范式转变
AI技术推动物流与供应链领域研究范式的转变
从传统的渐进式改进到颠覆性创新的跨越
最具颠覆性
Grok4发布，能力超越了所有类别的博士水平，AIME拿到了100%的满分
关键突破：AI在数学竞赛中取得满分成绩，标志着AI在逻辑推理和问题解决能力上的重大突破
让人焦虑且兴奋
这是Grok4的开发团队，乱拳打死老师傅
从improvement到innovation，处于跨越的临界点
人类有史以来最具创新性的革新与突破
AI作为一个具备主动性的主体参与到了生产和效率更新的革命
英伟达成为首个市值超过4万亿美元的企业
算力成为这个时代的石油
创新时代一切传统的架构和逻辑都在被颠覆
正处于从渐进式改进向颠覆性创新跨越的临界点
临界点
从渐进式改进到颠覆性创新的跨越
前瞻性变革
前瞻性领域推动物流行业从商业模式到技术的快速变革
三大前瞻性领域正在重新定义物流行业的未来
从二维到三维：低空物流创造新场景和新需求
交付时间革命
从几天 → 次日 → 小时 → 分钟
空间组织模式变革
时间的变化带来了全新的空间组织模式
超视距无人机集群技术
已经能够为物流带来新的商业模式
创造力空间打开
人类创造力的空间被打开，新机会与新问题涌现
蜘蛛网行动启示
无人机技术的创新应用带来的启示
三维物流
从二维到三维的物流革命
物流机器人AMR跨越成本生死线，投入产业应用
AMR领域白热化竞争
市场竞争激烈，技术创新加速
Geek+港股上市
成为第一个在港股上市的仓储机器人企业，市值突破210亿
成本突破临界点
AMR产品的成本打到了1万块的边缘
成熟技术与创新技术共同发力
构建生产制造业自动化搬运的新生态
AMR具身智能快速发展
发展速度和应用场景快速增长
通用具身智能从概念到开源到实现
技术突破
目前最新的研究结果表明，大模型的能力每7个月翻倍
从LLM到Agent到Multi-Agents到Robotics/AI的完整技术演进
年初LLM，Agent，Multi-Agents，Robotics/AI
Chatbot技术大量取代简单知识问答型工作
从文本到语音，提供超过人类准确性的答案与流程。医院问诊、业务咨询、操作助手等各个领域
Agent作为人类的代理
开始具备操作人类硬件的能力。GeminiCLI、Trae等等，人——agents——计算机/网络/机器
Multi-agents充分发挥各种AI能力
以及外部接口、数据库等综合能力，提供完整解决方案。workflow：n8n dify等等
超强AI的边缘化应用
轻量级、低算力、专业化模型在边缘设备端搭载。能耗与能力的平衡
原生多模态：文本处理、视觉识别、声音处理
从文本数据训练（人类知识基本已经学完）
从人类知识中学习和蒸馏策略的区别
动态知识学习（各种增量的视频资源）
为了降低AI污染，YT将要对所有上传的视频进行AI检测，AI作品不给投流和回报奖励
人类语音的克隆已经完全实现（无法区分）
minimax Veo3等等等，创建了一个我们无法区分的世界
图灵测试已经完成
下一个图灵测试是 Physical Turing Test
汽车生产线焊接视频
展示了AI在工业制造中的应用
从MCP到A2A，AI获取相互交流协作的能力，像人一样操作计算机与获取信息
大模型无法根据静态的知识回答动态的问题
比如今天北京的天气怎么样，我该怎么穿衣怎么出行？
MCP构建了能够与外部世界交互的接口
让大模型读取数据库，浏览网页，查找各种IoT信息，并结合LLM进行决策
A2A构建了智能体之间的通信标准
实现更加复杂的智能体应用，未来是一个人—Bot—Agents混合的世界
A2A协作
智能体之间的通信标准
技术演进
2025年AI技术发展轨迹
从基础模型到协作智能的完整技术栈
从大语言模型到智能体，再到多智能体协作，最终实现机器人AI
文本处理、视觉识别、声音处理的全方位融合能力
AI获取相互交流协作的能力，像人一样操作计算机与获取信息
实现视觉、语言、行为的统一理解和生成
前沿应用
物流行业的AI应用的前沿领域在行业级上下文工程、具身智能等领域
行业级上下文工程与具身智能引领未来发展
基于行业级知识、长上下文场景的准确知识提取（Prompt+RAG）
当前的堵点
人类的知识和信息表达方式不利于AI的理解。未来需要更好的语义文档标准
避免无效知识切分
带来的上下文丢失
处理向量空间数据提取
导致的幻觉
知识提取
Prompt+RAG技术
基于物理规律的奖励模型，在虚拟环境中进行机器人的训练与调优：Omniverse Isaac sim
Omniverse Isaac Sim
基于物理规律的虚拟环境训练平台
机器人训练与调优
在虚拟环境中进行机器人的训练与调优
