PART 01大模型正在重構(gòu)各行各業(yè)的運(yùn)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(huì)生產(chǎn)的各個(gè)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(fēng)險(xiǎn)，準(zhǔn)確率超過人類醫(yī)生。

教育創(chuàng)新：斯坦福大學(xué)實(shí)驗(yàn)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(shí)間從數(shù)月縮短至分鐘級。

藝術(shù)創(chuàng)作：動(dòng)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(dòng)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\(yùn)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(dāng)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(gè)模型的組合。

Step 02 對大模型進(jìn)行“崗前培訓(xùn)”和“在職培訓(xùn)”

對大模型進(jìn)行訓(xùn)練，輸入企業(yè)真實(shí)的業(yè)務(wù)，幫助大模型理解業(yè)務(wù)數(shù)據(jù)。實(shí)踐中，先選擇簡單的業(yè)務(wù)場景進(jìn)行試點(diǎn)，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(shí)踐建議：

在私有化部署是企業(yè)大模型的必選項(xiàng)，性能方面有很強(qiáng)的彈性控制力

讓大模型聽得懂業(yè)務(wù)、看得懂?dāng)?shù)據(jù)，通過補(bǔ)充相關(guān)的業(yè)務(wù)知識(shí)文檔，讓大模型快速地進(jìn)入業(yè)務(wù)場景

Agent智能體，大模型與業(yè)務(wù)的交匯點(diǎn)，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(shí)庫：對管理辦法、作業(yè)文檔進(jìn)行梳理，標(biāo)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(biāo)準(zhǔn)化文檔并進(jìn)行文檔沖突自查；另外，通過輸入的觀點(diǎn)、視角進(jìn)行分析，可以輸出相關(guān)的報(bào)告，實(shí)現(xiàn)業(yè)務(wù)的生成；

專家經(jīng)驗(yàn)賦能助手：

通過大模型學(xué)習(xí)“運(yùn)營專家”的經(jīng)驗(yàn)，將專家能力變成每個(gè)運(yùn)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(jìn)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(yùn)方盤點(diǎn)節(jié)日運(yùn)力保障計(jì)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(yùn)力商，實(shí)現(xiàn)單據(jù)的跨系統(tǒng)聯(lián)動(dòng)（通過語義識(shí)別實(shí)現(xiàn)智能轉(zhuǎn)單）；助力無紙化結(jié)算；通過自然語言實(shí)現(xiàn)經(jīng)營數(shù)據(jù)的主題分析與問題洞察；

PART 04互動(dòng)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(diǎn)去驗(yàn)證它對于企業(yè)的商業(yè)價(jià)值。第二，找到合適的模型以及部署方式，在這個(gè)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(jìn)行簡單嘗試。如果業(yè)務(wù)的通用性不強(qiáng)，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(jìn)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(shí)有什么建議？

第一，大模型越早進(jìn)入越好。早進(jìn)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(gè)單獨(dú)的模型。在未來的半年或一年，模型會(huì)持續(xù)迭代升級。有一個(gè)很好的基座，就能夠把大模型的能力賦能給各個(gè)業(yè)務(wù)部門，這個(gè)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(shí)，對于每一個(gè)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(yàn)？

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(jìn)行動(dòng)態(tài)的線路排線以及對于運(yùn)力的調(diào)遣、運(yùn)力的選擇，可以進(jìn)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(shí)大模型的引入對于智能排線有很強(qiáng)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(dòng)地給它完成排線。另外，在遇到異常時(shí)，大模型可以快速查找備用線路，來替代道路解決方案和運(yùn)力解決方案，通過智能處理可以很好的應(yīng)對這種動(dòng)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(gè)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(jìn)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(gè)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(jìn)行結(jié)合。但通過大模型，可以快速地讓中間環(huán)節(jié)進(jìn)行數(shù)字化鏈條構(gòu)建，甚至大模型可以主動(dòng)采集業(yè)務(wù)信息，把前后兩個(gè)環(huán)節(jié)進(jìn)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(huì)很高嗎？有低門檻的方案嗎？

比較推薦在云端進(jìn)行私有化的部署，然后根據(jù)企業(yè)實(shí)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(tái)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(jìn)行數(shù)據(jù)治理與中臺(tái)搭建？

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

如果各個(gè)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?yàn)樗恳淮蔚囊暯鞘怯邢薜模瑳]有辦法通讀海量數(shù)據(jù)，所以這需要一個(gè)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(jìn)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(tái)化。

Q8：如何評價(jià)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(jià)模型或指標(biāo)嗎？

第一點(diǎn)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(diǎn)要看它對于我們服務(wù)好客戶帶來了怎樣的價(jià)值。

第三點(diǎn)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(gè)業(yè)務(wù)效能。