“AI應(yīng)用元年”里的又一重大行業(yè)機(jī)遇

物流業(yè)：大模型落地先鋒

8月份，交通運(yùn)輸部印發(fā)通知，公布交通物流降本提質(zhì)增效典型案例（首批）名單，共涉及18個(gè)典型案例。其中比較值得關(guān)注的亮點(diǎn)是，這一批典型案例中，除了有像遼寧推進(jìn)鐵路專用線進(jìn)企入園推動(dòng)大型工礦企業(yè)“公轉(zhuǎn)鐵”“公轉(zhuǎn)水”這類以深化運(yùn)輸結(jié)構(gòu)調(diào)整為特色的傳統(tǒng)型案例之外，還專門(mén)有一個(gè)“創(chuàng)新智慧物流新模式”的板塊，其中展示了企業(yè)通過(guò)引入AI算法模型促進(jìn)物流降本增效的相關(guān)案例。

對(duì)此，一些多年深耕物流行業(yè)的人士閱后感嘆：物流業(yè)真的要變天了，再不AI，就要面臨被淘汰。

這其實(shí)只是社會(huì)變遷的大背景在垂直領(lǐng)域的無(wú)數(shù)映射之一例，如果說(shuō)2023年作為“AI元年”，其特點(diǎn)是幾乎全社會(huì)都卷入對(duì)通用人工智能（AGI）的認(rèn)知與激辯的話，那么2024年可被稱為“AI應(yīng)用元年”，AI技術(shù)開(kāi)始在多個(gè)領(lǐng)域?qū)崿F(xiàn)突破性進(jìn)展和廣泛應(yīng)用。人們看到，AI應(yīng)用在爆發(fā)性增長(zhǎng)、生成式AI在加速落地；多模態(tài)AI應(yīng)用正在加速覆蓋如專業(yè)服務(wù)、教育、醫(yī)療保健等諸多領(lǐng)域；AI技術(shù)正在推動(dòng)各種終端設(shè)備進(jìn)行大模型的本地部署。

在媒體視角中，物流領(lǐng)域并非AI話題的熱點(diǎn)發(fā)生地，因?yàn)樗诒砻嫔纤坪跖c普通人聯(lián)系不多，但通過(guò)交通部此次通報(bào)的典型案例卻可以看出，物流領(lǐng)域?qū)嶋H是最適合、也是大模型可以最快落地應(yīng)用的領(lǐng)域之一，按中國(guó)交通運(yùn)輸協(xié)會(huì)會(huì)長(zhǎng)、原鐵道部副部長(zhǎng)胡亞?wèn)|所言：“加快數(shù)字化和智能化轉(zhuǎn)型發(fā)展，已成為物流行業(yè)的重要戰(zhàn)略方向?！?/p>

在年初舉行的中央財(cái)經(jīng)委員會(huì)第四次會(huì)議上，降低全社會(huì)物流成本被列為提高經(jīng)濟(jì)運(yùn)行效率的重要舉措，其中數(shù)字化扮演了重要角色，網(wǎng)絡(luò)貨運(yùn)等“互聯(lián)網(wǎng)+”高效物流新模式新業(yè)態(tài)的不斷涌現(xiàn)，成為物流行業(yè)轉(zhuǎn)型升級(jí)的關(guān)鍵因素，而大模型又在物流業(yè)數(shù)字化戰(zhàn)略中，承擔(dān)著重要?jiǎng)?chuàng)新抓手的角色。

地方部隊(duì)與中央軍：物流業(yè)大模型的兩種力量

從有互聯(lián)網(wǎng)及電商業(yè)以來(lái)，物流業(yè)就一直是數(shù)字創(chuàng)新技術(shù)的最佳試驗(yàn)田之一，也是新技術(shù)最快落地之處，近年來(lái)，像阿里巴巴、京東、拼多多等互聯(lián)網(wǎng)巨頭，都在竭力推進(jìn)其最新技術(shù)與物流板塊的快速融合。在大模型時(shí)期也不例外，

從去年6月開(kāi)始，互聯(lián)網(wǎng)巨頭們的大模型紛紛落地物流板塊，2023年6月，菜鳥(niǎo)發(fā)布基于大模型的數(shù)字供應(yīng)鏈產(chǎn)品“天機(jī)π”；2023年7月，京東推出“言犀大模型”，“京東物流超腦”發(fā)布；2023年9月，百度地圖推出物流大模型 Beta版；2023年10月，騰訊與福佑卡車宣布將聯(lián)合打造行業(yè)首個(gè)數(shù)字貨運(yùn)大模型；2024年3月，阿里云等成立首個(gè)專注于大模型應(yīng)用研究與實(shí)踐的聯(lián)盟“物流智能聯(lián)盟”。

京東物流超腦

而在垂直領(lǐng)域，則有2023年10月快遞100上線的“快遞100 AI大模型”，及2024年3月貨拉拉發(fā)布的貨運(yùn)無(wú)憂大模型等獨(dú)角獸布局的自研大模型。

