当AI走进生产现场，斑马技术如何将一线数据转化为业务决策与执行？

从条码、RFID到机器视觉，再到端侧AI，斑马技术的变化提供了一个观察物联网产业演进的窗口：企业需要的已经不只是“把物连接起来”，而是让系统能够理解现场，并把数据直接转化为操作和决策。

摘要： 当AI从云端走向工厂、仓库和门店，企业关注的重点正在从模型参数转向效率、准确率和工作流。斑马技术一边整合条码、RFID、机器视觉、3D视觉与端侧AI，一边持续通过并购补齐视觉和软件能力，试图从传统自动识别设备供应商向系统级智能运营平台延伸。这背后折射出的，是物联网产业价值重心从连接、采集数据，进一步向现场理解和业务执行迁移。

 过去几年，AI产业的竞争主要围绕大模型展开：参数更大、算力更高、推理能力更强。但进入工厂、仓库和门店之后，企业衡量AI的尺度要现实得多——能不能缩短操作流程、减少误拣漏检、降低对熟练人员的依赖，并最终转化成生产率。

日前举行的IOTE 2026上，斑马技术展示的变化颇具代表性。从条码扫描、打印、RFID和企业移动终端起家，到近年来持续收购机器视觉公司，再到把AI模型、NPU、摄像头和多种数据采集技术装进一线终端，其业务边界正在从“采集数据”向“理解现场”延伸。

展会期间，斑马技术大中华区副总裁兼总经理于放、斑马技术大中华区技术总监程宁等接受与非网采访。于放反复强调，企业AI最终仍然要回到几个可以量化的指标：效率、错误率以及业务流程是否真正发生变化。

斑马技术大中华区副总裁兼总经理于放

从自动识别到一线AI，斑马技术的产品边界正在扩张

如果只把斑马技术理解为一家条码扫描器和打印机厂商，已经很难概括它现在的业务版图。

目前，斑马技术的产品已经覆盖企业移动数据终端、坚固型平板电脑、条码扫描与成像、打印及耗材、RFID与实时定位系统（RTLS）、Workcloud劳动力优化与协作软件、机器视觉、自动化以及一线AI解决方案，全球渠道合作伙伴超过1万家。移动计算、条码扫描、热敏打印和RFID仍是其基础业务，但过去数年的扩张方向已经明显超出传统AIDC（自动识别与数据采集）。

其中一个重要路径就是并购。Cortexica补充计算机视觉能力，Adaptive Vision进入机器视觉软件，Matrox Imaging进一步进入工业机器视觉，Photoneo则把能力延伸到3D视觉。与此同时，Reflexis Systems、Antuit.ai、Fetch Robotics和Elo Touch Solutions等收购，又分别把业务边界扩展到智能劳动力管理、AI SaaS、工业自动化和交互式终端。

这些资产放在一起看，其逻辑已经不是简单增加硬件品类，而是在条码、RFID和移动计算之外，补齐视觉、软件、AI和自动化。

AI也并非突然出现在斑马的产品线上。此前，其AI已经用于商品识别、机器视觉缺陷检测、机器人导航、包裹尺寸测量等任务。2026年的变化在于，这些能力开始被进一步整合为Frontline AI Suite。

其中，Frontline AI Enablers向开发者提供货架和产品定位、条码查找、产品识别、OCR/文本识别、特征提取等能力；AI Blueprints作为专门设计的模板通过整合多种辅助工具，实现关键的多步骤工作流程的自动化；Zebra Companion则可提供面向一线员工的AI代理，结合企业知识库进行信息查询、销售辅助和设备使用等指导。

软件变化也开始反向影响硬件设计。

斑马技术现场指出，运行一线AI的终端需要解决三个问题：处理能力、内存，以及数据采集的质量和数量。NPU负责本地推理，更大的内存用于运行模型和处理图像，而摄像头、条码、RFID和景深传感决定模型到底能“看到”什么。

