矽谷人工智慧專家Celina Wang：人工智慧如何改變傳統物流

雷鋒網按：2017年7月7日至9日，全球人工智慧與機器人峰會CCF-GAIR大會在深圳成功舉辦。本次由CCF中國計算機學會主辦、雷鋒網與香港中文大學（深圳）承辦。來自全球30多位頂級院士、近300家AI明星AI企業，齊聚智能科技產業盛會。

Celina Wang（王亞莉）是矽谷人工智慧專家，她的研究領域包括移動設備智能傳輸和優化，電商領域相關預測和決策，以及動態的路徑規劃。Celina Wang分別在斯坦福大學、加州大學獲得碩士、博士學位。回國前，她就職於全美知名的研究中心Xerox Parc，該研究中心是計算機領域的先驅者，個人電腦、激光印表機、滑鼠、乙太網等計算機領域的諸多發明都起源於此。

Celina Wang在CCF-GAIR 2017大會上發表了主題為「人工智慧引領物流變革——新興產業革命的現在與未來」的演講。她從三個方面進行展開。首先，介紹了傳統物流模式與瓶頸；其次，解釋了人工智慧是如何改變傳統的物流模式；最後，舉例闡述智慧物流的應用場景。

以下是Celina Wang演講速記全文整理，雷鋒網在不改變原意的基礎上做了精編：

傳統物流的模式與瓶頸

物流是一個很大很寬的範圍，重點闡述目前比較經典的熱點應用場景。

簡單看傳統物流的傳輸模式，有比較保守的生產線，正規的運輸和有人的倉庫。傳統物流是比較封閉的系統。如今國內有非常著名的物流企業，從倉庫組裝到室外配送員高達十萬以上，這是非常大的成本消耗，因此在人力、物力、財力上，傳統物流投入相當多的資本和時間，還要支付額外的費用，比如說保證各個方面的安全設施，從倉庫到倉庫，極大的瓶頸。當性價比低到一定程度的時候，會導致企業的長期虧損。

另外，傳統物流的模式是屬於被動性服務，它不能提供動態隨機的預測，宏觀遠景預測能力依舊比較薄弱。

關於傳統物流所帶來的這些虧損的背景，我們從新聞媒體報道中都不難發現，這是非常直觀的明顯證據，所以傳統物流是一定要被現代物流所打破所改善。

另外，傳統物流有很封閉的各自獨立環節，彼此銜接的不是很緊密，會導致這些程序上的煩瑣。我記得早期的傳統物流還沒有用計算機來進行數據維護和數據存儲，依然是用紙和筆這樣守舊的記錄形式，都有待於智能物流的逐步更新。物流信息也是隔離的，倉庫和倉庫之間彼此是各成一套獨立體系，信息也是比較封閉，這樣會影響到物資之間的有效流動。比如我們購買電腦的時候，正常人要購買相關聯的產品，比如鍵盤、滑鼠、顯示器，如果用傳統物流的話，可能想要買電腦的時候，你同時想買的滑鼠和鍵盤會放在另一個倉庫里，會導致把你所需求的所有設備配齊之後需要大量的時間和成本。

人工智慧如何改善物流？

人工智慧是怎麼改善物流的，什麼又叫智慧物流？首先智慧這點是在很多環節都可以做到自發、自主、自力調整，比如說商品關聯度，還是以電腦為例，你想買電腦的時候，可不可以把你需要的其他輔助性設備比如顯示屏、鍵盤、滑鼠放在電腦附近？放在一個倉庫里甚至相鄰的貨架里，這樣取貨成本大幅度降低，這都是人工成本需要考慮的。我們知道倉庫原來是有人倉，每個環節都是靠人來實現每個部分的環節，而智慧物流的引進會減少人工搬運時間、體力消耗和經濟成本，也提高了中轉效率。當這些全部變成自動化模式下，會大大降低成本，換取更可觀的盈利。

了解人類過去一百年科技革命的人應該知道，我們從第二次產業革命，比如說發明汽車的時候，到第三次產業革命，進入了二戰期間，最後到80年代打破了軟體的一些瓶頸，像微軟有了windows，如今我們處於第四次產業革命，就是人工智慧。

人工智慧改變傳統物流

人工智慧改善物流的環節有很多，我只是舉幾個應用場景，比如像運輸途徑，我們不希望繞太多的圈子或者走太多的路來傳輸，選擇最優路徑，最優路徑有時候選最快，有時候選最短，最短和最快不是一回事，比如開車要去市中心，物理距離最短有可能被堵塞，時間可能最慢，這時候我們要進行即時的調整。