這其實(shí)是不同的兩種力量，如果說(shuō)阿里、京東、百度等互聯(lián)網(wǎng)巨頭是自上至下而來(lái)，是中央軍的話，貨拉拉、快遞100等行業(yè)獨(dú)角獸則可稱地方部隊(duì)。兩股力量各有優(yōu)勢(shì)，互成犄角，以合力之勢(shì)共同推動(dòng)大模型在物流業(yè)的落地應(yīng)用。

巨頭和獨(dú)角獸在體量上差異巨大，而之所以說(shuō)又各有優(yōu)勢(shì)，是因?yàn)锳I大模型技術(shù)在服務(wù)物流業(yè)過(guò)程中有多個(gè)層次，比如利用公共大模型給行業(yè)賦能，全面提升工作效率就是一種大模型的落地，像物流企業(yè)在辦公中使用“通義千問(wèn)”等確實(shí)可以大幅提高工作效率；再比如，將大模型與行業(yè)深度融合，結(jié)合行業(yè)特色對(duì)企業(yè)運(yùn)作進(jìn)行賦能也是一種；還有就是類似貨拉拉這種行業(yè)獨(dú)角獸自研的大模型，其特色是基于貨運(yùn)行業(yè)數(shù)據(jù)優(yōu)勢(shì)，致力于成為“你身邊的物流專家”，又是一種。

互聯(lián)網(wǎng)巨頭的大模型面向多個(gè)行業(yè)，長(zhǎng)于綜合性，在“橫”的一面更有優(yōu)勢(shì)，獨(dú)角獸的大模型雖然也具備文本生成、語(yǔ)言理解、知識(shí)問(wèn)答、邏輯推理、數(shù)學(xué)能力等通用大模型能力，但更擅長(zhǎng)的是處理貨運(yùn)行業(yè)問(wèn)題，比如貨運(yùn)無(wú)憂大模型就在業(yè)務(wù)知識(shí)、貨運(yùn)行業(yè)概念知識(shí)、貨運(yùn)企業(yè)信息、貨運(yùn)行業(yè)洞察、貨運(yùn)法律政策等維度能力評(píng)測(cè)中，得分很高。

在未來(lái)的市場(chǎng)中，到底是誰(shuí)能勝出還需實(shí)踐考驗(yàn)，但最終地方部隊(duì)與中央軍各有一席之地應(yīng)無(wú)疑問(wèn)，區(qū)別是誰(shuí)主誰(shuí)次而已。

獨(dú)角獸做大模型：輕量化、場(chǎng)景化是最重要抓手

行業(yè)巨頭涉入垂直領(lǐng)域以后經(jīng)常把行業(yè)獨(dú)角獸碾壓的潰不成軍，最終不是被控股就是被收編。從這個(gè)角度看，地方部隊(duì)與中央軍的大模型之間的競(jìng)爭(zhēng)實(shí)際上是建立在實(shí)力不對(duì)等之上。

但為什么又說(shuō)最終將各有一席之地？是因?yàn)榫揞^大模型雖然強(qiáng)，但卻重，雖然能力綜合，但卻難以深入場(chǎng)景，這就使得“輕量化、場(chǎng)景化”成為獨(dú)角獸們做大模型的機(jī)會(huì)。畢竟，AI的競(jìng)爭(zhēng)并非是一場(chǎng)比誰(shuí)能把模型做得更“大”的軍備賽。在中信智庫(kù)發(fā)布的《人工智能十大發(fā)展趨勢(shì)》中，其趨勢(shì)八也稱“大模型輕量化：降低應(yīng)用成本、帶動(dòng)端側(cè)算力發(fā)展?！?/p>

貨拉拉的貨運(yùn)無(wú)憂大模型就是一個(gè)主打“輕量化、場(chǎng)景化”的典型案例，如果貨運(yùn)無(wú)憂大模型最終做成功，其意義將超出物流行業(yè)，而對(duì)大量垂直領(lǐng)域行業(yè)具有借鑒意義（當(dāng)然，失敗的話其實(shí)也有借鑒意義）。

貨拉拉推出貨運(yùn)無(wú)憂大模型的初衷并非是要去抓大模型這個(gè)風(fēng)口，而是傳統(tǒng)模型在垂直領(lǐng)域中確實(shí)不夠用。比如，貨運(yùn)涵蓋了訂單、貨物、車輛、駕駛員、路線等方面數(shù)據(jù)，包含文本、數(shù)字、圖像等多種形勢(shì)，且由于貨物和車輛位置實(shí)時(shí)變化，數(shù)據(jù)存在大量的動(dòng)態(tài)變化，導(dǎo)致貨運(yùn)數(shù)據(jù)的復(fù)雜性和不確定性較高。傳統(tǒng)模型在處理這些復(fù)雜數(shù)據(jù)和細(xì)節(jié)時(shí)往往表現(xiàn)不佳，導(dǎo)致預(yù)測(cè)結(jié)果可能存在較大偏差。