TC501和TC701就是这种思路下的新一代手持移动数据终端。在斑马技术的手持设备中，两款产品搭载的传感器十分丰富，能够为AI应用程序提供全方位的数据支持。程宁指出，以前一些需要专门视觉设备完成的功能，现在直接拿一个PDA，它就能实现相同的功能。

斑马技术大中华区技术总监程宁

这意味着，PDA正在从“扫码工具”变成一个端侧AI载体。

企业级AI为什么首先落地工厂、仓库和门店？

在IOTE上斑马技术的展台，一个仓储演示很能说明问题。

过去员工使用PDA拣货，需要靠近货架、逐个扫描条码，再确认是不是订单商品。加入AI视觉后，员工只需要把摄像头对准一排货物，终端就可以识别多个目标，通过不同颜色的框提示哪些需要拣取、哪些并非目标，而且识别和判断可以直接在端侧完成。

类似变化正在制造和零售环节发生。零售门店可以利用OCR读取生产日期和有效期；制造线上，机器视觉可以同时读取条码和字符并进行一致性比对，也可以检测PCB焊点、外观等缺陷。

这些应用的共同特点是任务明确、数据连续，而且错误成本容易计算。

于放把斑马目前看好的场景概括为三类：“一个就是高端的制造业产线，第二个就是仓储的自动化，第三个就是零售。”在他看来，这些场景的核心诉求是提高效率、降低错误率。

这也是端侧AI受到重视的原因。

传统架构中，终端更多负责采集，再把数据送往后台。但产线和仓库中的很多判断必须即时完成。如果每一次图像识别都依赖云端，就会涉及网络稳定性、延迟、Token费用以及数据安全。因此，一部分模型开始被压缩并部署到本地NPU上。

与此同时，企业AI的竞争也开始从公共数据转向私有数据。

大模型可以共享相似的基础能力，但工厂的良率数据、设备数据，仓库的库存与作业信息，以及零售企业的SKU、货架和门店运营数据，都属于高度场景化的企业资产。

于放认为，接下来一个关键问题是“怎么把私有化的数据变成生产力”。当基础模型逐渐趋同，企业之间真正形成差异的，可能恰恰是自己的数据以及这些数据所对应的业务场景。

这也解释了斑马为什么强调预训练模型、SDK和AI Blueprints。工业AI最大的难点，往往并不是证明模型“能不能做”，而是能不能低成本进入现有流程：产品换型后是否需要重新训练？换一条产线能否快速复用？没有视觉经验的现场工程师能否完成基本配置？

因此，一线AI真正要降低的是部署成本，而不只是推理成本。

斑马为什么连续收购机器视觉公司？

在斑马传统业务中，条码和RFID解决的主要是身份识别和追踪问题。但进入真实生产现场，企业需要知道的远不止“它是谁”。

零件有没有装反，焊点有没有缺陷，尺寸是否偏差，一批货中是否混入错误型号，这些信息很难仅靠条码和RFID获得。机器视觉补上的正是“状态感知”这一层。

从2019年以来，斑马先后收购Cortexica、Adaptive Vision、Matrox Imaging以及Photoneo。其覆盖范围也从计算机视觉、视觉软件逐步扩展到工业机器视觉和3D感知。

斑马技术大中华区机器视觉与成像产品线业务负责人高云峰表示：“从2019年开始，我们收购了全世界不同的机器视觉厂商。”其目标是进一步“强化到全系统”，成为“全平台化的系统级别供应商”，而不只是提供某一个部件。

展会现场已经能够看到这种技术组合。在电子制造场景中，相机既可以读取电路板条码，又可以检测焊点等外观异常；另一套高速产线方案同时读取条码和OCR字符，再判断两组数据是否一致。到了3D视觉，系统还能获得物体的尺寸、形状和空间信息，例如判断一批轮胎中是否混入不同型号产品。这形成了一条比较清晰的能力扩张路径：从识别物品身份，到判断物品状态，再到理解物体及空间关系。

