网站首页 | 网站地图

大国新村
首页 > 理论前沿 > 深度原创 > 正文

“人工智能+物流”:技术张力与结构性优化

【摘要】大模型时代,传统物流行业正在通过数字化转型及人工智能技术融合实现产业迭代,构建“人工智能+物流”的新型行业生态。智能程度与泛化能力日益提升的人工智能模型能够统筹云计算、大数据、物联网等多方技术资源,进一步推动物流行业与制造业、零售业、互联网商业等多维产业的深度融合与智能化升级。然而,“人工智能+物流”这一模式在网络空间与物理空间的落实与扩张也正在面临升级成本不低廉、平台构建不完善、数据保护不充分、政策配套不全面等现实障碍。为实现“人工智能+物流”的推广应用与高质量发展,应当完善定价机制、深化产业融合、突破技术困境、着眼数据安全,以可持续产业政策继续推动物流行业的智能化演进。

【关键词】“人工智能+物流” 技术张力 新质生产力 结构性优化

【中图分类号】D92 【文献标识码】A

当前,人工智能作为新质生产力的典型代表,正在推动社会各领域的数字转型与智能重组。在“人工智能+”的不同应用场域中,物流行业作为规范性高、安全要求高、作业强度高、运行规律性较强的基础性服务行业,已经成为人工智能应用的主要垂直领域之一。

初期,人工智能仅作为路径优化和仓储管理的基础工具介入物流行业。其后,伴随大数据、物联网、云计算和机器学习方法的成熟,人工智能在物流领域的应用范围与适配场景迅速扩张,涵盖从需求预测、路径规划、自动仓储到智能配送等多个场景。同时,结合无人机、自动驾驶与智能机器人等新兴技术的成熟化发展,人工智能正在作为新型创新资源推动如无人机配送等全新物流形式的快速涌现。从产业进展的视角来看,“人工智能+物流”的稳步发展与积极应用改变了依赖人为线性管理的传统物流模式,正在推动物流行业向智能化、自动化与高效化方向的产业能级跃进。然而,“人工智能+物流”模式的进一步推广与完善也同样面临数据安全、成本增加等方面的实质困境。在此背景下,应综合运用技术、产业和政策等手段,促进大模型时代下“人工智能+物流”模式的战略性布局与结构性优化。

“人工智能+物流”的现实背景、技术支持与智能化转型需求

一方面,大型语言模型时代下智能程度高速提升的人工智能模型能够更高效地完成泛化社会领域中的复杂任务,为“人工智能+物流”的发展模式提供现实背景与技术支持。当前,人工智能模型的性能与结构复杂度正在随着算力等级和数据分析能力的演进持续提升。①以ChatGPT、Gemini、Claude为代表的大模型能够在转换器架构等基础上处理复杂的通用任务,文心一言、通义等国产旗舰大模型也正在展现优良的运算性能与多模态能力。此外,时间序列预测模型、长短期记忆网络、门控循环单元等专门化算法也能与物流等垂直领域的特定需求深度嵌合,实现需求预测、优化调度、路径规划、智能仓储等任务导向下的产业化功能。

另一方面,物流作为密切关联多领域的基础性服务行业,正在占据更为重要的功能性地位,且面临智能化转型的迫切需求。根据中国物流与采购联合会发布的调查报告,2023年中国物流业总收入已经达到13.2万亿元。在经济全球化的时代背景下,信息交互与数据共享等物流服务需求也在进一步升级。当前,体量庞大的传统物流行业作为关联互联网商业、传统制造业、零售业的中枢性产业,对经济结构和产业生态的智能重塑起到核心作用。在全球市场竞争日益激烈、消费需求快速多变以及企业追求降本增效等时代性挑战下,物流行业亟需进一步加深与智能化技术的融合程度,加快推进物流行业的数字化进程。

