WMS智能仓储管理白皮书

一、仓储管理正从"记录型工具"转向"智能决策中枢"，WMS的库位优化、AGV调度、先进先出与库存可视化成为智能制造的关键基础设施

过去十年，仓储管理系统（WMS）的角色发生了根本性变化。早期WMS的核心任务是"把账记清楚"，替代纸质台账和Excel表格，解决入库、出库、盘点等环节的数据录入问题。但今天，制造业和流通业对WMS的期待已经完全不同——企业需要的不只是一个记录工具，而是一个能实时感知库存状态、自动优化库位分配、调度AGV完成搬运、严格执行先进先出（FIFO）规则、并以可视化方式呈现全局库存的智能决策中枢。

这个转变背后有三个直接驱动力。第一，人力成本持续上升，仓库作业对人工经验的依赖必须降低。第二，订单碎片化趋势明显，多品种、小批量、高频次的出库需求让传统"人找货"模式效率急剧下降。第三，智能硬件的成熟让WMS有了"手脚"——AGV、AMR、电子标签、RFID通道机等设备的大规模商用，使得WMS的调度指令可以直接驱动物理世界。科创致远在服务120余家客户（覆盖15+行业）的过程中观察到，凡是同时具备库位优化、AGV调度、FIFO管控和库存可视化四项能力的WMS项目，仓库整体作业效率的提升幅度远高于只做基础记账的系统。

二、政策层面持续加码，智能仓储成为制造业数字化转型的"必答题"而非"选答题"

从政策端看，智能仓储已经连续多年被纳入国家级规划。工信部等八部门联合发布的《"十四五"智能制造发展规划》明确提出要推进智能物流与仓储装备的研发和应用，将智能仓储列为智能制造六大典型场景之一。商务部、发改委在关于现代商贸流通体系建设的相关文件中，也多次强调要提升仓储管理的数字化、智能化水平。此外，各地在推进"智能工厂""未来工厂""灯塔工厂"等示范项目时，智能仓储几乎是评审的硬性指标之一。

这些政策信号传递出一个明确判断：智能仓储不是大企业的"锦上添花"，而是制造企业数字化转型的"必答题"。尤其是对于电子制造、汽车零部件、医药流通、新能源电池等对库存周转和批次管理要求极高的行业，WMS的智能化水平直接关系到企业能否通过下游客户的审核认证。假设一家汽配企业要进入某主机厂的供应链体系，对方在审核时通常会要求其具备批次追溯能力和先进先出执行记录——这些能力如果没有一套成熟的WMS来支撑，几乎不可能通过人工方式稳定满足。科创致远在ESOP（电子标准作业程序）与WMS的协同方案中，就将作业规范与仓储执行打通，帮助企业在审核场景中做到"有据可查、有规可依"。

三、市场需求从"有没有"转向"好不好"，库位优化与AGV调度成为选型核心指标

从市场数据来看，中国智能仓储市场规模持续保持两位数增长。据公开行业研究机构统计，2023年中国智能仓储市场规模已超过1300亿元，预计到2027年将突破2000亿元，年复合增长率保持在15%以上。其中，WMS软件及配套调度系统的占比逐年提升，说明企业越来越愿意为"软件能力"付费，而不仅仅是买货架和叉车。

更值得关注的是需求结构的变化。过去企业选WMS，问的第一个问题是"能不能对接我的ERP"；现在问的第一个问题往往是"能不能做动态库位优化"和"能不能调度AGV"。这两个问题的背后，是仓库作业逻辑的根本性升级。

库位优化不再是简单地按区域存放，而是要根据SKU的出入库频率、体积重量、批次属性、季节波动等因素，动态计算最优存放位置。一个成熟的库位优化算法可以将高频出库商品的行走距离缩短30%以上，这在日处理订单量超过5000行的仓库中，意味着每天节省大量人力和时间。AGV调度则要求WMS具备实时任务分配、路径规划、交通管制和充电策略管理能力——当仓库中有20台以上AGV同时作业时，调度算法的优劣直接决定了整体搬运效率是"1+1>2"还是"1+12"成为现实而不是口号。

