PART 01 大模型正在重構(gòu)各行各業(yè)的運作邏輯

大模型的闖入，不是簡單的技術(shù)滲透，而是一場全方位、深層次的生產(chǎn)力革命，正在迅猛闖入社會生產(chǎn)的各個領(lǐng)域：

醫(yī)療領(lǐng)域：紐約大學(xué)開發(fā)的NYUTron能通過病歷預(yù)測患者死亡風險，準確率超過人類醫(yī)生。

教育創(chuàng)新：斯坦福大學(xué)實驗顯示，用GPT-4輔導(dǎo)的學(xué)生，物理問題解決能力提升20%。

科研加速：DeepMind的AlphaFold3利用大模型技術(shù)，將蛋白質(zhì)結(jié)構(gòu)預(yù)測時間從數(shù)月縮短至分鐘級。

藝術(shù)創(chuàng)作：動畫工作室利用Stable Diffusion生成分鏡腳本，成本降低90%。

PART 02 物流企業(yè)如何應(yīng)對應(yīng)用挑戰(zhàn)

1、DeepSeek驅(qū)動數(shù)字化新的建設(shè)路徑，給物流行業(yè)帶來變化

2.物流領(lǐng)域?qū)Υ竽Ｐ偷倪\用嘗試：

3.如何構(gòu)建物流行業(yè)的大模型應(yīng)用？

大模型的建設(shè)過程并非把大模型直接放到業(yè)務(wù)當中，業(yè)務(wù)就被大模型所變革了，而是需要經(jīng)過一系列科學(xué)的建設(shè)過程，才能夠真正讓大模型賦能業(yè)務(wù)：

Step 01 選用適合的模型，靈活使用不同的模型

綜合考慮企業(yè)的業(yè)務(wù)場景，不同的場景要選用不同的模型，甚至是多個模型的組合。

Step 02 對大模型進行“崗前培訓(xùn)”和“在職培訓(xùn)”

對大模型進行訓(xùn)練，輸入企業(yè)真實的業(yè)務(wù)，幫助大模型理解業(yè)務(wù)數(shù)據(jù)。實踐中，先選擇簡單的業(yè)務(wù)場景進行試點，過程中不斷調(diào)優(yōu)、訓(xùn)練，大模型適應(yīng)業(yè)務(wù)場景后，再全面鋪開。

4.大模型實踐建議：

在私有化部署是企業(yè)大模型的必選項，性能方面有很強的彈性控制力

讓大模型聽得懂業(yè)務(wù)、看得懂數(shù)據(jù)，通過補充相關(guān)的業(yè)務(wù)知識文檔，讓大模型快速地進入業(yè)務(wù)場景

Agent智能體，大模型與業(yè)務(wù)的交匯點，結(jié)合大模型的能力和眾多的工具，可以構(gòu)建符合業(yè)務(wù)的不同的應(yīng)用場景

PART 03 物流行業(yè)的大模型典型場景

知識庫： 對管理辦法、作業(yè)文檔進行梳理，標定歷史文檔中的沖突矛盾問題，為業(yè)務(wù)人員檢索有效信息，輔助業(yè)務(wù)人員撰寫標準化文檔并進行文檔沖突自查;另外，通過輸入的觀點、視角進行分析，可以輸出相關(guān)的報告，實現(xiàn)業(yè)務(wù)的生成;

專家經(jīng)驗賦能助手：

通過大模型學(xué)習“運營專家”的經(jīng)驗，將專家能力變成每個運營人員的技能。

上下游智能溝通助手

解決跨部門協(xié)作“靠拉群”，協(xié)同效率低、缺乏有效跟進問題;賦能一線作業(yè)便捷應(yīng)用數(shù)字化工具，完善作業(yè)流程的數(shù)字化建設(shè);

業(yè)務(wù)流程治理

自然語言描述的業(yè)務(wù)邏輯，即可成為系統(tǒng)規(guī)則

業(yè)務(wù)線上化&數(shù)智化一步到位

鐵路場景示例：春節(jié)等長節(jié)假日，各站與承運方盤點節(jié)日運力保障計劃

經(jīng)營數(shù)據(jù)分析： 跨系統(tǒng)銜接上游貨主企業(yè)與運力商，實現(xiàn)單據(jù)的跨系統(tǒng)聯(lián)動(通過語義識別實現(xiàn)智能轉(zhuǎn)單);助力無紙化結(jié)算;通過自然語言實現(xiàn)經(jīng)營數(shù)據(jù)的主題分析與問題洞察;

PART 04互動問答

Q1：物流企業(yè)想嘗試做 AI 大模型，第一步做什么？是選技術(shù)還是找人才？

建議先找到場景，然后通過試點去驗證它對于企業(yè)的商業(yè)價值。第二，找到合適的模型以及部署方式，在這個過程中，尤其需要既懂業(yè)務(wù)又懂大模型的人才，這樣的人才能夠讓大模型的能力快速落地。