物流行业的数字化程度伴随数字技术的发展不断提升。20世纪后期,中小型物流企业在提供运输服务时已经涉及对数据的管理和利用,这一能力随着数据仓库、专家系统和企业内部知识管理系统等数字化应用的发展逐步提升。2006年,谷歌推出了“Google 101计划”,并正式提出“云”的概念和理论。2007年10月,谷歌、IBM联合了美国6所知名大学帮助学生在大型分布式计算系统上进行开发,明确将云计算作为一个新概念提出。2010年,IBM发布《智慧的未来供应链》并延伸出“智慧物流”这一整合性概念,指出物联网时代人工智能等新兴技术可以在物流行业用于提高信息采集全面性并优化行业运作流程。②在“人工智能+物流”的全新模式下,人工智能可以在全物流生态流程中整合多方技术资源,实现物流行业降本增效等基本需求,并进一步实现物流服务的优化升级。

首先,就物流行业的底层逻辑而言,降低成本与提升效率始终是效益提升与产业优化的核心命题,引入人工智能技术有助于实现降本增效的基本目标。一方面,物流领域的垂直人工智能系统能通过数据分析、运算决策与智能预测实现对天气、交通、订单变化等配送要素的预测和分析,实现运输路线优化和载货率提升等目标,③在有效减少运输、仓储等主体成本的同时通过减少碳排放以推动绿色物流的发展。此外,生成式人工智能还能运用良好的自然语言处理能力,通过接管客服聊天、优化行政节点等方式降低人工成本、管理支出和行政费用。另一方面,人工智能在降低成本的同时也被用于减少人工干预与操作错误,相比传统手动管理方式能够实现更高的效率和准确率。特别是在应对突发事件或市场波动时,人工智能可更快、更准确地通过成本控制和运营效率提升等方式提高物流行业运行效率。

其次,从关联技术的统筹融合而言,人工智能可促进多类型技术的互联耦合,作为智能中枢提升数字技术在物流行业的参与深度。“智慧物流”这一整合性概念关联大数据、云计算、物联网、工业互联网等多种产业技术形态,人工智能则可以作为技术枢纽赋能多模态技术的有机融合、效能升级与智能优化。当前,泛化性能更强的人工智能可与不同垂直领域的技术形态实现有机结合并实现嵌入部署。从技术路径的角度出发,影响人工智能的关键要素包括数据、算法、算力,人工智能可结合云计算与大数据分析等方法,锚定物流需求、精准推进供需的最大程度整合。④此外,人工智能与自动导引运输车(AGV)、射频识别(RFID)等尖端实体技术的适配度同样良好。在此基础上,通过推动多种技术形态的深度协同与一体化融合,人工智能可实现物流领域的技术资源协同利用,构建以技术融合、生态协同为特征的产业生态圈。

最后,从物流服务的持续优化而言,人工智能可运用智能化、自动化渠道优化物流行业的现有服务形式,并助力物流行业的体验升级与创新性发展。例如,瑞典的金融科技公司Klarna在2024年2月底推出AI助手,其上线一个月后接管了三分之二的客服聊天,错误率更低,重复咨询量下降了25%。可见,在事务性、结构性任务集中的服务范畴,人工智能可帮助减少人工错误,提高物流订单服务处理的准确性和处理速度。此外,无人机与无人车技术也可能代表物流配送的未来方向,相比人工配送方式在时效性、灵活性、可达性、安全性、精准性等方面存在优化可能。未来,更加智能的多模态模型与智能机器人可以适配大部分物流场景与环节,通过实现物流行业的智能升级进一步优化用户体验与提升服务满意度,这将成为物流行业创新优化的核心驱动力。

“人工智能+物流”在全球范围的典型应用与发展态势

结合美国联合包裹运送服务公司(UPS)、中外运敦豪国际航空快递有限公司(DHL)、亚马逊公司(Amazon)等全球领先企业的既有经验,“人工智能+物流”的营运模式已在全球范围展现出相对成熟的发展态势。

一方面,人工智能可直接提高物流运输与配送环节的效率,同时降低相应成本。例如,亚马逊公司引入人工智能驱动的无人机与无人车技术,通过对实时交通状况和天气条件的分析,实现运输配送路线优化并实质性推动“最后一公里”物流难题的智能化解决。同时,亚马逊公司还进一步构建能自主完成移动搬运任务的Kiva机器人系统,结合人工智能路径规划功能进一步推进物流订单处理与货物搬运的自动化。根据亚马逊仓库管理报告(Amazon Warehouse Management Report),Kiva机器人系统使亚马逊公司配送中心的订单处理时间缩短50%的同时降低了30%的处理成本。可见,通过更高水准的流程自动化能力、实时动态优化表现和预测分析性能,人工智能可在多流程环节推进降本增效目标的实现。

