“AI應用元年”里的又一重大行業機遇

物流業：大模型落地先鋒

8月份，交通運輸部印發通知，公布交通物流降本提質增效典型案例（首批）名單，共涉及18個典型案例。其中比較值得關注的亮點是，這一批典型案例中，除了有像遼寧推進鐵路專用線進企入園推動大型工礦企業“公轉鐵”“公轉水”這類以深化運輸結構調整為特色的傳統型案例之外，還專門有一個“創新智慧物流新模式”的板塊，其中展示了企業通過引入AI算法模型促進物流降本增效的相關案例。

對此，一些多年深耕物流行業的人士閱后感嘆：物流業真的要變天了，再不AI，就要面臨被淘汰。

這其實只是社會變遷的大背景在垂直領域的無數映射之一例，如果說2023年作為“AI元年”，其特點是幾乎全社會都卷入對通用人工智能（AGI）的認知與激辯的話，那么2024年可被稱為“AI應用元年”，AI技術開始在多個領域實現突破性進展和廣泛應用。人們看到，AI應用在爆發性增長、生成式AI在加速落地；多模態AI應用正在加速覆蓋如專業服務、教育、醫療保健等諸多領域；AI技術正在推動各種終端設備進行大模型的本地部署。

在媒體視角中，物流領域并非AI話題的熱點發生地，因為它在表面上似乎與普通人聯系不多，但通過交通部此次通報的典型案例卻可以看出，物流領域實際是最適合、也是大模型可以最快落地應用的領域之一，按中國交通運輸協會會長、原鐵道部副部長胡亞東所言：“加快數字化和智能化轉型發展，已成為物流行業的重要戰略方向。”

在年初舉行的中央財經委員會第四次會議上，降低全社會物流成本被列為提高經濟運行效率的重要舉措，其中數字化扮演了重要角色，網絡貨運等“互聯網+”高效物流新模式新業態的不斷涌現，成為物流行業轉型升級的關鍵因素，而大模型又在物流業數字化戰略中，承擔著重要創新抓手的角色。

地方部隊與中央軍：物流業大模型的兩種力量

從有互聯網及電商業以來，物流業就一直是數字創新技術的最佳試驗田之一，也是新技術最快落地之處，近年來，像阿里巴巴、京東、拼多多等互聯網巨頭，都在竭力推進其最新技術與物流板塊的快速融合。在大模型時期也不例外，

從去年6月開始，互聯網巨頭們的大模型紛紛落地物流板塊，2023年6月，菜鳥發布基于大模型的數字供應鏈產品“天機π”；2023年7月，京東推出“言犀大模型”，“京東物流超腦”發布；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合打造行業首個數字貨運大模型；2024年3月，阿里云等成立首個專注于大模型應用研究與實踐的聯盟“物流智能聯盟”。

京東物流超腦

而在垂直領域，則有2023年10月快遞100上線的“快遞100 AI大模型”，及2024年3月貨拉拉發布的貨運無憂大模型等獨角獸布局的自研大模型。

這其實是不同的兩種力量，如果說阿里、京東、百度等互聯網巨頭是自上至下而來，是中央軍的話，貨拉拉、快遞100等行業獨角獸則可稱地方部隊。兩股力量各有優勢，互成犄角，以合力之勢共同推動大模型在物流業的落地應用。

巨頭和獨角獸在體量上差異巨大，而之所以說又各有優勢，是因為AI大模型技術在服務物流業過程中有多個層次，比如利用公共大模型給行業賦能，全面提升工作效率就是一種大模型的落地，像物流企業在辦公中使用“通義千問”等確實可以大幅提高工作效率；再比如，將大模型與行業深度融合，結合行業特色對企業運作進行賦能也是一種；還有就是類似貨拉拉這種行業獨角獸自研的大模型，其特色是基于貨運行業數據優勢，致力于成為“你身邊的物流專家”，又是一種。

互聯網巨頭的大模型面向多個行業，長于綜合性，在“橫”的一面更有優勢，獨角獸的大模型雖然也具備文本生成、語言理解、知識問答、邏輯推理、數學能力等通用大模型能力，但更擅長的是處理貨運行業問題，比如貨運無憂大模型就在業務知識、貨運行業概念知識、貨運企業信息、貨運行業洞察、貨運法律政策等維度能力評測中，得分很高。

