菜鸟网络朱礼君：中国的物流大而不强，人工智能将驱动物流变革

2017年9月14日，由中国 物流 与采购联合会指导、亿欧主办、运满满协办的“一带一路·2017中国 智慧物流 领袖峰会”在北京富力万丽酒店顺利举行。亿欧此次产业峰会将围绕智慧物流、传统产业转型、互联网物流的创新、资本投资热点、行业发展趋势等话题，与诸多行业领袖一同探讨，促进物流行业进步。

本次峰会邀请了中国物流与采购联合会会长何黎明、京东集团副总裁/京东物流规划发展部负责人傅兵、苏宁物流副总裁张海峰、 菜鸟网络 资深算法专家/博士 朱礼君 、运满满副总裁徐强、IBM物流行业合伙人骆志群、国家邮政局发展研究中心研究员/国家工程实验室副主任方玺、钟鼎创投合伙人汤涛、货车帮副总裁陈永胜、云商智慧物流总裁程丹、华平投资中国执行董事张磊、福佑卡车联合创始人叶逸飞、上海大学需求链研究院博士高峻俊、优联资本董事长王孝华、强生中国物流/客服/大客户供应链项目负责人谢阡、极智嘉创始人兼CEO郑勇、中粮我买网副总裁/高级经济师白光利和国商物流董事长荀卫共18位行业领袖与业内人士分享。

会上，菜鸟网络资深算法专家/博士朱礼君，发表了“ 人工智能 驱动的物流变革”的主题演讲，其核心观点如下：

1、中国的物流是非常强大的，规模也非常大，但是大而不强；

2、在整个智慧物流中，没有连接起来的数据产生不了最大价值；

3、未来物流大脑途径，肯定有三个部分，最核心的是物流从上下游的全局优化。

以下为亿欧整理朱礼君的演讲速记：

朱礼君：谢谢主办方的邀请，我来自菜鸟网络的人工智能部，非常有幸能够跟各位专家分享我们在人工智能的算法应用在物流行业中的经验。

首先跟大家分享一下整个中国物流行业现状的趋势，我们知道中国的物流市场 非常特殊。 在2015年的时候，我们的日均包裹量是5700万，美国是3500万，在中国我们超过百万人口的城市是153个，我们对物流的需求是非常大的。在可预见的将来，2020年我们日均包裹量会达到1.45亿个。

我们中国的物流是非常强大的，规模也非常大，但是大而不强。为什么？

今天何会长也分享了一个数据，我们物流占GDP占比今年是14.6%，约等于15%，在发达国家是8%，所以这里面有很大的优化空间；符合现代化物流标准化的仓储仓库面积只有12%，大部分的车有40%的空驶率。

因为快递行业同质化竞争，导致我们每年快递的单价还在逐年下降，约等于6.8%，平均价格是在下降。 而在整个智慧物流中，数据是关键，但数据其实都是一个个的孤岛，没有连接起来，没有形成一个大数据的环境，它产生不了它最大的价值； 90%的物流企业是分散的、小的物流企业；还有整个快递业员工在同一个站点工作超过一年只有50%，所以整个物流行业的人员更换也是非常快的；还有我们每年时效的提升非常缓慢，大概每年只有0.1天。

基于这么一个行业背景，这么一个社会背景，菜鸟协同我们广大的物流合作伙伴，在2013年的时候成立了菜鸟网络，打造了五张网络——快递、仓配、末段、末端物流、跨境网络，全球24小时必达。打造未来商业的基础设施，菜鸟网络目前已经覆盖了中国70%的快递包裹数，货通2700个县，连接200万快递员，并且有超过20万合作伙伴的运输车辆。

菜鸟网络的特点，第一个是以技术为核心的物流平台，技术是我们的核心，我们通过 大数据 和人工智能去驱动整个智慧物流的变革。还有一点非常特殊，我们是非常偏互联网行业的物流公司，同时也是一个非常传统的非常接地气的公司；我们是传统行业与互联网非常有机的结合。

我们知道人工智能也好，大数据也好，这些算法在互联网行业有非常成功的应用，像搜索、广告、个性化推荐，在很多行业有非常丰富的应用，也带来了很多的变革，在物流行业我们认为这个变革正在发生。在座的各位非常有幸我们能够处在这么一个时代，在这个时代我们很多传统的物流问题，在互联网这个时代被赋于了很多新的意义。

