報告包括三部分：

1.人工智能（AI）意味著什么？

2.物流之外領域有哪些案例可以借鑒？

3.AI對于物流的意義和實用案例。

（一）人工智能意味著什么？

圖1：人工智能的發(fā)展歷程。來源：NVIDIA

人工智能（AI）早在1956年就首次被提出，隨后在60多年的發(fā)展歷程中多次起伏。在其發(fā)展歷程中，機器學習（Machine Learning）和深度學習（Deep Learning）是兩個關鍵的概念。后者因助力ALPHAGO戰(zhàn)勝圍棋世界冠軍而聲名大噪。

機器學習算法通常是應用在某個特定的領域，通過分析輸入和輸出的關系來發(fā)現(xiàn)其中的規(guī)律。其典型應用包括：輸入人像照片，輸出其身份；輸入一個人的收入狀況/信貸歷史，輸出其貸款違約的概率等。深度學習則在機器學習的基礎上更進一步：它會基于現(xiàn)實世界的數(shù)據(jù)反饋，不斷調整和升級自己的學習模型，以提供更有價值的洞見（insight）。

圖2：機器學習的基本原理。來源：IBM / DHL

機器學習的三大要素是“感知”（sensing）、“處理”（processing）和“進步”（learning）。其基本工作原理如圖2所示，呈現(xiàn)出循環(huán)往復的工作過程。

“感知”主要是對基礎數(shù)據(jù)的收集，提供盡可能豐富的輸入；“處理”把輸入轉變?yōu)橛幸饬x的輸出（洞見）；而“進步”（自我提升）則意味著人工智能本身不是一成不變的。對于同樣的輸入，其輸出結果會變得越來越好。

圖3：人工智能和物聯(lián)網(wǎng)的結合。來源：DHL

在“感知”環(huán)節(jié)，人工智能越來越多地和物聯(lián)網(wǎng)（IoT，Internet of Things）技術相結合，如圖3所示。在物聯(lián)網(wǎng)時代，越來越多的物體（比如工廠中的機器設備、家用的電器）都通過傳感器等方式和網(wǎng)絡相連接，藉由先進通信技術將其實際狀態(tài)數(shù)據(jù)傳到網(wǎng)上。這就給人工智能算法提供了大量“飼料”，讓AI可以基于充足的數(shù)據(jù)提升性能，提供有價值的信息（例如：預測機器發(fā)生故障的時間），從而對實體資產(chǎn)進行更有效的管理。

為什么說AI對于物流領域很有價值？

首先，由于信息技術（高性能計算、RFID等）的成本降低，使得物流數(shù)據(jù)的感知/處理/學習成本已經(jīng)來到了普及的臨界點，技術不再遙不可及。

其次，物流運作往往環(huán)節(jié)眾多，各方關系復雜，并且有大量的實物/資金/信息數(shù)據(jù)產(chǎn)生。復雜網(wǎng)狀結構和大數(shù)據(jù)量的特性使得物流天生就適合作為AI應用的場景。

再次，目前AI在實際物流企業(yè)中的落地應用比例還不高（不到10%），提供了一片廣闊的藍海。

（二）非物流領域的AI案例

圖4：非物流領域的AI落地案例。來源：IBM/DHL

他山之石，可以攻玉。在非物流領域，有至少五個方面的人工智能落地案例，可供借鑒（如圖4所示）。

在家庭環(huán)境中，智能音箱等設備為個人用戶提供了便利的服務。一大趨勢是：消費者通過語音即可與智能產(chǎn)品交互，而不需要再撥動手指來操作屏幕。自然語言處理（NLP）技術也越來越強大，使得谷歌的無線耳機可以支持40多種不同語言。類似的技術也幫助企業(yè)大大提升工作效率。例如：Autodesk公司提供智能語音服務平臺，將客戶服務的平均響應時間從1.5天壓縮到了5分鐘之內。

在零售場景，AI也得到了普遍的應用。在零售營銷過程中，有廣告重定位（Ad retargeting）的概念：據(jù)統(tǒng)計，只有2%的顧客會在首次訪問電商網(wǎng)站的時候直接下單。如何觸發(fā)其后續(xù)購買行為，成為商家高度關注的話題。

人工智能算法可以結合消費者的個人資料、歷史購買行為等，推薦最佳的選擇，以提升用戶實際下單的比率。此外，在現(xiàn)場導購/庫存管理/貨架優(yōu)化等場景中，都有AI算法的用武之地。

  圖5：自動駕駛中的智能感知技術。來源：AGA

自動駕駛近年來備受關注，也是人工智能/機器學習的代表性應用領域之一?！案兄?、“處理”和“進步”對自動駕駛都非常重要。以“感知”（Sensing）為例，需要綜合多種雷達/探測器/攝像機等技術，才能給人工智能算法提供足夠的決策依據(jù)，從而作出變速/變向等關鍵決策。

在這個領域，傳統(tǒng)車企（寶馬、奔馳等）和高科技新銳（NVIDIA、Mobileye等）既是競爭關系，又有合作潛力。由于城區(qū)道路的環(huán)境過于復雜，自動駕駛更傾向于在工廠/物流園區(qū)等特定的封閉環(huán)境首先落地。