另一方面,人工智能还能通过供应链管理、风险控制、实时路径优化等,有效提升物流全流程生态的高效性和可靠性。例如,美国联合包裹运送服务公司的年度报告指出,其ORION系统通过对全球范围数百万条路径数据进行实时分析,实现货车行驶路线的优化,降低了燃油和运营成本。在仓储管理方面,中外运敦豪国际航空快递有限公司的Resilience360系统基于人工智能建构供应链风险管理平台,可以对全球物流网络历史数据与实时事件进行监控、分析,进而预测自然灾害、政治动荡和市场波动等可能影响供应链的潜在风险并制定应急计划,这一系统使公司在应对供应链中断时的反应速度大幅提升。此外,中外运敦豪国际航空快递有限公司还通过实时分析库存数据和人工智能机器人分拣,在大幅减少人工操作错误率的同时有效提升仓储效率并实现智能仓储的高度自动化。

国内层面,“人工智能+物流”模式已展现出相对成熟的应用与发展态势,且积极适配我国物流行业现状特征。⑤例如,顺丰将人工智能与大数据结合,实现精准的需求预测与物流网络优化。又如,京东物流在其智能物流“青龙系统”中广泛应用人工智能技术,通过自动化分拣与智能配送机器人提升物流效率,类似模式也在阿里巴巴的菜鸟网络中有所体现。以京东模式为例,人工智能可对以往的营运数据和消费者数据进行深度挖掘,根据预测需求提前布局以实现供应链优化,这在应对“双十一”等大规模促销活动时的物流曲棍球效应更为有效。在仓储管理方面,京东的人工智能系统可挖掘并构建基于时间序列的数据立方体,萃取稳定可信的商品关联信息以实现仓库布局最优化。⑥在运输路线规划方面,人工智能也能在仓库商品布局与实时路由优化的基础上,指导车辆采用最佳路由进行跨城运输与同城配送。

当前,以大语言模型为代表的人工智能技术正在进入发展高峰。在迈向通用人工智能的技术历程中,⑦人工智能制造的“智能爆炸”效应也正在为“人工智能+物流”的深化发展提供新的可能。例如,OpenAI在2024年9月发布的推理模型o1在部分逻辑领域拥有超过人类专家的推理性能,且特别擅长完成涉及大规模变量的复杂任务。未来,这类后训练扩展律范式下运算性能更为强大的推理模型可更有效地处理物流网络这一复杂系统,通过对海量数据的精准运算实现大范围物流活动的路径优化与风险控制。此外,GPT-4o等多模态模型正在展现极为良好的自然语言处理能力与实时对话性能,未来或将能比人类客服更有效地即时解决客户复杂的个性化需求。最后,Figure 01等智能机器人与“具身智能”的发展进一步提升物理空间复杂任务的操作准确性。未来,适用性更强的智能机器人可以满足更为复杂的任务需求,完成复杂空间的配送任务并实现普及推广。高速发展的人工智能技术有望成为物流行业未来发展的创新驱动力,凭借其快速发展所产生的广泛社会化应用及强大影响力,推动物流盈利模式的优化,持续挖掘并释放物流领域的新型价值。

“人工智能+物流”在深化发展与推广应用中面临的现实障碍与应用困境

成本投入是企业必须考量的关键因素,也是“人工智能+物流”模式进一步推广的关键阻力。大规模人工智能系统或大体量智能机器人的开发、部署与维护均需要大量资金的持续支持。其中,关联成本不仅涉及技术开发与设备投入的传统成本,还需涵括传统业务与新兴技术在整合过程中所涉及的技术兼容性成本,⑧以及现代化人工智能系统运行所必需的算力、能源与硬件成本。在此背景下,高昂的初期投入、技术整合与兼容难度、数据标准化与共享机制缺乏等因素共同增加了企业实施“人工智能+物流”模式的难度与复杂性。