貨拉拉AI招聘的可定制化聊天機(jī)器人

貨拉拉AI招聘的可定制化聊天機(jī)器人

貨運(yùn)無(wú)憂大模型則可以通過(guò)構(gòu)建更加復(fù)雜的模型結(jié)構(gòu)，能夠更好地分析復(fù)雜數(shù)據(jù)，提升預(yù)測(cè)精度，從而更好地適應(yīng)現(xiàn)代物流業(yè)的發(fā)展需求。同時(shí)貨運(yùn)無(wú)憂大模型還具備更強(qiáng)的泛化能力和適應(yīng)性。通過(guò)在大量多樣化數(shù)據(jù)上的訓(xùn)練，它能夠適應(yīng)更多種類的任務(wù)和數(shù)據(jù)，滿足不斷變化的物流市場(chǎng)需求。

這些事情其實(shí)巨頭們也能做，但問(wèn)題是效率上事倍功半，不劃算，總不能為了一碟醋就包頓餃子。而像貨拉拉這種垂直獨(dú)角獸卻正好本來(lái)有餃子，差的是一碟醋而已。它更了解行業(yè)，也更早在行業(yè)內(nèi)將AI與具體業(yè)務(wù)進(jìn)行結(jié)合。AI是貨拉拉一直以來(lái)長(zhǎng)期投入的底層賽道之一，早在2020年，貨拉拉技術(shù)團(tuán)隊(duì)便已經(jīng)基于AI、大數(shù)據(jù)等技術(shù)打造了智慧大腦中臺(tái)系統(tǒng)，這實(shí)際上是貨拉拉自研貨運(yùn)無(wú)憂大模型的AI底層技術(shù)基礎(chǔ)，再加上貨拉拉平臺(tái)長(zhǎng)期運(yùn)營(yíng)積累的高質(zhì)量的海量本地貨運(yùn)數(shù)據(jù)，一個(gè)輕量化、場(chǎng)景化的垂直大模型的基礎(chǔ)已經(jīng)有了。

貨運(yùn)無(wú)憂大模型的輕量化并非是指簡(jiǎn)單，實(shí)際上在垂直領(lǐng)域它是構(gòu)建了一個(gè)更加復(fù)雜的模型結(jié)構(gòu)，以提升領(lǐng)域內(nèi)的預(yù)測(cè)精度，但在整體上它還是比通用大模型要輕量，以便效率更集中，更便捷。在場(chǎng)景化上，貨運(yùn)無(wú)憂大模型的目標(biāo)用戶本質(zhì)上主要是司機(jī)群體，它要在特定場(chǎng)景里表現(xiàn)得更專業(yè)，比如將貨運(yùn)事實(shí)性問(wèn)答的準(zhǔn)確率提升到90%以上，進(jìn)行智能訂單管理功能，提醒司機(jī)哪里有貨，哪里單多，比如1秒識(shí)別違禁物品等。當(dāng)然，在用戶側(cè)，也要具有幫助用戶根據(jù)貨物智能匹配車型等功能。

人工智能技術(shù)和物流技術(shù)融合產(chǎn)生的重大機(jī)遇

人工智能爆發(fā)創(chuàng)造的機(jī)會(huì)已無(wú)需多言，但具體到物流業(yè)，有兩重背景值得一提。

一是新質(zhì)生產(chǎn)力和“人工智能+”的機(jī)遇。2024年政府工作報(bào)告中提出，大力推進(jìn)現(xiàn)代化產(chǎn)業(yè)體系建設(shè)，加快發(fā)展新質(zhì)生產(chǎn)力，同時(shí)強(qiáng)調(diào)要“深化大數(shù)據(jù)、人工智能等研發(fā)應(yīng)用，開(kāi)展‘人工智能+’行動(dòng)”。這也是“人工智能+”作為發(fā)展新質(zhì)生產(chǎn)力的重要引擎，首次被寫(xiě)入政府工作報(bào)告。在這一背景下，各大平臺(tái)和企業(yè)都在積極探索“物流+大模型”模式，尋找落地應(yīng)用。

再就是，降低全社會(huì)物流成本的機(jī)遇。社會(huì)物流總費(fèi)用與GDP的比率是衡量物流成本水平或運(yùn)行效率的重要宏觀指標(biāo)，我國(guó)已由2003年的21.4%下降到2023年的14.4%，但歐美發(fā)達(dá)國(guó)家通常在10%以下?，F(xiàn)在經(jīng)濟(jì)發(fā)展遭遇一定困難，各地都在開(kāi)源節(jié)流，更使降本增效的重要性更上層樓，也很容易出成果，預(yù)計(jì)各地會(huì)加大對(duì)這方面的支持。

在這兩重大背景下，無(wú)論是巨頭的通用大模型，還是獨(dú)角獸的輕量化、場(chǎng)景化行業(yè)大模型都面臨著多年一遇的重大發(fā)展機(jī)遇，不容有失。

生成海報(bào)

免責(zé)聲明：此文內(nèi)容為第三方自媒體作者發(fā)布的觀察或評(píng)論性文章，所有文字和圖片版權(quán)歸作者所有，且僅代表作者個(gè)人觀點(diǎn)，與極客網(wǎng)無(wú)關(guān)。文章僅供讀者參考，并請(qǐng)自行核實(shí)相關(guān)內(nèi)容。投訴郵箱：editor@fromgeek.com。

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書(shū)面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。