物理规律奖励模型
基于物理规律的奖励模型设计
Embodied AI技术栈
应用开发
从应用到开发：用AI解决实际业务场景下的痛点
现代化AI开发工具链赋能业务创新
Vibe Coding快速开发
Cursor、Gemini CLI、Trae等工具
提供了快速原型搭建与开发的可能
快速原型搭建
现代化AI开发工具链赋能业务创新
从Agents到可交付的workflow，优化工作过程，提升工作绩效
算法驱动AI提供基于运筹优化的解决方案（or-tools/mindopt）
ASRS的作业优化
自动化仓储系统的作业优化
业务赋能
传统物流业务场景的AI增强与赋能
AI技术为传统物流业务场景提供全方位的智能化升级解决方案
1. 仓储管理 (Warehouse Management)
智能分拣
利用计算机视觉识别包裹条码、形状、尺寸，指挥自动化分拣线或AGV/AMR，实现快速准确分拣
库存优化
AI分析历史销售数据、季节性波动、市场趋势预测商品需求，指导智能补货和库存布局
路径规划
为拣货员或拣货机器人规划最优行走路径，大幅缩短拣货时间，提高人效和坪效
自动化盘点
搭载摄像头的无人机或机器人自动巡航，通过图像识别和RFID技术实现快速准确盘点
2. 运输管理 (Transportation Management)
智能路径规划
实时分析路况、天气、交通管制等因素，为司机规划最优行驶路线，降低运输成本和时间
运力调度与匹配
AI算法快速将货主订单与最合适车辆进行匹配，实现"车货"高效匹配，减少空驶率
预测性维护
分析车辆传感器数据，预测零部件可能故障，提醒车队提前维护，避免运输途中抛锚
3. 末端配送 (Last-Mile Delivery)
智能排单
根据订单地理位置、包裹大小、客户要求，为快递员智能规划配送顺序和路线
无人配送
无人配送车和无人机利用高精度地图、传感器融合和决策算法，实现自主导航、避障和配送
智能快递柜
分析快递柜使用数据，预测不同区域、时段需求，优化快递柜布局和格口分配
4. 供应链规划与预测 (Supply Chain Planning & Forecasting)
需求预测
通过机器学习模型获得比传统方法更精准的需求预测，指导生产、采购和库存计划
风险预警
监控全球新闻、天气、政策、港口拥堵等信息，识别供应链中断风险并提前预警
供应链网络优化
模拟分析不同仓储、工厂、配送中心布局方案，设计成本最低、效率最高的供应链网络
工作范式
1. 观察、理解、思考现有工作业务流
深入分析现有业务流程和痛点
2. 定义问题、优化目标
明确问题边界和优化目标
3. 关联需要协同的技术、数据源
整合相关技术和数据资源
4. 从PRD到MVP，先跑出来
快速原型验证和迭代
5. 测试优化与迭代
持续优化和改进
6. 规模化应用
从试点到全面推广
行业应用
汽车物流行业可能的应用场景
结合汽车物流行业特点的AI应用实践
1. 基于内部知识向量化的知识提取以及知识留存
从已有知识库中提取知识
利用AI技术从企业内部知识库中提取有价值的信息
FAQ的记录与人工优化
自动记录常见问题并持续优化答案质量
工作日志的自动化转化、存档与复用
员工的AI辅助评价，工作日志的自动化处理
2. 业务场景的逻辑抽象与优化建模
目标函数的形式化表达
将业务目标转化为可量化的数学模型
约束条件的准确提取
识别和建模业务约束条件
合适的算法模型以及算力选择
对结果的解释与应用
3. 场景需求
零部件入厂物流
基于情景模拟的预测性调度
整车仓储与盘点
低空无人机+AMR完成协同巡检、盘点等工作
优化整车仓储
通过AI技术优化整车仓储管理
挑战与对策
难点与挑战
AI发展中需要面对和解决的关键问题
AI进化速度超越认知
AI进化速度比人的认知能力要快，如何跟进成为关键挑战
基础设施标准缺位
现有基础设施无法满足HI+AI协作条件，标准化体系亟需建立
岗位结构性失衡
AI自动化工程师需求量大，对传统工作的取代导致岗位结构性失衡
我们的行动
我们的工作重点
基于物流行业特点的AI赋能解决方案
1. 知识基座能力建设
基于物流行业的知识、经验
提供知识基座能力，为人才培养、企业知识底座提供基础支撑
人才培养
为物流行业培养AI应用人才
企业知识底座
为企业提供知识管理基础支撑
2. 学习认知状态转变
从先学习再工作
传统的学习模式
为了解决问题而学习
新的学习模式
从知识学习到案例学习
以问题解决和任务驱动为导向的人才能力成长
3. 可靠AI工作流应用
提供可靠的、可复制的AI工作流应用
解决特定场景下的AI应用需求
标准化流程
建立可复制的AI应用标准
场景化解决方案
针对特定业务场景的AI解决方案