我们知道整个物流的过程，有很多的节点，各位都是专家，都是前辈，我们都知道在每一个节点上我们都要做很多的决策。物流是一个很长链路的决策过程，比如说我的仓库要多少货，需要做网格规划，仓库与仓库之间的调配关系是怎么样的，路径是怎么样走，用什么快递公司，走哪条线路，在仓库里面我们用什么 机器人 调度，各个不同环节之间的机器人怎么去完成协同完成这些任务。

还有像快递包裹的路由网络的规划，我们需要知道包裹的路径到底要怎么 走。 就好像一个包裹从杭州到内蒙古，是从北京周转一下还是从石家庄周转一下，这种决策的过程是非常多的。

我们在打造的就是这么一个决策过程优化引擎，是以数据和算法为基础来构建的。

我是一个技术人员，做算法，今天主要跟各位分享一下我们菜鸟网络现在已经在整个物流行业应用算法的案例，同时也希望能够跟各位专家，跟各位前辈能进一步交流，看看我们怎么样能把我们的算法推向更多、更广的领域。

第一点，最上游的库存管理 ，我们知道供货商需要把他的商品、成品放到一些仓库里面，比如说区域仓，还会列一些前置仓。前置仓服务于C端的用户，这里面的决策就是说我到底是要补拨还是调拨，同时还要确定每一个仓的补货量，目标就是降低物流成本，提升时效。

在物流行业很多问题是非常干净的数学问题，我们会构建一个数学模型来解决问题，这个模型主要有销量预测的模型，大数据销量预测的模型，基于成本以及时效的成本优化模型，库存优化模型，还有网络调拨模型，应用各种各样的算法，还有非线性的大数据算法预测商品，这样能够精准的预测销量。

这里面我们是要确定销量的不确定性，因为我们知道在未来需求量里面是有很大的不确定性的，我怎么样精准的去量化这个不准确性，因为有了不准确性可以做一些随机优化，调拨量的计算。

在仓库领域，电商行业我们收到了订单，用户的订单最后我们都会以包裹的形式寄给用户。像快销行业，因为很多用户会购买很多的商品，一般一个箱子放不下，我们要知道用什么样的型号的箱子来放，用人来做非常低效，其实系统可以做这个事情，算法可以做这个事情。这个决策每个订单应该怎么包裹它，看上去很简单，其实不然。 目标跟刚才一样，最小化成本，提升效率。

这个模型其实是非常传统，在整个运筹学里面，在物流行业里面非常传统的问题叫3D Bin Packing Problem，约束物品累积后的长宽高不能超过箱子长宽高，寻找最优的模型。

这里面我们会用构造式算法、元启发式算法，这些算法跟下围棋的算法也是这样的，下围棋是需要策略，我的目标都是一样的，在围棋里面我是要赢利，在这里面我是要最小化成本。

这个模型有一个很重要的约束，商品摆在一起物品累计不能超过箱子长宽高，这是对吗？

这个约束其实可以被打破，因为我们积累了大数据的技术，有一些约束可以打破它，可以重新定义我的约束，为什么？

我积累了好几个月的仓库发货的数据，这些数据对我未来发什么货是一个很好的计算，我能做什么事情？把我过去三个月的订单数据重新跑一个模型，看这个箱子的长宽高应该设置多大，那样是最优的。

所以这就是一个新的问题，一个新的问题就是说我根据历史数据重新设计每个仓库的箱子，它的型号到底应该是什么样的，目标也很明显，最小化总体成本，这个最小成本跟刚才的最小化成本是不一样的，原来是固定在长宽高，现在是可变的，这里面复杂很多。

现在的计算能力是可以做到的，原来是做不到的，在几十万的订单计算数据是可以达到的，现在我们的仓库量身打造他所需要的包材，这对他包材计算能力是非常巨大的。

在物流领域还有一个应用非常广泛的问题，叫做 车辆路径规划问题 ，它的定义很简单，我 有一个中心，这个中心会有一些车，我要去服务于一些客户，这些客户可能分布在各个地理的位置点，就像包裹的配送，其实是同样类型的问题，输入参数是我需要服务哪些客户，有什么车，输出的结果每辆车该怎么走，几点钟到哪个地方去服务哪些客户。 我的优化目标是最小化车辆数或者是行驶时长，这个问题大家也能够理解，在物流行业它的应用非常广泛，配送也好，揽收也好都会用到类似的技术。