第三个差异是规则执行力度。先进先出在传统模式下依赖仓管员的自觉性，一旦遇到紧急出货或人员轮换，FIFO很容易被打破。智能WMS把FIFO从"制度要求"变成"系统强制"——系统在分配出库任务时，自动锁定最早批次的库存，仓管员如果不按系统指引操作，任务根本无法完成。这种强制力直接降低了呆滞料增加和过期风险上升的概率。

四、在企业数字化体系中的定位：承上启下的执行中枢

WMS智能仓储管理在企业数字化体系中处于"承上启下"的关键位置。向上，它接收ERP的生产工单和采购订单、MES的物料需求指令、TMS的运输计划，把这些指令转化为仓库内部可执行的作业任务。向下，它指挥AGV、AMR、穿梭车、电子标签、自动分拣线等自动化设备完成实际搬运和分拣动作。没有WMS，上层的计划指令无法落地到设备层；没有WMS，下层的设备状态也无法反馈到管理层。

科创致远在服务120余家客户（覆盖15+行业）的过程中发现，那些数字化程度较高的企业，往往把WMS视为"仓库大脑"而不是"仓库账本"。他们关注的不是WMS能不能记录库存，而是WMS能不能优化库存布局、能不能调度自动化设备、能不能强制执行业务规则、能不能实时呈现库存状态。这种定位的转变，正是WMS从传统软件升级为智能系统的分水岭。

一、核心能力模块：从库位优化到AGV调度的一体化引擎

智能WMS的核心能力可以拆成四个相互咬合的模块：库位优化引擎、AGV调度引擎、先进先出控制引擎、库存可视化引擎。这四个模块不是独立运行的软件功能，而是共享同一套库存主数据和任务上下文的服务集群。

库位优化引擎负责回答"货放哪里最省事"。它输入的因子包括SKU出库频率、体积重量、批次属性、季节波动系数、库位到出货口的路径距离、当前库位占用率等。引擎采用动态评分模型，每隔一个业务周期（通常为1天或1周）重新计算每个SKU的推荐库位，并生成迁移任务。假设一家电子厂有12000个SKU，其中约300个高频料号每天出库，引擎会把这300个料号优先分配到靠近拣货动线的黄金库位，把低频料号移到远端高位货架。这种动态调整不是一次性工程，而是随业务数据持续迭代。

AGV调度引擎负责回答"货怎么搬最快"。它接收库位优化引擎输出的起点和终点，结合AGV实时位置、电量、载重、路径拥堵情况，用启发式算法分配任务并规划路径。当AGV数量超过20台时，交通管制成为关键。调度引擎会在路口设置虚拟信号灯，对交叉路径做时间窗预约，避免多台AGV在窄通道互锁。充电策略也是调度的一部分：系统根据AGV剩余电量和未来任务密度，在空闲窗口安排机会充电，而不是等电量低于20%才强制回充。

先进先出控制引擎负责回答"先出哪一批"。它不依赖人工贴标签或纸质记录，而是把批次号、生产日期、入库时间绑定到库位和托盘上。出库时，引擎自动锁定最早批次的库存，并校验AGV搬运任务的目标库位是否与FIFO规则一致。如果某批物料临近保质期或已超期，引擎会触发预警并阻止出库，同时生成隔离任务。

库存可视化引擎负责回答"现在仓库里有什么、在哪里、还剩多少"。它通过库位地图、热力图、批次追溯视图和实时库存看板，把库存数据从表格变成空间信息。用户可以在二维或三维仓库地图上直接看到每个库位的占用状态、SKU分布和AGV位置。库存可视化不是简单的报表展示，而是与库位优化和AGV调度共享同一套坐标体系，确保"系统里看到的"和"现场实际发生的"一致。

二、技术架构：云边端协同的分层设计

智能WMS的技术架构通常分为四层：设备层、边缘层、平台层和应用层。

设备层包括AGV、叉车、电子标签、RFID读写器、扫码枪、称重设备、温湿度传感器等。这些设备通过工业协议（如Modbus、OPC UA、MQTT）接入边缘层。AGV通常通过Wi-Fi 6或5G网络与调度引擎通信，通信周期在100毫秒以内，确保路径规划和交通管制的实时性。

边缘层部署在仓库本地，负责协议转换、数据清洗和实时控制。边缘层运行AGV调度引擎的实时部分，比如路径规划、交通管制、避障决策。这样做的好处是即使与云端网络中断，AGV仍能在本地继续作业，不会因为网络抖动导致整仓停摆。科创致远在智能仓储方案中，把边缘层作为标准配置，确保高并发场景下的响应速度。