在未來的市場中，到底是誰能勝出還需實踐考驗，但最終地方部隊與中央軍各有一席之地應無疑問，區別是誰主誰次而已。

獨角獸做大模型：輕量化、場景化是最重要抓手

行業巨頭涉入垂直領域以后經常把行業獨角獸碾壓的潰不成軍，最終不是被控股就是被收編。從這個角度看，地方部隊與中央軍的大模型之間的競爭實際上是建立在實力不對等之上。

但為什么又說最終將各有一席之地？是因為巨頭大模型雖然強，但卻重，雖然能力綜合，但卻難以深入場景，這就使得“輕量化、場景化”成為獨角獸們做大模型的機會。畢竟，AI的競爭并非是一場比誰能把模型做得更“大”的軍備賽。在中信智庫發布的《人工智能十大發展趨勢》中，其趨勢八也稱“大模型輕量化：降低應用成本、帶動端側算力發展。”

貨拉拉的貨運無憂大模型就是一個主打“輕量化、場景化”的典型案例，如果貨運無憂大模型最終做成功，其意義將超出物流行業，而對大量垂直領域行業具有借鑒意義（當然，失敗的話其實也有借鑒意義）。

貨拉拉推出貨運無憂大模型的初衷并非是要去抓大模型這個風口，而是傳統模型在垂直領域中確實不夠用。比如，貨運涵蓋了訂單、貨物、車輛、駕駛員、路線等方面數據，包含文本、數字、圖像等多種形勢，且由于貨物和車輛位置實時變化，數據存在大量的動態變化，導致貨運數據的復雜性和不確定性較高。傳統模型在處理這些復雜數據和細節時往往表現不佳，導致預測結果可能存在較大偏差。

貨拉拉AI招聘的可定制化聊天機器人

貨拉拉AI招聘的可定制化聊天機器人

貨運無憂大模型則可以通過構建更加復雜的模型結構，能夠更好地分析復雜數據，提升預測精度，從而更好地適應現代物流業的發展需求。同時貨運無憂大模型還具備更強的泛化能力和適應性。通過在大量多樣化數據上的訓練，它能夠適應更多種類的任務和數據，滿足不斷變化的物流市場需求。

這些事情其實巨頭們也能做，但問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角獸卻正好本來有餃子，差的是一碟醋而已。它更了解行業，也更早在行業內將AI與具體業務進行結合。AI是貨拉拉一直以來長期投入的底層賽道之一，早在2020年，貨拉拉技術團隊便已經基于AI、大數據等技術打造了智慧大腦中臺系統，這實際上是貨拉拉自研貨運無憂大模型的AI底層技術基礎，再加上貨拉拉平臺長期運營積累的高質量的海量本地貨運數據，一個輕量化、場景化的垂直大模型的基礎已經有了。

貨運無憂大模型的輕量化并非是指簡單，實際上在垂直領域它是構建了一個更加復雜的模型結構，以提升領域內的預測精度，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。在場景化上，貨運無憂大模型的目標用戶本質上主要是司機群體，它要在特定場景里表現得更專業，比如將貨運事實性問答的準確率提升到90%以上，進行智能訂單管理功能，提醒司機哪里有貨，哪里單多，比如1秒識別違禁物品等。當然，在用戶側，也要具有幫助用戶根據貨物智能匹配車型等功能。

人工智能技術和物流技術融合產生的重大機遇

人工智能爆發創造的機會已無需多言，但具體到物流業，有兩重背景值得一提。

一是新質生產力和“人工智能+”的機遇。2024年政府工作報告中提出，大力推進現代化產業體系建設，加快發展新質生產力，同時強調要“深化大數據、人工智能等研發應用，開展‘人工智能+’行動”。這也是“人工智能+”作為發展新質生產力的重要引擎，首次被寫入政府工作報告。在這一背景下，各大平臺和企業都在積極探索“物流+大模型”模式，尋找落地應用。

再就是，降低全社會物流成本的機遇。社會物流總費用與GDP的比率是衡量物流成本水平或運行效率的重要宏觀指標，我國已由2003年的21.4%下降到2023年的14.4%，但歐美發達國家通常在10%以下。現在經濟發展遭遇一定困難，各地都在開源節流，更使降本增效的重要性更上層樓，也很容易出成果，預計各地會加大對這方面的支持。

在這兩重大背景下，無論是巨頭的通用大模型，還是獨角獸的輕量化、場景化行業大模型都面臨著多年一遇的重大發展機遇，不容有失。