抢占应用场景 物流巨头争相布局大模型

揽收快递包裹31.61亿件，投递快递包裹31.20亿件，这是今年国庆长假七天累计的快递量。与此同时，国庆期间日均揽收量与投递量，相比2023年分别同比增长28.4%和26.7%。

物流快递行业的高速增长，对实现降本增效，提高运营效率的需求日益迫切。随着AI技术的日益成熟，物流巨头扎堆布局大模型，菜鸟“天机π”辅助决策、顺丰“丰知”物流决策大模型、京东物流“超脑”等纷纷推出。

巨头扎堆布局

在劳动力成本攀升、物流网络日益复杂的现实挑战面前，AI大模型被视为解决效率瓶颈、促进精益化管理的有力武器，成为物流快递企业竞逐的核心技术之一。

菜鸟网络早在2023年6月就发布了基于大模型的数字供应链产品“天机π”，通过先进的算法与大模型技术结合能够辅助决策，在销量预测、补货计划和库存健康等领域实现精准预测，并随着技术进步和数据累积持续迭代。目前，菜鸟大模型已在快消零售、工业制造、汽车等多个行业得到应用，并针对不同行业提供定制化服务。

顺丰科技也不甘落后，今年8月18日推出了自主研发的“丰知”物流决策大模型。这款大模型主要应用于物流供应链的智能化分析、销量预测、运输路线优化与包装优化等决策领域。值得一提的是，“丰知”大模型在保证预测结果准确性的基础上，大幅降低了服务器资源需求，运行效率提升了120倍，预测准确率提升了5%。

时隔一月，9月8日顺丰科技再次出手，在深圳国际人工智能展上发布了物流行业的垂直领域大语言模型“丰语”，并展示了在顺丰的市场营销、客服、收派、国际关务等业务板块的20余个场景中的落地实践应用。顺丰科技AIoT副总裁宋翔表示，目前基于大模型的摘要准确率已超过95%，这让客服人员与客户对话后的处理平均时长减少了30%。

京东物流同样在大模型领域有所布局。2023年7月，京东物流发布了基于大模型的数智化供应链产品“京东物流超脑”。这款产品主要应用于交互、分析和决策三个场景，通过数字孪生技术和多模态交互能力，提高了仓储布局优化、运营异常改善和供应链计划辅助决策的效率。

“随着电商的快速发展和消费者需求的多样化，物流行业需要更高效、更智能的解决方案来满足市场需求。”中物汇成物流研究院高级研究员袁帅告诉证券时报记者，AI技术的不断突破，为大模型在物流行业的应用提供了可能；行业竞争的加剧，促使企业寻求技术创新以提升竞争力；而政策支持也为物流行业智能化转型提供了良好的外部环境。

抢占应用场景

“从2022年年底ChatGPT发布至今，大模型赛道发展得非常迅猛，2023年称为模型之年，大量的模型公司都在卷模型的参数和尺寸，到今年大家纷纷都投向具体模型的应用。”2024全球智慧物流峰会上，智谱AI副总裁吴玮杰回顾了大模型的发展历程。

业内普遍认为，在众多产业场景中，公路物流货运具有体系完善、环节众多、数据复杂、场景丰富等特性，是大模型落地应用的主要领域之一。大模型技术的深度应用，预计将为物流全链路运营效率、服务体验和业务创新带来巨大变革。

“大家可以试想一下未来的智慧物流场景，通过多模态大模型，所有车辆都可以同时长着多只‘眼睛’，在副驾驶跟司机进行非常好的交互，成为伴驾功能。”吴玮杰认为，在运输管理中，通过大模型的多智能体应用，可以进行复杂的订单计划管理，并对订单在物流车辆的配送执行进行可视化追踪。

目前，大模型可以通过分析历史数据和实时交通状况，为物流企业提供最优的运输路线，减少不必要的行驶里程，从而降低燃油成本和时间成本。

“大模型通过对历史交易记录与市场波动趋势的深度学习，实现对未来商品需求量的精准预估，避免过剩库存造成的资源浪费。”中国矿业大学（北京）管理学院硕士生企业导师支培元告诉证券时报记者，大模型通过实时监测库存状态，自动化调节进货节奏，确保仓储成本与供应连续性的平衡。

以菜鸟的“天机π”为例，该大模型能够根据历史销售数据、市场趋势等信息，预测未来商品需求量，帮助商家合理安排库存，避免过剩库存造成的资源浪费。同时，菜鸟大模型还能够实时监测库存状态，自动化调节进货节奏，确保仓储成本与供应连续性的平衡。

避免一哄而上

在物流行业应用大模型虽然带来了许多优势，但也可能伴随一些风险和隐患。经不经济、可不可靠、实不实用，这决定着企业部署大模型的意愿。

“AI大模型具有高投入的特点，既需要大量资金投入，又需要大量物流数据用于训练，满足这两方面条件的物流企业，除了两三家大型龙头企业，其他物流企业缺少其中至少一个条件。”萨摩耶云科技集团首席经济学家郑磊告诉记者，如果硬上大模型项目，可能在投入使用后，发现企业的物流数据量不敷使用，导致大数据模型不能发挥预期作用。

除菜鸟、顺丰、京东外，近期中远海运推出了国内首个航运领域大模型Hi-Dolphin，货拉拉发布了货运无忧大模型，百度地图则推出了物流大模型Beta版。

业内人士指出，目前不少快递物流企业是冲着大模型而大模型的，在落地应用、场景结合、核心价值、优化迭代上并没有做好，因此就出现了大模型是做完了，却不知道该如何让大模型介入业务，也不知道该如何优化业务需求的情况。此外，很多大模型没有找到前端真正创造产业价值、能够变现的这条路。

“一哄而上不仅可能因投资不足而导致半途而废，即便勉强做出来，也可能因为企业管理不适应而导致无法投入正常使用。这样达不成降本增效的目标。”郑磊表示。

为避免物流行业从大模型“一哄而上”的困境，企业需要明确大模型的应用场景和价值定位，避免盲目跟风。郑磊认为，物流企业可以将重点放在物流管理的某一特别需要改进的方面，如需求管理、存储管理、运输调配优化等，自研或委托专业科技创新企业定制大模型垂直应用工具，这样做不仅减少了投入，而且有可能大幅提高管理瓶颈的效率，提高物流企业人工智能化水平。

（责编：汪翠萍）