“技术鸿沟”之下,较高的技术升级门槛限制甚至排除了部分中小企业和初创企业向人工智能化转型的可能性。部分中小型物流企业往往不具备规模化部署人工智能技术的技术能力与资源支持,其面向的公共物流信息平台也尚未建立。部分中小企业基础设施能力与专业人才匮乏、大范围升级成本与资金布局的不均衡可能导致物流领域垄断市场的形成,少数头部物流企业可能借助实体与智能资源的集中化效应进一步制造物流行业“智能垄断”的格局,这一局面的形成或将不利于良性市场竞争机制的形成与后续创新的持续涌现。

算法模型与智能机器人的固有机制难以与物流行业的现实需求实现充分适配。例如,“算法黑箱”问题是当前以转换器架构为代表的大型语言模型难以攻克的一大难题。现代化人工智能结构复杂度的提升进一步加剧了算法解释的难度,物流行业关联海量信息的复杂推理运算过程则更难满足有效监管所需的透明化要求。此背景下,模型透明度与可解释性的进一步下降可能对物流行业的风险管理和合规性造成挑战,制造不可预知的安全风险。此外,将成本高昂的无人机、智能机器人等设备用于末端配送同样涉及运输安全与财产安全相关问题。如何保证物流机器人等智能配送工具充分适应城乡地区的复杂地理空间,并确保运输配送过程中居民与机器人的最大化安全,仍需技术与应用层面的进一步探讨。

数据隐私与数据安全方面存在的风险同样是“人工智能+物流”推广应用的一大障碍。当前训练范式下,人工智能模型的性能提升依赖对物流行业更大规模既往数据与实时数据的深度挖掘和分析,这一过程密切关联用户隐私与数据利用的合规性问题,也可能关联企业内部的商业机密与涉及国家安全的公共数据。智能化、规模化、集中化的物流数据中枢可能加剧数据安全与隐私方面的风险挑战,如何针对可控性、可解释性更低的复杂算法设立安全机制,平衡并化解模型训练与运行过程中的多维风险仍是“人工智能+物流”的一大挑战。同时,对海量数据的合规利用还可能涉及数据标准整合、数据可用性、数据噪声等问题。此外,可用于规模化物流模型训练的公共物流数据平台尚未完善,各企业物流数据间存在“信息孤岛”,难以产生“人工智能+物流”赋能的规模化效应。

“人工智能+物流”的进一步应用同样受到产业、法律与政策等层面的影响与限制。一方面,为避免人工智能技术的分散应用与规则失序,运输公司、仓储公司和科技服务商等众多物流行业参与者的高效合作需要更为精准有效的技术规范、行业标准与合作机制的介入和制约。然而,关联数据标准等问题的标准化体系与新型问题的责任归属问题尚不明晰。另一方面,客户数据利用与公共信息平台构建等问题也受到《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》等数据与安全领域的法律法规和技术标准的严密规制,部分企业合规难度与成本较大,跨国物流服务还将进一步受到数据流动等方面国际贸易政策与标准的约束。此外,政府政策导向与激励措施的针对性与有效性也将影响“人工智能+物流”的发展速率与应用普适性。

“人工智能+物流”的机制迭代与产业优化

完善供应与定价机制,激发全领域变革动力。可持续发展的基础在于投入的回报预期、持续的激励机制与正反馈的生态体系。为激发人工智能技术在降本增效这一核心目标中的效用价值,以企业为主体的物流服务市场应当对“人工智能+物流”的供应与定价机制进一步作出完善。一方面,通过自主研发与规模化智造,推进关键核心技术的成本控制与广泛部署。其中,技术自研能力是影响技术变革成本的关键变量。未来,应进一步鼓励物流企业与高校和科研机构进行技术合作,推动人工智能赋能下机械臂、无人仓库、物流传感、自动化仓储、智能机器人和智能运输车辆等设备和系统的自主研发,并依托现代化制造资源形成规模化供应链。另一方面,依托“智能动态定价系统”,进一步发展人工智能驱动的供应链管理系统并提高整体运营效率和技术绩效。同时,通过库存管理精准化、需求预测智能化和路径规划最优化,提高定价系统精度和企业的市场竞争力。例如,因为陆路运输行业服务输出主体庞杂,不同主体之间缺乏有效的协同机制,所以在定价权的掌握上较为分散,对于性价比的优化也缺乏足够的改革决策动力,最终致使成本面临倒挂挑战。通过人工智能决策支持深度导入动态定价机制,可以实时分析市场需求、竞争态势和运营成本,快速调整价格策略,实现陆运利润最大化。整体而言,需要建立良性的成本控制与收益分析机制,运用智能分析工具挖掘潜在市场机会,通过持续性技术迭代和行业内数据共享构建动态改进机制,提升“人工智能+物流”的可实现性与可期待性。同时,做好行业宏观领域的成本控制与环节监管,避免技术升级造成的垄断与定价权滥用。