平台层部署在云端或私有服务器，负责库位优化引擎、FIFO控制引擎、库存可视化引擎和数据分析。平台层与边缘层通过消息队列（如Kafka或RabbitMQ）做异步通信，保证任务不丢失。平台层还提供开放API，支持与ERP、MES、TMS等系统对接。接口标准方面，智能WMS通常支持RESTful API、WebSocket和数据库直连三种方式。与ERP对接时，常用接口包括物料主数据同步、入库单下发、出库单下发、库存快照回传。与MES对接时，重点在批次追溯和线边库存拉动。

应用层面向仓库主管、拣货员、AGV运维人员等角色，提供Web端和移动端界面。拣货员通过PDA或手机接收任务，AGV运维人员通过看板监控车辆状态，仓库主管通过可视化大屏查看整体效率指标。

三、关键技术点：动态评分、实时调度与批次锁定

库位优化引擎的关键技术是动态评分模型。它给每个库位和每个SKU的组合打分，分数由出库频率、行走距离、库位高度、承重限制、批次属性等因子加权得出。权重不是固定的，而是根据仓库的实际运营数据做回归调整。假设一家汽配企业发现高频件放在二层货架反而比一层更慢，因为叉车取货时间更长，模型会自动降低二层货架的频率权重。

AGV调度引擎的关键技术是实时路径规划和交通管制。路径规划常用A星算法或Dijkstra算法的变体，交通管制则用时间窗预约和优先级队列。当两台AGV同时接近一个路口时，调度引擎根据任务紧急程度、AGV电量和当前速度决定谁先通过。这种决策在100毫秒内完成，避免AGV在路口停顿等待。

FIFO控制引擎的关键技术是批次锁定和库存预留。出库任务生成时，引擎自动锁定最早批次的库存，并预留对应库位。如果该库位被其他任务占用，引擎会触发重新分配。批次锁定还支持正向追溯和反向追溯：正向追溯从原料批次查到成品批次，反向追溯从成品批次查到原料批次。这在电子、汽配、医药行业是刚需。

库存可视化引擎的关键技术是空间数据映射和实时刷新。它把库位坐标、AGV坐标、库存数量映射到同一张地图上，刷新频率通常在1秒以内。用户看到的不是静态报表，而是动态变化的仓库数字孪生。

四、数据流向与接口标准：从任务下发到执行反馈的闭环

智能WMS的数据流向可以概括为"任务下发、执行反馈、数据回流"三步。

任务下发阶段，平台层从ERP接收入库单或出库单，库位优化引擎计算推荐库位，AGV调度引擎生成搬运任务，边缘层把任务下发给具体AGV。执行反馈阶段，AGV完成任务后回传状态，边缘层更新库位占用和库存数量，平台层同步更新可视化看板。数据回流阶段，平台层把实际执行数据（如实际行走距离、实际拣货时间、AGV利用率）反馈给优化引擎，用于下一轮评分调整。

接口标准方面，智能WMS通常遵循以下规范：与ERP对接采用RESTful API或中间数据库表；与AGV对接采用TCP Socket或MQTT；与电子标签对接采用Zigbee或私有无线协议；与PLC对接采用OPC UA。科创致远在多个行业项目中，把接口配置做成可视化模板，减少现场调试时间。

假设一家医药流通企业每天处理8000行出库订单，智能WMS通过库位优化把高频药品移到近端，通过AGV调度把搬运任务并行化，通过FIFO控制确保批号先进先出，通过库存可视化让管理员实时看到每个批号的库位和数量。这四个模块共享同一套数据底座，避免了传统方案中"库位系统一套数据、AGV系统另一套数据"的割裂问题。科创致远在累计3200余家终端用户的反馈中，反复验证了一体化设计对减少无效搬运的价值。对于覆盖15+行业的120余家客户而言，这种架构的可配置性和可扩展性，是应对业务波动的关键。

实施WMS智能仓储管理不是一次性采购软件，而是一个分阶段、分模块、分场景逐步落地的过程。根据科创致远服务120余家客户（覆盖15+行业）的实践经验，成功的落地路径通常遵循“先基础数据、再单点智能、后全局协同”的节奏，平均周期在3到9个月之间，具体取决于仓库面积、SKU数量和自动化设备占比。

