于从失败中提炼经验并指导后续实践。Just Walk Out 积累的计算机视觉能力和多模态数据处理经验，仍然可以在其他场景中发挥价值，例如仓储物流中的商品分拣或工厂生产线上的质量检测。技术的迁移和重生，往往始于对失败原因的深刻理解。
参考资料
- CNN Business: "Amazon's cashier-less technology was supposed to revolutionize grocery shopping. It's been a flop" (2024 年 4 月)
- Ars Technica: "Amazon Fresh kills 'Just Walk Out' shopping tech—it never really worked" (2024 年 4 月)
- Axios: "Amazon's no-checkout flop shows AI's limits" (2024 年 4 月)
- Gizmodo: "Amazon Kills 'Just Walk Out' Development, Source Says" (2024 年 4 月)
- Fortune: "Amazon's co-inventor of 'Just Walk Out' tech sets the record straight" (2024 年 4 月)