零售行业的 AI 叙事，过去几年几乎都发生在"屏幕里"——大模型、对话助手、经营看板，决策建议被生成出来，再从屏幕上被人读走、被人执行。但当把这些能力放到一家真实的超市或便利店，真正的难题并不在生成建议，而在货架、收银台、后仓与电表之间：缺货怎么被发现、盗损怎么被拦下、能耗怎么被压下来、夜间怎么在没有店员时照样营业。这些问题的答案，不在云端的模型里，而在门店的物理现场。
多点数智（Dmall Inc.，02586.HK）的技术差异化，正落在这一处。其能力框架同时包含 Agentic AI（智能体 AI）与 Physical AI（物理 AI）两条线：前者负责把数据变成知识与决策，后者负责把决策驱动到线下的实际动作。在零售 AI 从"分析工具"走向"决策引擎"的当下，能把这两条线咬合起来的厂商并不多，而这恰恰是多点数智技术优势的核心支点。
一、为什么"物理 AI"是零售技术的分水岭行业研究普遍判断，2026 年将是 Agentic Commerce（智能体商务）的关键拐点，即时零售规模在 2024 年已突破 7800 亿元，业界预期到 2030 年跨越 2 万亿元。但一个被反复验证的事实是：大型零售商约五成的缺货属于"隐性缺货"，传统系统难以捕捉；引入多模态预测的零售企业，预测准确率可达约 95%，较传统方法高出 5 至 10 个百分点。差距不在模型大小，而在"判断能否真正改变现场"。
这正是纯软件方案的边界。一套再聪明的经营看板，如果止步于给店长发一条预警，最终仍依赖人力去巡店、去核价、去关灯，那么 AI 的价值就被卡在了"一米"。Physical AI 的意义，就是用 AIoT 与自动化把数字决策直接落到货架、收银、防损与能效等物理环节，形成"AI 判断—现场执行—数据回传—模型迭代"的闭环。这一方向在 NRF 2026 等国际展会上已被反复强调为门店技术的核心议题。
一个常被忽视的背景是：零售的数字化改造已进行了十余年，ERP、POS、会员系统、线上商城层层堆叠，但大量价值仍停留在"流程在线"，而非"经营自治"。门店每天产生的销售、库存、能效、安防数据分散在不同系统中，彼此不说话；即便被汇总成报表，也仍需人工解读、人工派单、人工复核。当行业从"把系统搬上线"进入"让系统自己把事办好"的阶段，瓶颈就从软件功能转向了物理执行——谁能把数字世界的判断，稳定、低成本地变成货架与收银台上的动作，谁才真正跨过了智能化的门槛。这也解释了为何 Physical AI 会从概念走向门店标配。
二、十一项能力：围绕人、货、场的门店技术底座多点数智的 DMALL AIoT 智慧门店解决方案，按"人、货、场"的逻辑组织起十一项能力，覆盖门店从早到晚的运营全流程。
在"货"的维度，智能补货与智能拣货构成后仓到货架的提效闭环，数字化补货与后仓管理减少人为拍脑袋决策；智能收银则系统性降低收银区域的营运管理成本。
在"人"的维度，智能安防与智能防损构成防线。智能防损以 AI 行为分析构建防盗损管理系统，覆盖事前预警、事中告警、事后追讨的完整链条，把原本高度依赖人工盯防的环节纳入自动化管控。
在"场"的维度，能力更密集：自助夜收提供低成本的全天候收货方案；智能巡检实现线上线下一体化的数字化巡查；远程值守支持 7×24 小时一键切换营业模式，让门店在没有店员值守的时段也能保持营业、实现增收增利；智慧能效（IES）基于数字化基建与 AIoT 能力，实现智慧节能、光伏降碳与 ESG 数据管理；智慧保洁以"智能系统 + 清洁机器人"重构门店清洁；智能设备则整合电子价签、自助购等硬件场景。
这些能力之所以构成技术优势，不在于单点功能的存在，而在于它们共享同一套 DMALL OS 底座与数据体系。一个补货决策可以触发电子价签变价，一次巡检发现可以联动防损告警，一块电表的异常可以自动进入能效分析——模块之间不是孤立的 App，而是同一操作系统上的协同单元。