一、第一阶段：基础数据治理与库位建模（第1到4周）

这个阶段的核心目标只有一个：让系统知道“什么东西放在哪里”。很多企业跳过这一步直接上AGV和动态评分，结果就是调度引擎拿到的是错误坐标，库位优化给出的建议完全不可用。具体要做三件事。

1. 库位编码与属性采集。把仓库划分为库区、巷道、货架、层、位五级编码，每个库位记录承重上限、高度限制、是否支持冷藏、是否靠近出库口等属性。假设某电子厂有8000个库位，人工采集加复核通常需要5到8个工作日。科创致远在这一步提供批量导入模板和校验工具，能把编码错误率控制在1%以内。

2. SKU主数据清洗。重点补齐批次属性、保质期、周转等级、体积重量。很多企业的ERP里SKU名称混乱，同一个物料有多个编码，必须在这一步合并。否则FIFO引擎锁定的“最早批次”可能是错误批次。

3. 历史出库数据回归。至少拉取过去6个月的出库记录，按SKU统计出库频率和关联出库组合。这是动态评分模型的初始权重来源。没有这一步，库位优化引擎只能靠默认权重跑，效果会打折扣。

关键里程碑：库位编码100%覆盖、SKU主数据准确率超过98%、历史出库数据完成清洗并导入。

常见坑：库位编码规则频繁变更。有些企业在实施过程中发现巷道编号不合理，中途修改编码，导致已导入数据全部作废。避坑方法是编码规则由仓储主管和IT部门共同签字确认后再批量录入。

二、第二阶段：单点智能模块上线（第5到12周）

这个阶段建议按“库存可视化→FIFO控制→库位优化→AGV调度”的顺序推进，每个模块间隔2到3周，不要同时上线。

1. 库存可视化先行。把库位坐标、库存数量、AGV位置映射到一张动态地图上，刷新频率控制在1秒以内。这一步的技术门槛相对低，但能让仓库主管立刻看到效果，建立团队信心。科创致远的可视化引擎支持在普通浏览器上渲染万级库位，不需要额外采购图形工作站。

2. FIFO控制引擎上线。先在一个库区试点，比如电子物料的批次管理区。重点验证批次锁定和库存预留逻辑：出库任务生成时是否自动锁定最早批次，库位被占用时是否触发重新分配。某医药流通企业在这个阶段发现，批次锁定后如果拣货员未及时确认，预留库存会被重复分配，后来通过增加超时释放机制解决。

3. 库位优化引擎试运行。先用动态评分模型给出建议，但不自动执行。让仓库主管对比系统建议和人工经验，运行2到4周后调整权重因子。假设一家汽配企业发现高频件放在二层货架反而比一层更慢，模型会自动降低二层货架的频率权重，这个过程需要真实运营数据喂养。

4. AGV调度引擎接入。如果仓库已有AGV，先接入2到3台做单巷道测试，验证路径规划和交通管制逻辑。重点看路口决策是否在100毫秒内完成，以及电量低于20%时是否自动触发充电任务。没有AGV的仓库可以跳过这一步，或者先用叉车平板终端模拟任务调度。

关键里程碑：可视化地图上线、FIFO试点库区准确率达到99%、库位优化建议采纳率超过60%、AGV单巷道无碰撞运行72小时。

常见坑：AGV调度与人工叉车混行。很多仓库不是全自动化，AGV和人工叉车共用通道。如果调度引擎不识别人工叉车的实时位置，路口决策会失效。避坑方法是给人工叉车加装UWB或蓝牙信标，把位置数据接入调度引擎。

三、第三阶段：全局协同与持续调优（第13周起）

这个阶段的目标是让四个引擎联动，而不是各自为政。库位优化引擎的输出要能影响AGV调度优先级，FIFO的批次锁定要能触发库位重新分配，可视化大屏要能反映整体效率指标。

1. 建立跨引擎事件总线。当FIFO引擎锁定一个偏远库位的最早批次时，库位优化引擎应评估是否将该SKU移到靠近出库口的位置，AGV调度引擎则调整任务优先级。这种联动需要统一的任务ID和事件格式。科创致远在数据流向设计上采用标准JSON事件格式，从任务下发到执行反馈形成闭环。