突破技术与数据困境,强化全流程融合智造。在技术层面,自动化仓储管理系统和智能路径规划系统等已被证明能直接提升经济效益的技术可优先与人工智能实现进一步融合。利用智能程度与推理性能更强的人工智能模型,优化智能预测、实时调度和路径优化等任务,实现需求预测与动态调度的技术能级跃升。⑨在技术选择上,需要进一步跟进社会大环境下的物流系统融合工程,通过国家标准的制定与面向社会的服务体系融合,帮助企业完善自身智能物流业务的相互兼容性,确保人工智能新模式能够与现有系统无缝集成,避免头部企业垄断整体服务带来的系统支持与服务成本等后期技术成本飙升。同时,积极发掘人工智能技术在智能分析、智能决策方面的优势,联动仓储信息管理系统、实时配送监控系统等,提升各流程环节的作业自动化水平与智能程度。此外,在数据层面,在传统数据存储共享模式改革的基础上,人工智能可结合区块链、云计算技术推动建立去中心化的物流数据存储系统。在优化模式下,物流各环节参与方都可以在相应节点上存储数据,同时利用智能合约实现数据访问和共享规则,进而确保物流数据在多方之间有效流通而不依赖于单一中心化存储。通过去中心化模式进一步提升数据的透明性、隐私性与不可篡改性,使物流参与者可以更有保障地共享和存储数据,同时促进物流行业各环节的数据联动与协作,助力高质量物流数据共享生态的形成。

强化节点与系统整合,促成产业链整体升级。通过合理的系统优化与产业链整合,人工智能可在多个物流节点上发挥重要作用,进而提升整体效率。首先,人工智能可促进包含采购、仓储、运输等跨环节层面的协同调度,强化从原材料到最终制品运输和分销的智能化管理,建立以原材料为主的大宗商品为始、以工业最终制品的运输和分销为终的产业结构。通过人工智能的实时监控与数据分析能力,促进各个环节的协调运行以有效减少物流延误,提高交付周期的稳定性。其次,强化物流节点与系统整合,利用人工智能技术促进上下游企业的信息共享与协同,通过建立智能物流网络,形成更具弹性的供应链体系。借助人工智能模型智能决策与执行的能力,“人工智能+物流”架构下的弹性供应链可以有效应对突发事件和市场变化,进一步提高整体抗风险能力并保障产业的持续稳定发展。最后,通过人工智能赋能的整体性物流管理,推动物流产业与相关产业的末端协同发展。通过智能协同平台的构建与通用化人工智能模型的末端协调,改善当前末端协同程度较低导致的“最后一公里”配送成本高、效率低的问题。同时,运用“人工智能+物流”积极推动“新零售”模式的成熟,推动线上线下销售配送一体化,在提升运输效率的同时促进产业链的平衡运作,助力经济持续增长,实现更高水平的产业协同与智能化升级。

