在2018年底，德國知名的物流集團DHL和IBM公司合作，出品了研究報告《物流中的人工智能》(Artificial Intelligence in Logistics)，以詳實的案例和資料闡述了人工智能技術的發展現狀，及其對于物流領域的實際意義。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。

　　人工智能意味著什么?

　　圖1：人工智能的發展歷程。來源：NVIDIA

　　人工智能(AI)早在1956年就首次被提出，隨后在60多年的發展歷程中多次起伏。在其發展歷程中，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現其中的規律。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：它會基于現實世界的數據反饋，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，呈現出循環往復的工作過程。

　　“感知”主要是對基礎數據的收集，提供盡可能豐富的輸入;“處理”把輸入轉變為有意義的輸出(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：人工智能和物聯網的結合。來源：DHL

　　在“感知”環節，人工智能越來越多地和物聯網(IoT，Internet of Things)技術相結合，如圖3所示。在物聯網時代，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絡相連接，藉由先進通信技術將其實際狀態數據傳到網上。這就給人工智能算法提供了大量“飼料”，讓AI可以基于充足的數據提升性能，提供有價值的信息(例如：預測機器發生故障的時間)，從而對實體資產進行更有效的管理。

　　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，使得物流數據的感知/處理/學習成本已經來到了普及的臨界點，技術不再遙不可及。

　　其次，物流運作往往環節眾多，各方關系復雜，并且有大量的實物/資金/信息數據產生。復雜網狀結構和大數據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在實際物流企業中的落地應用比例還不高(不到10%)，提供了一片廣闊的藍海。

　　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：據統計，只有2%的顧客會在首次訪問電商網站的時候直接下單。如何觸發其后續購買行為，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，在現場導購/庫存管理/貨架優化等場景中，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。“感知”、“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，從而作出變速/變向等關鍵決策。

　　在這個領域，傳統車企(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。由于城區道路的環境過于復雜，自動駕駛更傾向于在工廠/物流園區等特定的封閉環境首先落地。

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

　　“Last but not least”，人工智能可以對工廠的生產制造環節提供支持。美國著名的農機巨頭約翰迪爾(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，為工廠改進產品質量提供實用建議。

　　Watson系統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，人工智能系統還可以和修理技師的信息系統對接，自動查詢哪位技師有空到現場維修設備。

　　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經驗之外，其實也已經有自己的實際應用案例，來發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節，如撰寫郵件收集數據、數據錄入、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，發現潛在的腐敗問題/不合規現象等。

　　安永公司(Ernst & Young)已經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絡的管理：例如，在航空業中用機器學習算法分析50-60個參數，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，降低航空運輸的成本。

　　類似的思想也可以用在供應鏈的其它環節：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，是優化資產管理，打造更加智慧的資產(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有資產情況。

　　圖9：AI用于庫存盤點。來源：QoPius

　　AI技術也可以用于對資產實體進行移動，例如：在電商和制造業領域日益普及的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調，追求最優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。

　　如何確定一家企業是否需要AI?首先，我們需要把AI項目分為兩大類：“成本節省型”和“價值發掘型”。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：成本節省型項目的決策樹。來源：IBM

　　圖11：價值發掘型項目的決策樹。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到達了一個臨界點，有望迎來快速的(爆發式)增長。

　　2. 具體到每一家企業，仍然需要有足夠的基礎數據作支持，才能有效開展AI項目。報告原文中的口號是“No data, no project”。“感知”(Sensing)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。