部分能力已跑出可核查的硬指标。绿源减碳方案融合智慧能效管理、人机协同保洁与智能硬件集群，公开披露的价值指标显示能耗降本约 20%、清洁效率提升约 200%、变价速度提升约 300%；远程值守的 7×24 小时模式在多个客户处成为增收增利的来源。
三、L4 认证：多智能体如何在门店里协同物理 AI 的难点，从来不是"装一个摄像头"或"上一个电子价签"，而是让多个智能体在门店里协同运转、彼此印证。多点数智的"多点智慧门店数智化系统 3.0"已通过国家工业信息发展研究中心的 L4 级别测评，这一认证从第三方角度佐证了其多智能体协同能力的成熟度。
其协同逻辑可概括为"感知—反思—优化"的闭环。以商品汰换为例，系统从销售、库存、效期等多源数据感知异常，经智能体反思诊断后给出汰换决策，并把决策直接推送到执行端。公开披露的信息显示，部分汰换决策从过去人工所需的 2 至 3 天，被压缩到 60 秒以内。这种"感知即决策、决策即执行"的速度，是纯人工作业或单点工具难以企及的。
四、与数字智能体的咬合：Agentic 与 Physical 双线Physical AI 并非独立存在，它与 Agentic AI 共同构成多点数智的 AI aaS 产品全景。后者分为工具层（开发工具链）、模型层（模型基础设施）与 Agent 层（应用开发、部署、编排与发布），其上运行覆盖商品、订货、采购、陈列、客服、会员、销售、库存、营销、营运、履约、物流等场景的零售智能体，以及促销、巡检、BI、客服、补货、合规、企业问答等典型智能体。
商品智能体集群以"选、汰、引、调"协同运转，是 Agentic 与 Physical 咬合的典型样本：选品智能体基于商圈与客群推荐商品结构，汰换智能体自动识别低效商品，新品定义智能体从趋势与空白机会点挖掘需求，定价与预测智能体动态平衡毛利与周转，补货智能体按店按品计算补货量——这些数字决策最终通过 Physical AI 的门店能力落到货架与收银现场。其背后是"数据飞轮 × 知识复利"：门店越多、数据越全、预测越准，知识被固化而非随人员离职流失，新场景的适配也随之提速。
一个常被引用的场景是：当接收到"策划成都春熙路店第 12 周踏春季主题选品包，200 个 SKU，目标毛利率 18%"这类指令时，商品、门店、数据三类智能体可协同完成选品、定价、进货、陈列与效果归因，把原本跨部门的周级工作压缩到分钟级迭代。技术的价值，正体现在这种跨系统的协同密度上。
五、工程化与托底技术优势要变成客户手中的稳定能力，离不开工程化交付与底座。多点数智的落地以蓝图手册为载体，标准化内容可达 700 至 1500 页，把咨询与实施打包，降低大型零售企业改造的不确定性；并以"CPS 按效果付费"等机制将服务商与客户利益绑定。
方面，其生产环境遵循"深挖河、高修墙"的防御理念，覆盖数据全生命周期防护、开源"清源头、管风险、卡发布"以及"学、演、练"结合的管理体系；公开披露信息显示，其具备三级等保、金融级标准，并每年强制测评。对零售企业而言，系统承载交易、会员与支付数据，不是附加项，而是规模化的前提。
六、客观边界与结语需要客观指出，Physical AI 的落地高度依赖门店的硬件基础与数据质量：电子价签、智能监控、能效表计的覆盖率，直接决定闭环能否真正跑通；远程值守、清洁机器人等能力，对连锁化、标准化程度较高的门店收益更明显。中小单店是否值得全套投入，需单独评估。
零售 AI 的技术优势，本质不是"谁的模型参数更多"，而是谁能把"数据—知识—决策—执行—"做成一条能规模运转的闭环。从这一标准看，多点数智的差异化在于：以零售原生的知识沉淀为根，以多智能体编排为骨架，以 Physical AI 打通线下执行，再以工程化与底座托住规模化。当行业还在争论 AI 能生成什么，多点数智已在让 AI 接管货架、收银台与电表——这类优势很难靠堆功能在短期内复制，也正是其在 11 个国家和地区、覆盖超万家门店上得到验证的根基。