物流行業也是如此，需要自主調整路徑的最佳優化，永遠處在動態，每時每刻都在搜索最快的路徑，這是我們平時開車的時候導航系統所能做到的。有效解決辦法包括了像路徑演算法、調度演算法等等的智能演算法，未來可深入挖掘。

人工智慧所改變的還有庫存管理，我剛才提到有人倉里有大量的傳統煩瑣的庫存管理模式，比如說筆紙，人工手寫訂單，可利用人工智慧，搭建一個雲計算中心，每天用電腦把數據存儲起來，比如出單情況、入單情況，每24小時進行更新，與雲計算中心數據同步，源源不斷地做存儲，即可作為歷史數據，將來根據這些歷史數據可以做很多的指標分析、數據挖掘以及商品預測。

其中動態調整庫存是指什麼呢？我不知道客戶需要某個商品多少量的貨，我該如何去備份，比如遇到節日促銷，當促銷的時候有些產品可能會被大量急需，這時需要馬上補貨。如新品iPhone 8上市，可能會有大量需求，這時需要提前幾天大量補貨，這裡面就牽扯到補貨作業問題。

商品出庫同樣如此，根據購買量預測，預測出庫和入庫量。有效解決方案是當數據存到雲計算中心以後，會有足夠的歷史數據分析，這時可以用機器學習，把這些數據作為訓練機，來學習這些數據，建構模型，再用它來預測大致可能會發生的概率有多高，這就是我說的預測庫存指標。

智慧物流的應用場景

簡單講講智慧物流的應用場景，它有很多應用，像著名的無人倉和無人車，這也是有所提及。傳統物流每個環節都靠人為實現，無人倉的理想狀態是這個倉里一個人都沒有，只有極個別技術人員在後台監控和監測。理論上監測系統也是智能化，所有環節都是靠機器智能化來實現。

上圖是標準的無人倉儲，貨架穿梭車都是自動揀選，儲存效率提高10倍，揀選效率比人工提高5倍。無人車主要實現行使路上自動檢測前方障礙物，又能自主學習，還能夠避障停車這些基本應用。

無人倉儲貨架穿梭車有兩個重要步驟，第一個是升降機，首先接到指令以後要送到指定的層，有很多層，到了那個層之後再平行送到具體位置，所以這是一個二維的坐標，這裡面有很深的數學理論，比如運籌學就會用得比較多一點。穿梭車可實現24小時不停傳輸，取貨、補貨、出貨都是它來完成，無論是訂單選擇、商品布局、智能排產都跟貨架穿梭車有關聯。

無人倉下一個重要的智能應用是自動引導車，就是AGV，（Automated Guided Vehicle的縮寫，意即「自動導引運輸車」）這裡面重要的智能演算法是路徑規劃，以上都是智慧物流無人倉非常關鍵的熱點問題。

上圖是來自亞馬遜的AGV，它有非常大的無人倉庫，裡面有成千上萬個AGV不停運轉，速度非常快，其中就涉及到非常嚴格嚴謹的路徑規劃演算法。

首先要實現的功能：

第一，AGV的運作背景有個中央控制台。學過網路的人應該知道，網路有中央控制台來決定每一個信號傳遞的下一個點往哪兒走，應用最廣泛的是手機，我們打電話的時候，其實不是你跟另外一個人直接通訊，而是通過一個基站，你先把信號傳輸給基站，基站再傳輸給那個手機用戶。自動引導車有個中央總控制台控制每一個AGV走到哪，知道AGV的二維坐標地點，知道什麼時間能到，怎樣防撞。

第二，不僅僅要防撞，還要防堵，擁堵是很重要的環節，你不一定撞上了，但是堵上了就不能走，這會大大降低傳輸效率。我們想把效率提高到最佳，這是自動引導車非常重要的功能。

我曾經幫助設計路徑規劃演算法，路徑規劃演算法裡面第一個需要用的就是路徑表，路徑表是要記錄你的目的地、出發地還有可能抵達的時間，還有你的下一個節點是什麼。如上圖，比如說S就是起點，D就是終點，S1到D1這是一個路徑，S2到D2是另一個路徑，從S1到D的時候會途徑A1、B1或者B2、B2或者C，可以看到在C點就變成了垂直相撞，這是AGV很容易發生的，這就是我們要解決的問題，如何防撞，採取的方法就是要提前預測出比如你到B1，小車到B1的時間是多少，小車到B2的時間是多少，提前要繞行，最後你要不斷更新數據，你看這個格，一個格在無人倉里是一米，通過物理角度可以計算一下，起步的時候有一個加速，到的時候有個減速，中間有個勻速，計算B1到B2的大致時間，把它們錯開，最後時間要在中央總控制台錄入。這是路徑表的成分，首先要初始化，然後查找路徑表，因為你想知道這個路徑是不是曾經存在過，或者是不是有人正在用這個路徑，都要從路徑表查詢，比如說這是一條嶄新的路徑，要交到路徑表裡，如果路徑表已經過期或者作廢，或者被證明大量使用的話，不適合的話要刪除。

