AI大模型落地物流的两大基础——数据与场景

图片来源：网络

就长远来看，AI大模型的出现创造了历史性的机遇——所有行业都会被大模型重构,不亚于一次新的工业革命。对于物流来说，具有大模型落地的两大优势——数据与场景。在不久的将来，物流将逐渐展现出大模型应用的价值与前景；就今年来说，大模型已将物流技术4.0时代的大门提前推开。

一、产业应用是大模型的价值所在

随着ChatGPT的横空出世，大模型成为2023年上半年中国科技产业的最热门词汇，我国研发的10亿参数规模以上大模型已发布近80个，位居全球第二。

但是，进入下半年后，国内大模型正在褪去泡沫，其未来的出路，必然是走向产业。也就是说，大模型的下半场是，模型即服务（Model as a Service），而这个服务，归根结底是要服务产业。

虽然前景还比较模糊，但有一点可以肯定：大模型的建立，绝不是为了写诗，聊天，做些花花草草的东西，而是要推动产业的革命。

大模型有两种类型：通用型，垂直型。前者求广 后者求专，百度文心一言、阿里通义千问，打造的是一个无所不能的通用大模型；华为盘古大模型研究，泛化能力极强、适用大量复杂行业场景；而京东的言犀大模型，更显得垂直一些，专业性更强。

由于通用大模型专业知识与行业数据积累不足，导致该类模型，精准度不足，同质化严重，无法创造出深层次的价值。在产业场景中，专业服务要求高、容错性低，需要能够在实际场景中真正解决具体的问题，因此，产业大模型，或者称垂直大模越来越受到人们的关注。

步入下半年，产业大模型的探索逐渐成为大多数深度思考者的共识，正代替”通用大模型“成为新的发展方向，适用于知识密集型、任务型产业场景，解决真实产业问题是大模型的追求。

经济发展史表明，新技术想要大规模应用，成为时代的动力，首先应当立足产业，解决难题，人工智能发展的“终点站”是产业化应用，大模型也不例外。大模型真正实现它的价值一定是在产业的应用当中，当产业效率和产业的边界拓展得到质的提升时，大模型才有了更加实际的价值和意义。

大模型产业落地需要从单点算法到多功能协同并在系统、产品层面实现端到端结合，并且需要实现算力提升。将大模型能力迁移到产业领域中，必然需要调优与二次训练，以为企业未来从“数据决策”向“知识决策”转型提供强力支撑。

产业需要可用、可控、可信、可负担的定制化模型，只有这样，才能在产业上落地生根。也就是说，AI大模型需在提高生产效率、降低成本，并提供更快、更好的产业服务，从而使大模型发挥生产力作用。

实际上，大模型更多是作为一个“底座”的概念存在的，在不同的行业、不同的场景下，如何利用好并且更精准地发挥技术的作用才是更困难的事情。

从产业端切入大模型，被京东许冉比喻为“从北坡攀爬技术珠峰”，道路虽然更加艰难，却有更波澜壮阔的风景。大模型，绝不是资本新故事，而是从“价值创造”的角度去思考的真实应用场景，是不断优化“成本、效率、体验”的一种工具。

大模型服务于产业的力度，取决于其本身含有的产业厚度，即是指能在多少产业场景中切实应用，为产业真正创造价值。更准确地说，大模型源于产业，也必将在未来服务于产业，产业才是大模型的最终归宿。

当然，大模型如何从产业中产生，如何介入实际产业，如何完美适配产业需要，都不是一朝一夕可以完成的问题，这是基于更长远未来的“技术追求”，同时也是围绕“价值创造”的务实主义。

从某种意义上说，角逐大模型落地的难点并不在于技术追赶，而在于产业突破。一个技术在产业里产生价值需要长周期的积累，大模型产业落地的角逐是一场长跑。

大模型的竞争，是产业战略乃至国家科技战略的竞争，将成为未来20年变革所有行业的核心力量。深入思考国家及产业需要什么样的产业AI未来，应从大模型的产业化上入手。

大模型要源于产业土壤，更懂产业诉求，解决真实产业问题。普惠和突破则是大模型服务于产业的两大承诺。只有当AI大模型越来越深刻地塑造新的产业形态，并越来越激活更高效率的产业势能，这样的产业化AI比拼，才能奠定最终胜势。

