PART 01大模型正在重構各行各業的運作邏輯

大模型的闖入，不是簡單的技術滲透，而是一場全方位、深層次的生產力革命，正在迅猛闖入社會生產的各個領域：

醫療領域：紐約大學開發的NYUTron能通過病歷預測患者死亡風險，準確率超過人類醫生。

教育創新：斯坦福大學實驗顯示，用GPT-4輔導的學生，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，將蛋白質結構預測時間從數月縮短至分鐘級。

藝術創作：動畫工作室利用Stable Diffusion生成分鏡腳本，成本降低90%。

PART 02物流企業如何應對應用挑戰

1、DeepSeek驅動數字化新的建設路徑，給物流行業帶來變化

2.物流領域對大模型的運用嘗試：

3.如何構建物流行業的大模型應用？

大模型的建設過程并非把大模型直接放到業務當中，業務就被大模型所變革了，而是需要經過一系列科學的建設過程，才能夠真正讓大模型賦能業務：

Step 01 選用適合的模型，靈活使用不同的模型

綜合考慮企業的業務場景，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”和“在職培訓”

對大模型進行訓練，輸入企業真實的業務，幫助大模型理解業務數據。實踐中，先選擇簡單的業務場景進行試點，過程中不斷調優、訓練，大模型適應業務場景后，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

讓大模型聽得懂業務、看得懂數據，通過補充相關的業務知識文檔，讓大模型快速地進入業務場景

Agent智能體，大模型與業務的交匯點，結合大模型的能力和眾多的工具，可以構建符合業務的不同的應用場景

PART 03物流行業的大模型典型場景

知識庫：對管理辦法、作業文檔進行梳理，標定歷史文檔中的沖突矛盾問題，為業務人員檢索有效信息，輔助業務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，可以輸出相關的報告，實現業務的生成；

專家經驗賦能助手：

通過大模型學習“運營專家”的經驗，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

解決跨部門協作“靠拉群”，協同效率低、缺乏有效跟進問題；賦能一線作業便捷應用數字化工具，完善作業流程的數字化建設；

業務流程治理

自然語言描述的業務邏輯，即可成為系統規則

業務線上化&數智化一步到位

鐵路場景示例：春節等長節假日，各站與承運方盤點節日運力保障計劃

經營數據分析：跨系統銜接上游貨主企業與運力商，實現單據的跨系統聯動（通過語義識別實現智能轉單）；助力無紙化結算；通過自然語言實現經營數據的主題分析與問題洞察；

PART 04互動問答

Q1：物流企業想嘗試做 AI 大模型，第一步做什么？是選技術還是找人才？

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

Q2：中小型物流企業想嘗試部署大模型，有什么建議？

第一，觀察行業里是否已經有相關的應用，以及應用地最新能力和成果。

第二，嘗試通過互聯網工具，對基礎業務進行簡單嘗試。如果業務的通用性不強，數據的保密性要求不高，通過了解大模型對于業務賦能的能力后，再結合場景，進行深度地業務大模型建設。

Q3：針對大型貨主企業，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，才能獲取更多關于大模型前期對于降本增效的行業紅利，提升自身的競爭力。

第二，大模型的建設本身要更注重基座，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務部門，這個能力是非常重要的。

第三，一定要注意數據的安全問題，在內部構建賬號體系時，對于每一個用戶能夠提什么樣的問題，建議在系統層面做約束。

Q4：目前G7易流是否有關于智能調度的 AI 場景經驗？

智能調度方面，G7易流擁有智能排線以及智能調度的相關應用，并且已經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的線路排線以及對于運力的調遣、運力的選擇，可以進行更多的類似于專家的思考和推理，幫助我們選擇更優的調度方案。

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務和操作系統的一線作業人員，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對這種動態的線路變更規劃。

Q5：如果客戶或者關聯環節沒有系統支撐，大模型怎么銜接？

一般來說一個業務鏈的第一步和第三步之間都有作業系統。按照過去傳統的軟件工程的方式，要對中間的環節進行系統化的建設，尤其是如果兩邊已經是數字化協同了，那么中間的這個系統也要建設到數字化的階段才能夠有效地與兩端進行結合。但通過大模型，可以快速地讓中間環節進行數字化鏈條構建，甚至大模型可以主動采集業務信息，把前后兩個環節進行銜接。

Q6：中等體量的物流企業，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，然后根據企業實際的體量，選擇不同的算力消耗，以此讓大模型應用于深度數據洞察及規劃的領域。

Q7：制造業的信息系統、工業物聯網平臺沉淀了非常多的數據，如果應用大模型，是否需要優先進行數據治理與中臺搭建？

大模型真正發揮作用的點在于它能夠有實時的數據感知能力，以及了解業務當前的發展變化。

如果各個業務系統之間的數據相互隔離，大模型是很難對接數據庫的。因為它每一次的視角是有限的，沒有辦法通讀海量數據，所以這需要一個大數據模型把所有業務系統的數據抓取上來進行清洗，轉化成適合大模型閱讀的模式，大幅的簡化和加速數據的統一化和中臺化。

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務來說，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好客戶帶來了怎樣的價值。

第三點要看它在科學決策層面的助力，是否在持續不斷地改善整個業務效能。