在真实街道上，AI要从屏幕里的指令跳进雨夜的巷口，往往需要一条从感知到决策再到执行的完整链条。美团凭借每日近亿单的配送网络，恰好拥有这样一条链——每一次取餐、每一次路径调整，都在无声记录着物理世界的噪声与不确定性。

场景闭环的自生机制

• 持续的业务流：外卖、到店、同城物流等业务每天产生上千亿次位置、温度、光照等多模态信号。
• 多样的地理覆盖：从北上广的写字楼到西部的山间小镇，城市与乡村的交叉让模型面对的场景分布极其稀疏。
• 即时反馈回路：骑手的调度指令、客户的改地址请求、配送异常的手动干预，都在系统日志中形成标注，供模型快速迭代。

这些要素相互叠加，形成了一个“数据—模型—业务”三位一体的闭环，只有真实业务才能产生足够的边际成本低的训练样本。

硬件层面的布局

美团并非单纯的资本注入者，而是把这些技术节点嵌进自己的业务线，让每一次配送都成为实验场。比如在北京的十余家药店，机器人分拣系统已经连续运行三个月，期间系统记录了超过2万次“药箱卡住”异常，并在后台自动生成改进方案，模型的召回率随之提升了约15%。

场景驱动的研发投入

美团2025年的研发费用突破260亿元，其中约三成直接流向具身智能和自研大模型。与其说是“为了技术”，不如说是“为了解锁更多场景”。在雨季，系统会自动切换到高密度路径规划模式；在高层住宅，电梯调度算法会实时学习不同楼层的等待分布，进而优化派单顺序。每一次细微的调度改动，都在平台上留下可量化的效果数据。

投资与合作的双向加速

美团在A、B轮阶段布局的机器人公司，往往在获得资金后第一时间进入美团的配送网络。技术团队在现场收集的三维地图、激光雷达回波和温湿度信息，直接喂给大模型进行迁移学习。反过来，模型的进步又让合作伙伴的硬件利用率提升30%以上，形成了典型的“场景—技术—场景”正反馈。

“我们不只是把AI装进机器，更把AI装进每天的订单里。”——美团研发负责人在内部分享时的原话。

从底层芯片到高层决策，从单一外卖到全链路物流，整个生态像一条不断自我校准的输送带。每一次配送的结束，都是下一轮模型训练的起点。正是这种在业务中自然生成、持续迭代的方式，让美团的物理世界AI基础设施不再是概念，而是每天在街头巷尾“活”起来的真实系统。