世界在大幅硅基化，并且不可逆轉

硅基化的原因很簡單，復雜度超過某個閾值，碳基搞不定，只能硅基化。

我們AI碰撞局上有個開始以來就一直纏繞不散的話題：AI和人的關系，這次算是我視角下的另一種回應。

常杠常新。

而之所以選擇亞馬遜物流作為案例一方面是因為這個情景足夠復雜，一方面純粹是因為資料好找方便追蹤。

注：希望入群或者加入AI碰撞局的同學請聯系：shuixiu2024

物流系統很復雜

https://aws.amazon.com/cn/blogs/industries/how-to-build-a-dynamic-supply-chain-platform-a-primer/

多品類物流配送是個超級復雜的過程：要預測、要倉儲、要運輸、要報關等等。而隨著電商的普及，它需要的吞吐量越來越大。這時候主要的挑戰是：

一、要準確預測各個地區數百萬產品的需求，以優化庫存水平并最小化成本。

二、 需要確保產品在供應鏈中盡可能高效地移動，從供應商到倉庫再到最終客戶交付。

這樣的一個系統每天要吞吐的包裹量極其巨大，2023年的數據是：

每天要處理1,605萬個包裹，高峰期要翻倍。

為了吞吐這個量級的包裹，為了支持如此龐大的包裹處理量，亞馬遜建立了強大的物流基礎設施，包括：

1.超過 40,000 輛半掛卡車 和 30,000 輛貨運面包車

2.超過 110 架貨運飛機

3.全球范圍內的 80 個分揀中心，雇傭了約 95,000 名員工

https://cosresearch.wpengine.com/research/amazon-logistics-statistics/

怎么優化？

我們要清楚認識的是：這么一套復雜系統，它的整體運營控制難度超過人類能處理的上限。

你很難想象在關鍵流轉環節上（比如預測）導入一個人類審批，那會導致系統立刻崩潰掉。這和抖音推薦算法不可能有人介入是一個道理。

這正是題目說的：世界在大幅硅基化。

硅基化系統的核心特征體現為智能優先，在商業意義上可以是智能算法輔助人，但在物流這個邊界內人要輔助智能算法。

原因特別簡單，硅基和碳基是那個不關鍵，誰能搞定誰上。

亞馬遜就這么干的，在各個環節大幅度導入各種算法（不單是現在的大模型），然后再把它們串起來。

它的人工智能驅動方法可以實時分析來自各種來源的大量數據，然后做預測，數據包括：

1. Sales data（銷售數據）
   

2. Social media trends（社交媒體信息）

3. Economic indicators（經濟指標）
   

4. Weather patterns(天氣模式）

這個預測的目的是為了優化成本。

比如：如果預測即將到來的風暴將影響特定地區，AI系統可以調整附近倉庫的庫存水平，以確保在需要時提供必需品。這種精確度降低了缺貨和庫存過剩的可能性，這兩者對公司來說都是成本高昂的。

預測過后，顯然直接要調庫存了。

https://cdotimes.com/2024/08/23/case-study-amazons-ai-driven-supply-chain-a-blueprint-for-the-future-of-global-logistics/

在庫存管理和路線優化上，也是類似，方向上就是上機器人和各種AI算法。比如在路線規劃上：

1. 用各種算法根據交通狀況、天氣和其他因素實時調整送貨路線。這減少了送貨時間和燃油成本，有助于公司實現可持續發展目標。

2. AI算法分析物流網絡中貨物流轉情況，并自動調整貨物分配，以防止瓶頸。這確保了沒有單個倉庫或配送路線被壓垮，從而實現更快、更可靠的交付。

庫存周轉率是商學院管理會計科目中常見"黑話"，表示企業在特定時間段內庫存商品被銷售和更換的次數，越高越好。

順道說一句：大家討論什么是模型做，什么是智能體做的時候也可以先回到情景的描述。這種預測模型的維度，以及維度上數據質量在可見范圍基本得智能體做。它里面既有私有數據也有歷史數據對應的結果，還需要在無限的維度中進行選擇，不太可能通用大模型就干了。