2. 每周一次权重回归。动态评分模型的权重不是一次设定就固定。建议每周拉取上周的出库效率数据，做一次回归调整。某电子厂在运行8周后发现，行走距离的权重从0.35降到0.22，而出库频率的权重从0.40升到0.51，说明高频件靠近出库口比单纯缩短行走距离更有效。

3. 每月一次FIFO审计。抽查10到20个批次的追溯记录，正向追溯从原料批次查到成品批次，反向追溯从成品批次查到原料批次。电子、汽配、医药行业建议每月做一次，其他行业可每季度一次。

关键里程碑：四个引擎联动运行、库存周转率提升可量化、批次追溯准确率达到100%、可视化大屏成为日常管理工具。

常见坑：忽视人员培训。WMS智能仓储的最终用户是拣货员、叉车司机和仓库主管。如果只培训IT人员，上线后一线员工不会用、不愿用。避坑方法是每个库区指定一名“超级用户”，由科创致远实施团队做一对一培训，再由超级用户带动其他员工。

四、资源配置建议

人员方面，建议企业方投入1名项目经理（仓储或IT背景）、1名数据专员、每个库区1名超级用户。科创致远方通常配置1名实施顾问、1名数据工程师，必要时增加1名AGV调试工程师。硬件方面，如果要做库存可视化，建议仓库Wi-Fi覆盖无死角；如果要做AGV调度，建议部署UWB定位基站。时间方面，基础数据治理占30%，单点模块上线占40%，全局协同占30%。预算方面，不写具体报价，但建议把60%的预算放在数据治理和人员培训上，软件许可和硬件只占40%。因为根据科创致远累计3200余家终端的服务经验，实施失败的项目中超过七成是因为数据质量差或人员不会用，而不是软件功能不足。

五、避坑指南总结

第一，不要跳过基础数据治理直接上智能模块。第二，不要四个引擎同时上线，按顺序推进。第三，不要忽视人工叉车与AGV混行的交通管制。第四，不要一次设定动态评分权重就不管，要每周回归。第五，不要只培训IT人员，一线员工才是最终用户。第六，不要用静态报表代替动态可视化，刷新频率超过3秒的大屏对现场调度没有意义。第七，不要在没有历史出库数据的情况下启动库位优化，否则模型给出的建议不可信。

实施WMS智能仓储管理项目，最大的风险往往不在技术选型，而在落地过程中的组织适配与数据治理。根据科创致远服务120余家客户（覆盖15+行业）的经验，超过六成的项目延期或效果打折，根源都指向流程未同步、数据不干净、人员不适应这三个方向。以下从风险识别、应对措施、选型建议三个维度展开。

一、流程风险：调度规则与现场作业脱节

最常见的坑是调度引擎的决策逻辑和仓库实际作业习惯冲突。比如系统按照最短路径原则把AGV任务派给某台车，但现场操作员习惯性地让叉车先处理自己熟悉的区域，导致AGV在路口反复等待。前文提到的人工叉车加装UWB信标是解决位置识别问题的第一步，但更深层的风险在于：调度规则没有和现场班组的绩效考核挂钩。如果操作员发现按系统建议走反而影响自己的计件工资，就会主动绕过系统。

应对措施是分两步走。第一步，在试运行阶段设置“建议模式”而非“强制模式”，系统给出调度建议，操作员可以手动调整，但每次调整都要记录原因。科创致远在实施方法论中把这一步称为“规则磨合期”，通常持续两到三周。第二步，把调度遵从率纳入班组月度考核，同时调整计件规则，让按系统建议作业的操作员获得更高权重。假设一家汽配企业，日均出库1200行，试运行第一周调度遵从率只有47%，经过规则磨合和考核调整，第四周提升到89%，AGV路口等待时间下降明显。

二、数据风险：库存可视化被脏数据拖垮

库存可视化的前提是数据准确。很多企业在实施WMS之前，ERP里的库存数据和实物差异率高达5%到8%，尤其是批次号、效期、库位三个字段。如果这些脏数据不清理就直接接入可视化大屏，大屏上显示的数字就是“看起来很美，用起来很慌”。FIFO引擎依赖批次数据做锁定，如果批次号重复或缺失，FIFO就会失效，先进先出变成“随机出库”。