Q2：中小型物流企業(yè)想嘗試部署大模型，有什么建議？

第一，觀察行業(yè)里是否已經(jīng)有相關(guān)的應(yīng)用，以及應(yīng)用地最新能力和成果。

第二，嘗試通過互聯(lián)網(wǎng)工具，對基礎(chǔ)業(yè)務(wù)進行簡單嘗試。如果業(yè)務(wù)的通用性不強，數(shù)據(jù)的保密性要求不高，通過了解大模型對于業(yè)務(wù)賦能的能力后，再結(jié)合場景，進行深度地業(yè)務(wù)大模型建設(shè)。

Q3：針對大型貨主企業(yè)，部署大模型時有什么建議？

第一，大模型越早進入越好。早進入，才能獲取更多關(guān)于大模型前期對于降本增效的行業(yè)紅利，提升自身的競爭力。

第二，大模型的建設(shè)本身要更注重基座，而不是某一個單獨的模型。在未來的半年或一年，模型會持續(xù)迭代升級。有一個很好的基座，就能夠把大模型的能力賦能給各個業(yè)務(wù)部門，這個能力是非常重要的。

第三，一定要注意數(shù)據(jù)的安全問題，在內(nèi)部構(gòu)建賬號體系時，對于每一個用戶能夠提什么樣的問題，建議在系統(tǒng)層面做約束。

Q4：目前G7易流是否有關(guān)于智能調(diào)度的 AI 場景經(jīng)驗？

智能調(diào)度方面，G7易流擁有智能排線以及智能調(diào)度的相關(guān)應(yīng)用，并且已經(jīng)輸出給很多的合作伙伴。

大模型的加入可以更好地進行動態(tài)的線路排線以及對于運力的調(diào)遣、運力的選擇，可以進行更多的類似于專家的思考和推理，幫助我們選擇更優(yōu)的調(diào)度方案。

同時大模型的引入對于智能排線有很強的賦能：對于一些不太熟悉業(yè)務(wù)和操作系統(tǒng)的一線作業(yè)人員，只需要自然語言交流，把自己的需求通過文字或者語音方式輸入，系統(tǒng)就可以自動地給它完成排線。另外，在遇到異常時，大模型可以快速查找備用線路，來替代道路解決方案和運力解決方案，通過智能處理可以很好的應(yīng)對這種動態(tài)的線路變更規(guī)劃。

Q5：如果客戶或者關(guān)聯(lián)環(huán)節(jié)沒有系統(tǒng)支撐，大模型怎么銜接？

一般來說一個業(yè)務(wù)鏈的第一步和第三步之間都有作業(yè)系統(tǒng)。按照過去傳統(tǒng)的軟件工程的方式，要對中間的環(huán)節(jié)進行系統(tǒng)化的建設(shè)，尤其是如果兩邊已經(jīng)是數(shù)字化協(xié)同了，那么中間的這個系統(tǒng)也要建設(shè)到數(shù)字化的階段才能夠有效地與兩端進行結(jié)合。但通過大模型，可以快速地讓中間環(huán)節(jié)進行數(shù)字化鏈條構(gòu)建，甚至大模型可以主動采集業(yè)務(wù)信息，把前后兩個環(huán)節(jié)進行銜接。

Q6：中等體量的物流企業(yè)，要接入大模型的話成本會很高嗎？有低門檻的方案嗎？

比較推薦在云端進行私有化的部署，然后根據(jù)企業(yè)實際的體量，選擇不同的算力消耗，以此讓大模型應(yīng)用于深度數(shù)據(jù)洞察及規(guī)劃的領(lǐng)域。

Q7：制造業(yè)的信息系統(tǒng)、工業(yè)物聯(lián)網(wǎng)平臺沉淀了非常多的數(shù)據(jù)，如果應(yīng)用大模型，是否需要優(yōu)先進行數(shù)據(jù)治理與中臺搭建？

大模型真正發(fā)揮作用的點在于它能夠有實時的數(shù)據(jù)感知能力，以及了解業(yè)務(wù)當前的發(fā)展變化。

如果各個業(yè)務(wù)系統(tǒng)之間的數(shù)據(jù)相互隔離，大模型是很難對接數(shù)據(jù)庫的。因為它每一次的視角是有限的，沒有辦法通讀海量數(shù)據(jù)，所以這需要一個大數(shù)據(jù)模型把所有業(yè)務(wù)系統(tǒng)的數(shù)據(jù)抓取上來進行清洗，轉(zhuǎn)化成適合大模型閱讀的模式，大幅的簡化和加速數(shù)據(jù)的統(tǒng)一化和中臺化。

Q8：如何評價部署大模型后對工作和決策效率的提升？有什么常用的評價模型或指標嗎？

第一點就是針對于具體的業(yè)務(wù)來說，它能夠帶來多少直接的降本增效。

第二點要看它對于我們服務(wù)好客戶帶來了怎樣的價值。

第三點要看它在科學(xué)決策層面的助力，是否在持續(xù)不斷地改善整個業(yè)務(wù)效能。

 

(新媒體責編：wa12)