动辄上千亿参数的通用大模型算力成本，往往很高，因此，产业需要更适应自身成本需求和应用实际的“专业化大模型”。

二、落地物流的两大基础：数据与场景

所有行业都会基于大模型进行重建，物流行业也不例外。智慧级物流，是基于“计算+数据+模型”的综合产业智能，对于当前琳琅满目的大模型，物流业界的态度主流是观望，其实，物流有大模型落地的两大基础——数据与场景，可率先应用，以改变物流格局。

物流流程、数据等丰富成熟，更适合接受AI大模型的深入改造。智慧物流等领域，以物流为供应链中的智能制造，数字化程度相对较高，在数据的采集、分析和应用上，本已有基础，因此更有希望更快步入AI智能化。

物流具有的成熟技术条件、海量的数据，广泛的应用场景，这一切都意味着大模型离物流并不遥远；头部物流企业和物流平台掌握超量数据，深度参与着庞大而复杂的产业生态，具备多样型的复杂应用场景，是大模型落地的天然土壤。

其实大模型在物流行业的运用，很早就开始了，快递客户日常接到的人工语音电话，就用到了大模型功能，只不过是其基本、最简单的模型功能应用。

1、数据

总的来说，数字基础设施助推大模型服务千行百业，数据本身是驱动人工智能的重要力量，各产业每年产生的14亿优质交互数据，为大模型驱动产业AI落地，提供了充足数据动能。持续积累高质量的行业数据，离不开更强大的数据平台和更强的智能交互能力。

ChatGPT自发布以来，通过大量人类反馈的交互数据，效果越来越好。由大模型带来的产业智能，必将优先在数字化领先的场景发生。从本质上说，大模型是指读取海量数据、参数的规模巨大的算法模型，经过大规模数据训练后，能够适应一系列任务的模型。

只有当数据平台不断实现知识输出，智能平台不断反馈高质量协同数据，构建起循环增长飞轮，才能实现高质量行业数据的积累。

大模型的输出落地，优先在数字化领先的场景落地。数字化基础都较为扎实，会更利于大模型能力的释放。随着快递物流行业的数字化进程不断深入，多年来，物流行业发展积累了宝贵的数字化经验，在数字智能化上居有领先地位，可适宜于大模型的落地。

对于大多数物流企业来说，自建大模型不仅周期长，效率低，成本高，因此，它山之石，无疑是构建自己企业专用大模型的一种“最优解”，除了大模型提供者具有复杂场景充分检验的大模型融合解决方案，还需要物流企业在数字化上做好基础。

腾讯大模型在数字货运福佑上的探索落地，就是根据以上这一原则：福佑卡车无疑是数字货运领域的佼佼者，福佑深度介入整个货运交易链条，将其标准化、数字化重构，天然附带海量场景数据。

据福佑卡车公开披露的信息，8年时间内，该公司积累了1.9亿关键节点数据，200亿+多维度行为数据，这些高质量数据恰好能为大模型的落地提供技术支撑。

大模型在物流上的应用，以数据为基础。数据作为“养料”，决定了大模型的底色与能力边界。大模型之所以称之为“大”，就是因为它庞大的数据量和复杂的参数。在训练和优化大模型的过程中，高质量数据是核心生产要素，要想训练出精度极高的行业大模型，所需的不是互联网上免费公开的数据，而是行业特定的场景数据，

物流B端的产业数据是从业者真实交互数据，样本少、分布不均，极难获得。因此，大模型，除了训练标准大模型通用的数据外，还必须将物流业自己的数据纳入其中，例如，京东言犀在训练时便使用了70%通用域数据与30%京东数智供应链原生数据。

传统数据库面对大模型训练的图片、音频、视频等非结构化数据，显得捉襟见肘，专门针对此类场景的向量数据库更显得弥足珍贵，因为向理数据库具有极为精细、复杂且庞大的数据洞察诉求。

当前各家大模型在算法层面区别并不大，并且具有同质化的趋势。在此背景下，通过物流本身的场景和垂域数据优势建立行业大模型，训练数据就成了真正区分且影响行业大模型性能的重要因素之一。

所谓的数据，来源于商流、物流以及金融流，一个物流公司，具有获得这三类数据的基础，更为重要的是物流原始数据只有在交互中才会产生，并且是动态而非静态的数据，因此，经过二十年发展的物流业，当然拥有丰富真实的产业数据。

大模型加入物流企业独有的场景数据，能快速精调生成专属模型，不同的物流企业，在数字供应链领域的细分深耕，为产业大模型的落地提供了差异化的数据优势与能力优势。源于产业和内部业务场景的“人无我有”的数据与能力，最终带来了物流大模型的差异化。