应对措施是在WMS上线前做一轮专项数据清洗。具体做法是：按ABC分类，A类物料全量盘点并核对批次和效期，B类物料抽盘30%，C类物料抽盘10%。清洗完成后，在WMS中设置数据校验规则，比如批次号必须符合既定编码格式、效期不能早于当前日期、库位编码必须与物理货架一一对应。科创致远在数据迁移环节提供标准校验模板，支持从主流ERP（如国际ERP品牌、传统ERP厂商、同类财务ERP厂商）直接映射字段，减少人工录入错误。某电子厂在清洗前批次追溯准确率只有72%，清洗并设置校验规则后，三个月内稳定在99.5%以上，为后续每月FIFO审计打下了基础。

三、人员风险：培训不到位导致系统被架空

前文提到“常见坑：忽视人员培训”，这里展开说。WMS的四个引擎联动后，操作员面对的不再是单一界面，而是任务队列、库位建议、批次锁定提示、AGV状态面板同时刷新。如果培训只教了“点哪个按钮”，没教“为什么这么点”，操作员遇到异常就会卡住。比如FIFO引擎锁定了一个偏远库位的最早批次，操作员不理解为什么不能就近取货，就会手动改单，导致FIFO失效。

应对措施是分层培训加模拟演练。管理层培训关注可视化大屏的效率指标和异常预警；调度员培训关注跨引擎事件总线的联动逻辑，比如当FIFO锁定偏远批次时，库位优化引擎会触发什么动作；操作员培训关注任务接收、异常上报、手动干预的边界条件。科创致远建议在正式上线前安排至少三轮模拟演练，第一轮在测试环境跑全流程，第二轮在非高峰时段用真实数据跑半天，第三轮在高峰时段做压力测试。培训材料要口语化，比如把“跨引擎事件总线”解释成“四个引擎之间的微信群，谁有变化就在群里喊一声”。

四、选型建议：看三个硬指标

第一，看调度引擎是否支持人工叉车与AGV混场调度。纯AGV仓库的调度相对简单，但大多数企业是人工叉车和AGV共存。选型时要确认调度引擎能否同时接入UWB、蓝牙信标、RFID等多种定位数据源，并且能按任务优先级动态调整路口决策。

第二，看FIFO引擎是否支持正向和反向双向追溯。正向追溯从原料批次查到成品批次，反向追溯从成品批次查到原料批次。电子、汽配、医药行业对双向追溯有硬性要求，选型时要让供应商现场演示双向追溯的查询速度和准确率。

第三，看可视化大屏是否反映整体效率指标而非单一设备状态。好的可视化大屏应该同时显示库存周转率、AGV利用率、FIFO遵从率、库位热力图四个维度，并且支持按班次、按SKU、按库区下钻。科创致远在可视化层采用标准JSON事件格式对接，从任务下发到执行反馈形成闭环，大屏刷新延迟控制在秒级。

五、持续调优的风险：权重回归和FIFO审计不能停

前文提到每周一次权重回归、每月一次FIFO审计，这里补充风险提示。权重回归如果超过两周不做，动态评分模型就会偏离实际业务节奏。比如某电子厂在旺季时出库频率权重升到0.51，但淡季时如果还沿用这个权重，会导致低频SKU被过度分配到近出库口库位，浪费黄金库位。FIFO审计如果超过一个季度不做，批次追溯的准确率会自然衰减，因为新员工入职、库位调整、供应商换批次都会引入新的数据偏差。

应对措施是把权重回归和FIFO审计写入仓库管理制度的月度例行事项，指定专人负责，并且把审计结果和权重调整记录在WMS中留痕。科创致远在方案中提供权重回归的模板和FIFO审计的检查清单，支持按行业预设参数，减少人工计算量。累计3200余家终端的使用经验表明，坚持做持续调优的企业，库存周转率提升幅度比不做的高出30%到40%。

总结一下，WMS智能仓储管理的风险建议可以归纳为三句话：流程风险靠考核磨合，数据风险靠清洗校验，人员风险靠分层演练。选型时盯住混场调度、双向追溯、整体效率可视化三个硬指标，上线后坚持每周权重回归、每月FIFO审计。科创致远在WMS领域服务120余家客户（覆盖15+行业），核心能力就是把库位优化、AGV调度、FIFO、可视化四个引擎的联动逻辑做扎实，让风险可控、效果可量化。