赋能初创与中小企业,推动生态圈有机重塑。首先,政府可以通过提供硬件支持、数据资源与开放的技术平台,帮助中小型物流企业运用开源的人工智能技术和公共平台在较短周期内提升物流效率、降低运营成本,实现模式、体验与供应链的一体化升级。在此过程中,政府可以提供开放的技术平台和数据资源,帮助中小企业利用人工智能提升物流效率并降低运营成本。通过构建统一的数据共享平台,帮助中小企业及时获取市场信息和运输状态,实现精准决策。政府也可以协助中小企业运用人工智能技术优化生产环节中原材料的集散管理过程,运用数据分析和预测模型帮助企业在原材料采购和库存管理上作出更科学的决策,进而减少库存积压、提高资金周转率。其次,鼓励中小企业之间的合作与协同,通过共享资源和信息实现联合配送和仓储共用,促进互利共赢。同时,进一步强化技术普惠与知识共享的概念,积极举办相关培训和研讨活动,加快行业技术人才的联合培养,支持中小企业掌握智慧物流的相关技能和知识,确保企业能够及时适应行业变化。最后,可以在制造业集中的物流集散区域,向中小企业与供应链环节制造商提供标准化且收费合理的智慧物流服务。积极运用公共智慧物流中心的模式,避免中小企业受制于智慧物流系统的门槛与风险,充分展现集约带来的成本优势。在此基础上,通过完善公共智慧物流体系与物流数据共享平台,在帮助中小企业成长的同时推动整个行业的智能化转型和升级,形成良性的行业生态。

优化产业与政策措施,实现可持续良性循环。在经济全球化与数智化共同作用的时代背景下,与物流领域密切关联的电子商务平台、电子物流平台、电子政务平台、政府平台建设可被进一步完善。首先,为确保人工智能技术在物流行业的可持续发展,应当建立良性的内部机制,包括人工智能加持的技术升级、技工培训和行业内数据共享机制。其次,政府应在推动人工智能技术应用于物流行业方面发挥积极的指导和监管作用。进一步制定行业标准,提供政策支持和财政激励,推动数据共享和跨主体合作,主动减少企业在环节和流程上的成本,促进人工智能技术的广泛应用。在帮助企业降低物流相关人工智能技术实施的风险和成本的同时,使物流企业间的服务融合与技术竞争状态长期持续,有效加速人工智能技术的推广应用和相互融合。此外,进一步完善物流电子政务平台,通过有效的监督和监管机制维护数据安全与隐私。在应用效果和风险防控层面,有效引导人工智能技术在物流行业中的应用进程,进一步在供应链、需求链整合的产业链条中嵌入有效的政府审查机制。最后,在法律与伦理的复合视角下推动人工智能立法与物流行业的针对性立法,针对“人工智能+物流”的独特需求与潜在风险建立更完善的法律框架,在数据隐私保护、算法透明性、责任归属等关键领域进一步细化相关规定并强化执行力保障。通过在安全、合规的基础上推进“人工智能+物流”模式的积极应用与可持续发展,加快培育和形成以人工智能为引擎的新质生产力与智慧物流产业,提升我国战略性新兴产业和未来产业的国际竞争力。

(作者为浙江大学光华法学院教授、博导,浙江大学国际战略与法律研究院常务副院长,网络空间国际治理研究基地执行主任、首席科学家,数字法治研究院首席专家)

【注释】

①程乐:《生成式人工智能治理的态势、挑战与展望》,《人民论坛》,2024年第2期,第76—81页。

②郭继武:《智慧物流转型升级的现状及方向》,《人民论坛》,2024年第1期,第87—89页。

③Boute,Robert N.and Maxi Udenio."AI in logistics and supply chain management." Global logistics and supply chain strategies for the 2020s: Vital skills for the next generation.Cham: Springer International Publishing,2022.49-65.

④程乐:《生成式人工智能的法律规制——以ChatGPT为视角》,《政法论丛》,2023年第4期,第69—80页。

⑤何黎明:《中国智慧物流发展趋势》,《中国流通经济》,2017年第6期,第3—7页。

⑥赵松岭、陈镜宇:《发展智慧物流的路径探索》,《人民论坛》,2020年第8期,第108—109页。

⑦程乐:《“数字人本主义”视域下的通用人工智能规制鉴衡》,《政法论丛》,2024年第3期,第3—20页。

⑧高俊:《人工智能技术在智慧物流的应用研究》,《物流科技》,2024年第16期,第73—79页。

⑨Liu,Qiurui,et al."Artificial intelligence for production,operations and logistics management in modular construction industry:A systematic literature review."Information Fusion (2024):102423.

责编/靳佳 美编/杨玲玲

声明:本文为人民论坛杂志社原创内容,任何单位或个人转载请回复本微信号获得授权,转载时务必标明来源及作者,否则追究法律责任。

[责任编辑:谢帅]