更进一步，可发力大模型与数字孪生技术深度结合，推进物流技术迈向数字原生时代，逐步形成AI自动生成供应链解决方案：数字孪生验证出全局最优方案，最终用于实践的完整闭环。

2、场景

技术本身是没有办法直接产生价值的，技术只有放到场景里才能够产生实际的价值。物流作为先天更适合新技术渗透的场景之一，对大模型的应用，正是为数不多可以看到实际落地产业效果的赛道。

数字物流作为传统物流数字化转型后新的经济形态，涵盖快速接单、高效分单、实时定价、轨迹跟踪、智能应答等多个应用场景。物流是AI落地最重要的产业场景之一，也是大模型落地的重要产业场景。

技术的演变与发展，是离不开具体场景的聚焦，在不同的行业、不同的场景下，如何利用好并且更精准地发挥技术的作用才是更困难的事情。

在大模型产业化的过程中，场景一定是必需品，从现阶段来看，物流可能会是那个相对更加“完美”的选择。物流本身承担着数字与物理世界的现实链接，具有丰富的内在场景。

单一大模型本身无法产生直接价值，技术只有放到场景中才能产出实际价值，更准确地说，只有在自己的场景，才能培养出适合自己的大模型应用，而物流，是具有丰富的场景，并相对高度数据化的行业。

近期，在华为、百度、腾讯、科大讯飞等企业的参与下，大模型的应用场景有了越来越多的实践案例。京东、阿里推出电商物流头部企业自己的大模型，菜鸟供应链也顺势发布了基于大模型的数字化供应链产品“天机π”。

这些更接近于物流场景，但落地物流，还需要与物流具体场景结合，需在物流企业内部的关键场景完成历练和实践。当模型训练完成之后，我们在输出时就可以针对不同场景，做到更为精准的变频。

智慧物流具有知识密集型、任务型产业场景，大模型聚焦其中，可解决真实产业问题，企业在技术层面设法将大模型运用到物流的具体场景中来降本增效，也将成为趋势。

大模型需要的数据包括场景化数据，物流具有长链路、复杂协同、更多动态数据回流的场景，成为了大模型最好的“练兵场”。

AI大模型需要在物流场景中反复与充分测试，锤炼技术、升级迭代和培育市场，因为，现实需要的是致力于在具体物流场景中100%解决问题，而不需要在100个场景中解决10%问题。

AI大模型不仅要顾及到行业专业知识，还要对上下游个性化业务场景具有深入理解，从细微业务场景的颠覆性转变的积聚，从而推动场景到产业的全面进步。

物流改造是宏大命题、长周期赛跑，但离不开一个个具体业务场景的精细化覆盖，围绕人、货、场三个核心要素展开场景，对物流场景应用一点点吃透打通。

大模型深度融入物流服务供应链全场景，可实现多模态大模型对物流场景内容生成和创作的交互升级，解决行业痛点问题，要持续洞察和验证真实的业务场景，探索大模型在物流行业的多场景应用。

大模型在物流领域成功落地的关键还在于，能否应用于具体场景，以解决效率优化问题；能否达到提质降本增效的目的，能否创造商业价值。

大模型可以重塑物流生态，改变各个场景的运作方式，进一步解放生产力，帮助企业实现降本增效。谁能率先在物流业务场景中应用好大模型为核心的人工智能技术，谁也将有望获得未来的最大红利。

总之，所有大模型都一样，都是在数据与场景的基础上，经过长期训练后，从量到质的不断突破积累的产物。例如，京东言犀大模型是从京东优质的产业场景与数据中锤炼而来，具备更强的产业属性。

基于数据、场景以及多年的技术积累，物流业，特别是智慧物流，物流平台成为打造大模型的前沿高地，也是产生产业大模型的最佳阵地，大模型在物流上的应用，是值得充分期待的。

物流环节众多，复杂性极强，所以技术对物流场景的渗透，遵循从单点到全链条，从行动到智能决策的过程，而多模态大模型对物流场景内容生成和创作的交互升级，是一次更为综合和升维的介入。

结语：人工智能，是一场非常严肃的技术革命，大模型驱动AI时代的到来；人工智能的突破，首先是大模型产业落地的突破；围绕物流行业大模型进行技术融合与创新，并不断降低大模型的落地成本是长期确定的目标。