这问题在整个物流行业已经被研究了很多年了，有很多变数，像CVRP，有容量限制的约束，VRPTW，加一些时间窗，比如说什么时间送到，还有VRPPD，比如说在一个地方收进来再配送到另外一个点，会有很多的变数，应用场景非常广。

这里面有各种各样、多种多样VRP的问题，我们用的是机器学习应用非常广泛的自学习方法，我怎么学习？你需要有一种方法平衡和探索怎么样去贪婪的赚钱，怎么样去探索别的你不是很了解的计算数据，什么样的情况下找新的计算数据，这是在互联网行业应用非常广泛的。 像在广告、推荐应用的非常广泛，我们把它应用在物流行业。 为什么？刚才说到在物流行业很多VRP的问题多种多样，在不同的算法上有不同的求解，我不可能有很多的工程师去算每一个，我们用一个自学的算法，我会定义各种各样的算法，去不停的试，会自学习，会发现这个问题用这个算法比较好。

引擎做好了以后，就能够应用在各个不同的场景，比如说像生鲜配送，农村物流，城市门店配送，仓库内的拣选路径优化都可以用。 我们还可以通过实时数据的反馈，这个司机到底怎么走的会去修改之前的一些结果，为什么？我们都知道数据并不是那么的干净，有些时候有些地方堵车或者是修桥，会使得你原来的结果并不是那么好，我们不停的去学习，会根据实际的反馈去不停的反馈，就会知道这个点到那个点在修路，这个时间点我尽量不走。

下面再分享一个我个人认为非常有意思的案例，刚才张总也提到菜鸟网络在面单上做了很多的工作，提升了数据化。

之前我们分拣会有很多的人去分拣，当然我们未来希望自动化分拣，现在也在做，这里面最关键的就是分单数据。这个包裹到底应该去哪儿，看似很简单，以前是手写，因为手写面单会专门有一个人拿一个大头笔，这里面写一个021，021就代表北京，分拣的人看见021就往北京这个方向扔，全国有几百个城市，要往几百个方向扔。

菜鸟网络做了一个电子面单的工作，除了把快递面单数据线上化以外，还有把路径算出来，第一个，我知道四川阿坝州，它应该去832这个分散区，分拣员一看到832就知道往哪个方向走；第二个569，网点的编码，它应该去哪个配送站点，第三个是002，是2号快递员，会精准的算出到底往哪个方向或者是哪个快递员去配送。

这个是怎么做到的， 我们用的是一个大规模的机器学习的算法 ，大家会觉得很奇怪这不是一个规则吗？不然，中国的邮政编码的体系还有待改进，很多人写地址的时候写的不是那么规范，这里会写到杭州省杭州市余杭区文一西溪路969，这是阿里巴巴西溪园区，如果用规则很可能会出错，有些人写错，会写成杭州市西湖区，用手写很有可能会写错， 所以我们用机器学习算法来代替规则，这个准确率非常高。

所有的人工智能的算 法，这些技术，这些数据我们会通过物流云进行开放，比如前面提到的车辆路径规划和箱型推荐，还 有 智能地址库还有智能分单的算法。

跟大家分享一下 我们认为未来物流大脑途径，它肯定有三个部分，最核心的是物流物流整个上下游的链路 ，比如说供应商，商家，仓库，分拨，配送点站点，最后到消费者，我们都需要用大数据人工智能的算法对它进行优化，以前优化是单点的，现在我们认为有更强的计算能力以及更多的数据我们能够做到全局优化。 在做全局优化的时候，我会考虑对网络下游的配送影响，对下游的影响会通过模型来算 ，我不会求一个全局很大规模的模型，因为那个在技术上还是不能实现，我会把上游和下游产出的结果做一个近似， 在底层会有智能化的硬件来支撑，像AGV、最后一公里的智能配送车 。

所以我们认为，这三者系统链路和硬件这么一个有机的结合，才能够描绘清楚我们未来物流的一个大的图景。今天的分享到这儿，谢谢。

本文系投稿稿件，作者：朱礼君；转载请注明作者姓名和“来源：亿欧”；文章内容系作者个人观点，不代表亿欧对观点赞同或支持。