亞馬遜自己的總結

在整個改善過程中，亞馬遜的總結是（這個總結不是我寫的，出處和上文是一個文章）：

1. 投資數據：任何人工智能驅動系統的基石都是數據。亞馬遜能夠將來自多個來源的數據整合成一個連貫的系統，是其成功的關鍵驅動力。

2. 擁抱自動化：自動化日常任務不僅可以提高效率，還能讓人類工作者專注于更高價值的工作。

3. 優先考慮靈活性：在當今不可預測的世界中，快速適應變化的能力至關重要。人工智能可以提供所需的敏捷性，以保持競爭力。

4. 可持續性至關重要：人工智能可以在減少供應鏈運營的環境影響方面發揮重要作用，這對消費者和監管機構來說都越來越重要。

透過這些細節和總結，我們能看到的都是當一個系統的復雜度超過某個閾值的時候，最終就一定是硅基大幅前進，碳基大幅后退，最終碳基成為旁路而非關鍵環節。

面對上面這樣的復雜情景（大信息量的復雜系統）還能有啥辦法呢？

人和AI的邊界

亞馬遜的CEO等當然在這套系統外面，但在系統里面的人其角色會和經常說的精益生產時候人的角色非常不一樣。

下面是系統內一些還需要人類的環節：

1. 入庫處理（Inbound）

卸貨：雖然有自動卸貨設備，但在處理混裝或易碎商品時仍需人工參與。

質檢：檢查商品是否損壞、標簽是否正確，這些步驟有賴于人工判斷。

上架：機器人可搬運貨物，但人需要處理復雜的分類或異常商品。

2. 訂單揀選與包裝（Picking & Packing）

揀選（Pick）：Kiva機器人能將貨架運送到員工面前，但具體從貨架上取哪件商品、檢查商品是否正確，仍是人做的。

包裝（Pack）：包裝過程中需要判斷商品尺寸、打包方式，尤其是組合多件商品的訂單時，仍需人力。

貼標簽：自動貼標系統存在，但人工仍需介入處理異常或特殊情況。

3. 出庫與配送（Outbound & Delivery）

分揀中心人工檢查：在轉運和分揀過程中，有些包裹仍需人手確認或重新打包。

最后一公里配送：雖然有無人機和自動駕駛車的實驗項目，但目前大多數配送還是依賴亞馬遜Flex司機或第三方快遞員。

??4. 異常處理與客戶服務

處理異常訂單或退貨：包括退貨物品的檢查、重新分類、維修或報廢處理等。

客服支持：復雜問題仍需人工客服介入，尤其是訂單糾紛、延誤、商品破損等情況。

5. 系統監控與運維

物流系統雖然自動化，但需要工程師、操作員和數據分析人員監控系統運轉，維護設備和算法優化。

前述的9萬多名員工覆蓋的正是這樣的崗位。但這里殘酷的現實是：

1. 人是輔助系統的。雖然角色更豐富，但都是被比較清楚定義的角色。

2. 隨著AI水平的提升很可能就有一套類似Robotaxi的系統覆蓋所有的物流配送。其它環節類似。

我們可以做點前瞻性的思考：如果還需要進一步提高物流的運轉效率，可行的方法是什么呢？

通過激勵、優化組織結構可能再次產生突飛猛進的優化效果么？我想大概率還是會回到繼續提高硅基的比例這條路上來。

很巧的一個事情是，黃奇帆老先生有個演講專門談到了物流，他說：中國貨物運輸費用占GDP約15%左右，歐美占6~7%。如果物流成本降低5%，那意味著各種企業可以多出6萬億利潤。

這種對新質生產力的呼喚，最終幾乎無疑問會導致上面的后果：硅基的角色在復雜系統中大幅前進。

參照：

https://sifted.com/resources/how-amazon-is-using-ai-to-become-the-fastest-supply-chain-in-the-world/

小結

類似的事情會在數據中心管理、礦山采掘、農業等等領域大量發生。AI（不等于大模型）會讓這個過程加速。但我同意侯宏老師的觀點：

機器替代的不是人，是人的工作。

但需要注意的是這個過程可能會比想的快很多，也就是說碳基角色重定義的速度其實要快于硅基崛起的速度才行，否則在量級上兩者是不相當的，會有問題的。

而在更深層的意義上，這可能在呼喚新型的經濟系統。我馬上要出新書里面對這些事做了比較系統的探討。

而這場沖擊波恐怕比正常預想的要大，想系統學習的同學可以考慮加入北大國發院企業家AI啟航班。本人也會在其中負責一部分課程。