搶佔應用場景 物流巨頭爭相佈局大模型

證券時報記者 康殷

攬收快遞包裹31.61億件，投遞快遞包裹31.20億件，這是今年國慶長假七天累計的快遞量。與此同時，國慶期間日均攬收量與投遞量，相比2023年分別同比增長28.4%和26.7%。

物流快遞行業的高速增長，對實現降本增效，提高運營效率的需求日益迫切。隨着AI技術的日益成熟，物流巨頭扎堆佈局大模型，菜鳥“天機π”輔助決策、順豐“豐知”物流決策大模型、京東物流“超腦”等紛紛推出。

巨頭扎堆佈局

在勞動力成本攀升、物流網絡日益複雜的現實挑戰面前，AI大模型被視爲解決效率瓶頸、促進精益化管理的有力武器，成爲物流快遞企業競逐的核心技術之一。

菜鳥網絡早在2023年6月就發佈了基於大模型的數字供應鏈產品“天機π”，通過先進的算法與大模型技術結合能夠輔助決策，在銷量預測、補貨計劃和庫存健康等領域實現精準預測，並隨着技術進步和數據累積持續迭代。目前，菜鳥大模型已在快消零售、工業製造、汽車等多個行業得到應用，並針對不同行業提供定製化服務。

順豐科技也不甘落後，今年8月18日推出了自主研發的“豐知”物流決策大模型。這款大模型主要應用於物流供應鏈的智能化分析、銷量預測、運輸路線優化與包裝優化等決策領域。值得一提的是，“豐知”大模型在保證預測結果準確性的基礎上，大幅降低了服務器資源需求，運行效率提升了120倍，預測準確率提升了5%。

時隔一月，9月8日順豐科技再次出手，在深圳國際人工智能展上發佈了物流行業的垂直領域大語言模型“豐語”，並展示了在順豐的市場營銷、客服、收派、國際關務等業務板塊的20餘個場景中的落地實踐應用。順豐科技AIoT副總裁宋翔表示，目前基於大模型的摘要準確率已超過95%，這讓客服人員與客戶對話後的處理平均時長減少了30%。

京東物流同樣在大模型領域有所佈局。2023年7月，京東物流發佈了基於大模型的數智化供應鏈產品“京東物流超腦”。這款產品主要應用於交互、分析和決策三個場景，通過數字孿生技術和多模態交互能力，提高了倉儲佈局優化、運營異常改善和供應鏈計劃輔助決策的效率。

“隨着電商的快速發展和消費者需求的多樣化，物流行業需要更高效、更智能的解決方案來滿足市場需求。”中物匯成物流研究院高級研究員袁帥告訴證券時報記者，AI技術的不斷突破，爲大模型在物流行業的應用提供了可能；行業競爭的加劇，促使企業尋求技術創新以提升競爭力；而政策支持也爲物流行業智能化轉型提供了良好的外部環境。

搶佔應用場景

“從2022年年底ChatGPT發佈至今，大模型賽道發展得非常迅猛，2023年稱爲模型之年，大量的模型公司都在卷模型的參數和尺寸，到今年大家紛紛都投向具體模型的應用。”2024全球智慧物流峰會上，智譜AI副總裁吳瑋傑回顧了大模型的發展歷程。

業內普遍認爲，在衆多產業場景中，公路物流貨運具有體系完善、環節衆多、數據複雜、場景豐富等特性，是大模型落地應用的主要領域之一。大模型技術的深度應用，預計將爲物流全鏈路運營效率、服務體驗和業務創新帶來巨大變革。

“大家可以試想一下未來的智慧物流場景，通過多模態大模型，所有車輛都可以同時長着多隻‘眼睛’，在副駕駛跟司機進行非常好的交互，成爲伴駕功能。”吳瑋傑認爲，在運輸管理中，通過大模型的多智能體應用，可以進行復雜的訂單計劃管理，並對訂單在物流車輛的配送執行進行可視化追蹤。

目前，大模型可以通過分析歷史數據和實時交通狀況，爲物流企業提供最優的運輸路線，減少不必要的行駛里程，從而降低燃油成本和時間成本。

“大模型通過對歷史交易記錄與市場波動趨勢的深度學習，實現對未來商品需求量的精準預估，避免過剩庫存造成的資源浪費。”中國礦業大學（北京）管理學院碩士生企業導師支培元告訴證券時報記者，大模型通過實時監測庫存狀態，自動化調節進貨節奏，確保倉儲成本與供應連續性的平衡。

以菜鳥的“天機π”爲例，該大模型能夠根據歷史銷售數據、市場趨勢等信息，預測未來商品需求量，幫助商家合理安排庫存，避免過剩庫存造成的資源浪費。同時，菜鳥大模型還能夠實時監測庫存狀態，自動化調節進貨節奏，確保倉儲成本與供應連續性的平衡。

避免一哄而上

在物流行業應用大模型雖然帶來了許多優勢，但也可能伴隨一些風險和隱患。經不經濟、可不可靠、實不實用，這決定着企業部署大模型的意願。

“AI大模型具有高投入的特點，既需要大量資金投入，又需要大量物流數據用於訓練，滿足這兩方面條件的物流企業，除了兩三家大型龍頭企業，其他物流企業缺少其中至少一個條件。”薩摩耶雲科技集團首席經濟學家鄭磊告訴記者，如果硬上大模型項目，可能在投入使用後，發現企業的物流數據量不敷使用，導致大數據模型不能發揮預期作用。

除菜鳥、順豐、京東外，近期中遠海運推出了國內首個航運領域大模型Hi-Dolphin，貨拉拉發佈了貨運無憂大模型，百度地圖則推出了物流大模型Beta版。

業內人士指出，目前不少快遞物流企業是衝着大模型而大模型的，在落地應用、場景結合、核心價值、優化迭代上並沒有做好，因此就出現了大模型是做完了，卻不知道該如何讓大模型介入業務，也不知道該如何優化業務需求的情況。此外，很多大模型沒有找到前端真正創造產業價值、能夠變現的這條路。

“一哄而上不僅可能因投資不足而導致半途而廢，即便勉強做出來，也可能因爲企業管理不適應而導致無法投入正常使用。這樣達不成降本增效的目標。”鄭磊表示。

爲避免物流行業從大模型“一哄而上”的困境，企業需要明確大模型的應用場景和價值定位，避免盲目跟風。鄭磊認爲，物流企業可以將重點放在物流管理的某一特別需要改進的方面，如需求管理、存儲管理、運輸調配優化等，自研或委託專業科技創新企業定製大模型垂直應用工具，這樣做不僅減少了投入，而且有可能大幅提高管理瓶頸的效率，提高物流企業人工智能化水平。