机器视觉本身又不是一项单一技术。工业相机、光学、视觉软件、算法、2D/3D成像以及AI模型分别解决不同问题，因此一次收购很难建立完整技术栈。Adaptive Vision、Matrox Imaging和Photoneo等公司的加入，实际上让斑马逐步补齐视觉软件、工业成像和3D感知能力。

更重要的是，视觉数据还需要继续进入业务系统。在电子和半导体制造中，发现缺陷只是第一步。检测结果还需要与产品身份绑定，进入追踪追溯系统；下一道工序可能需要重新打印标签；进入仓储之后，又继续由条码或RFID完成跟踪。

从这个角度看，斑马收购机器视觉公司的目标并不只是争夺工业相机市场，而是在扩展一线数据入口。过去竞争单位是一台扫描器、一台打印机或一个RFID读写器，未来越来越可能是一整套感知、识别、判断和执行系统。

机器视觉会不会取代传统的条码和RFID？

当视觉和AI已经可以直接识别商品、字符乃至缺陷，一个很自然的问题是：条码和RFID会不会被逐渐取代？

于放给出的答案是否定的。

条码、RFID和机器视觉仍有不同的成本结构和适用场景。真正发生的变化，是这些过去相对独立的技术开始进入同一个工作流程。以牛奶包装为例。扫描条码可以确认SKU，但生产日期和有效期通常是另外印刷的字符。过去可能需要分别处理，现在摄像头可以在一次采集中同时读取条码和OCR字符，再结合商品数据判断是否临近过期。

仓储中也是如此。于放举例称，以前员工可能需要“一个一个扫码”，现在可以面对一批货物进行识别，系统还能主动提示哪些商品有问题、货架位置是否正确。“这些就是我们说的提高效率以及降低错误率。”

硬件也开始围绕这种融合重新设计。一台企业级移动终端可以同时具备条码、摄像头、RFID、ToF和NPU，过去散落在几台设备中的数据入口被放进同一个端侧平台。固定式设备同样如此：相机负责条码、文字和视觉信息，RFID负责批量读取和追踪，3D视觉负责形状和空间数据，AI再把这些结果组织起来。因此，AI给传统自动识别技术带来的冲击，并非简单的“视觉替代条码”，而是把这些技术重新组合。

对于客户而言，真正重要的问题也从“买哪一种识别设备”，转向“如何用最少的步骤完成整个工作流程”。

从“连接设备”到“理解现场”，物联网正在进入下一阶段

过去十多年，物联网首先解决的是物理世界数字化：条码给物品建立身份，RFID追踪位置和流转，传感器采集环境信息，移动终端再把数据送入后台。这一阶段的核心问题是：数据怎么采回来。但现在，仅仅采集数据已经不够。

当NPU、摄像头、ToF、RFID和AI模型同时进入一线终端，设备开始能够在数据产生的位置直接完成部分识别、判断和反馈。物联网终端的角色由此从“数据采集设备”向边缘智能节点转变。

这种变化也会重新划分物联网厂商的价值链。过去，条码、RFID、机器视觉和企业移动计算是相对独立的市场，客户分别采购扫描器、RFID读写器和视觉系统。现在，客户越来越关心这些技术能否组成完整工作流。

软件商业模式也随之进入物联网硬件公司的视野。于放提到，“软件跟解决方案跟云服务也是斑马技术一个新的发展方向”。目前部分AI能力与硬件打包，而海外云服务已经采取独立收费模式。Frontline AI Suite中的AI Blueprints，则试图进一步把制造、仓储和零售中经过验证的参考案例沉淀为可复用模板。

从条码、RFID到机器视觉，再到端侧AI，斑马技术的业务重心正在从“读取一个数据”，逐步延伸到“理解一组数据为什么产生，以及下一步应该怎么做”。

对物联网产业而言，下一阶段的竞争也可能因此发生变化：连接数量和采集能力仍然重要，但更高的价值开始来自感知、计算、AI与业务流程的组合。

最后，物联网正在从“万物互联”走向“万物可理解”。真正决定其商业价值的，将不再只是系统能够采集多少数据，而是这些数据能否在现场被理解，并立即转化为下一步行动。