圖6：在IBM Watson的支持下開展生產(chǎn)制造。來源：John Deere

“Last but not least”，人工智能可以對工廠的生產(chǎn)制造環(huán)節(jié)提供支持。美國著名的農(nóng)機巨頭約翰迪爾（John Deere）在多個場景應用了IBM Watson的認知科技：基于車間實景照片，算法可以識別出成品/半成品中的質量問題，并診斷可能的原因，為工廠改進產(chǎn)品質量提供實用建議。

Watson系統(tǒng)的整個質量診斷過程可以做到“hands-free”：車間人員只需要通過語音通話就可以調動AI程序，不影響手頭的裝配操作。另外，人工智能系統(tǒng)還可以和修理技師的信息系統(tǒng)對接，自動查詢哪位技師有空到現(xiàn)場維修設備。

（三）AI對物流的意義和案例

圖7：物流領域中的AI應用案例。來源：IBM/DHL

在物流領域，除了可以借鑒其它行業(yè)經(jīng)驗之外，其實也已經(jīng)有自己的實際應用案例，來發(fā)揮人工智能的分析判斷能力（如圖7所示）。

“后臺支持”，指的主要是人力資源（HR）、財務、法務等部門。分析報告認為，目前的這類工作中存在很多簡單重復的環(huán)節(jié)，如撰寫郵件收集數(shù)據(jù)、數(shù)據(jù)錄入、抄寫等。

隨著人工智能的普及，許多類似的工作可以交給機器/算法來完成，從而減少相關的人力需求。與此同時，人類可以從事更具創(chuàng)造力的工作（例如決策分析），如圖8所示。

圖8：AI將全面替代簡單重復的工作（以HR為例）。來源：Ernst & Young

用人工智能來從事重復性的“后臺支持”工作，目前在物流領域已經(jīng)有了不少應用。比如：在財務審核領域，可以用人工智能算法來自動識別財務資料的內容，發(fā)現(xiàn)潛在的腐敗問題/不合規(guī)現(xiàn)象等。

安永公司（Ernst & Young）已經(jīng)將這種財務審核算法應用于50個國家，其識別準確率達97%。海關的通關流程也可以受益于AI：通過自動識別通關文件內容，能夠大大縮短進出口通關的時間，讓物流運作更順暢。

“預測性物流”（Predictive Logistics）在AI的幫助下也日漸普及。其代表性應用之一是物流網(wǎng)絡的管理：例如，在航空業(yè)中用機器學習算法分析50-60個參數(shù)，可以準確預測航班的延誤時間，從而更合理地安排貨物/人員/耗材等要素，降低航空運輸?shù)某杀尽?/p>

類似的思想也可以用在供應鏈的其它環(huán)節(jié)：機器學習可以更準確地預測客戶需求（demand）以及供應商的供貨風險（supply risk），把損失降到最低限度。

人工智能在物流領域中的另一重要應用，是優(yōu)化資產(chǎn)管理，打造更加智慧的資產(chǎn)（Seeing, speaking and thinking assets）。一大基本的應用是庫存盤點：如圖9所示，通過用圖像識別技術來分辨貨架上的實際庫存，可以實現(xiàn)盤點的全自動化，大大減少相關的人力投入；并且盤點的頻率也可以提高（如有必要，可以每晚盤點一次），從而更準確地掌握現(xiàn)有資產(chǎn)情況。

圖9：AI用于庫存盤點。來源：QoPius

AI技術也可以用于對資產(chǎn)實體進行移動，例如：在電商和制造業(yè)領域日益普及的Kiva類機器人，其運行過程中往往要對大量機器人的運行路線進行彼此協(xié)調，追求最優(yōu)的路徑并且保證安全。分揀機器人（Sorting robot）的應用也日益廣泛：對一堆形狀各異的混雜物品進行識別和分類，必須基于高性能的深度學習技術。

如何確定一家企業(yè)是否需要AI？首先，我們需要把AI項目分為兩大類：“成本節(jié)省型”和“價值發(fā)掘型”。前者主要是為了降低成本，尤其是人力成本；而后者則希望提供更好的洞見（insight），來提高日常決策的質量。

在明確了自己需要哪類項目之后，可以通過回答一系列問題，來確定自己需要開展哪類項目（參見圖10和圖11）。只有當獲得若干個“Yes”之后，才能作出開展人工智能/機器學習項目的決定。

圖10：成本節(jié)省型項目的決策樹。來源：IBM

圖11：價值發(fā)掘型項目的決策樹。來源：IBM

本文小結:

通過閱讀《物流中的人工智能》報告，可以了解到：

   1.  人工智能在物流中的應用已經(jīng)到達了一個臨界點，有望迎來快速的（爆發(fā)式）增長。

   2.  具體到每一家企業(yè)，仍然需要有足夠的基礎數(shù)據(jù)作支持，才能有效開展AI項目。報告原文中的口號是“No data, no project”?！案兄保⊿ensing）是人工智能應用的第一道門檻。

   3.  明確自己的應用目標（例如：節(jié)省人工成本、或縮短運營周期），會更有利于人工智能項目的落地。