還有就是更新，更新路徑就是當你發現要撞的時候，你要繞行，這時候你要更新下一個節點的去向。還有我們要找出熱點，熱點在這裡的定義是，比如說有些區域是非常熱門，一定會被小車多次經過，比如說北京，無論飛哪個國際航班，永遠可以直達北京，北京就是一個熱點。比如說很遠的地方，很小的城市，過往航班少，這就是冷點。我們非常關注熱點，儘可能改變熱點所帶來的障礙。

防撞防堵的操作，相撞有兩種模式，一種是垂直交叉，還有一種是同向，同向就是小車剛開始加速比較快，後面的小車是勻速，兩車速度不一致的時候會出現堵塞，甚至是從後面撞上，這是同向相撞，所以我們在做避撞的時候要區分是哪一種，因為同向相撞時不需要繞行，只需減速。鑒別相撞類型來做不同的操作改善，就像這上面寫的一樣，如果是交叉相撞就停下來等一等。

目標識別是無人配送車的研究熱點

現在說一下無人配送車。有無人駕駛車，也有無人配送車，這個配送車的尺寸高度大小都遠遠小於人駕駛的車，所以現在所能承載的每個貨物重量還沒有到太可觀的範圍，還是屬於中小件。

無人配送車還處於發展過程中，它現在所需要的幾個功能，像智能感知、智能控制、目標識別、避開障礙和自動導航，這五個主要的方面大家都很容易理解。

現在我們主要挑幾個，像目標識別是比較火的研究領域，目標識別在無人車裡分幾個方向，一個是交通標線識別，就是開車的時候比如說單向道的時候你會看到白虛線和黃實線，所以交通標線需要識別。還有交通信號燈，就是紅綠黃，區別前方障礙物，需要判斷前方是有車還是人還是動物。還有近距離行人檢測，無人配送車主要不在機動車上走，主要走在自行車和行人道上，所以主要是檢測行人走路的速度會不會撞上，這是很重要的識別方向。

舉個簡單例子，目前研究熱點裡面非常火的一個是流行學裡面，我們要用非線性降維應用到圖象識別里，涉及幾何理論會比較深。我們現在的問題是什麼呢？因為在大數據時代，人工智慧和大數據是相輔相成的，如果數據量太少，沒必要太智能化，因此人工智慧一定跟大數據緊密相聯，當數據到海量程度的時候就牽扯到高維空間，舉個形象的例子來形容，英文有26個字母，可以看成是26個空間，我想找出一個單詞的首寫字母能代表綠色的，我不需要從A掃到C，我只要挑選出G就知道是代表綠色，這樣就可以淘汰掉剩下的25個字母，也就是25個空間，只剩下一維的字母G，我用這個形象的方式來告訴大家降維的工作是什麼，你既要結果不失真，也要讓冗餘的東西被砍掉，這是出發點。現在的問題是計算量過大，比如說你從A篩選到Z的話，有25個空間純屬多餘，所以計算度增大，複雜度也增加，因此要降低維度空間。這裡面有一些有意思的方法，比如像拉普拉斯特徵映射，這是唯一被證明有效的，處理效果最好的方式。

機器人的另一個應用場景

簡單說一下機器人的另一個應用場景，這也是機器人最優的軌跡規劃。上圖是掃地機器人的軌跡規劃。我去年年底買了一個掃地機器人，在家裡還是橫衝直撞，當前定位不準，我們會發現機器人經常跑到床底下就出不來，這個圖裡就顯示這是我們可以用紫外線觀察到它走的痕迹。既存問題就是我們希望掃地機器人在最短的前提下掃到最廣的空間範圍，這個問題到目前為止還沒有得到很好的解決，這是剛剛開始沒有多久的研究方向，依然處在場景落地的不斷實驗和研究過程中。

目前比較可靠的方法就是測地線，這是幾十年前古老的理論演算法，指的是當看到的地圖是一個橢圓型，因為地圖是多維空間，我們真正平時用的物理距離指的都是二維距離，所以需要在多維空間里找出二維的流行表面，這不是真的直線，只是地球太大了，肉眼看起來像直線，在這個多維表面上要找到最短的二維路徑。這個測地線的方法相對比較深。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！