「AI小灶儿」第3期直播笔记请查收

PART 01 大模型正在重构各行各业的运作逻辑

大模型的闯入，不是简单的技术渗透，而是一场全方位、深层次的生产力革命，正在迅猛闯入社会生产的各个领域：

医疗领域：纽约大学开发的NYUTron能通过病历预测患者死亡风险，准确率超过人类医生。

教育创新：斯坦福大学实验显示，用GPT-4辅导的学生，物理问题解决能力提升20%。

科研加速：DeepMind的AlphaFold3利用大模型技术，将蛋白质结构预测时间从数月缩短至分钟级。

艺术创作：动画工作室利用Stable Diffusion生成分镜脚本，成本降低90%。

PART 02 物流企业如何应对应用挑战

1、DeepSeek驱动数字化新的建设路径，给物流行业带来变化

2.物流领域对大模型的运用尝试：

3.如何构建物流行业的大模型应用？

大模型的建设过程并非把大模型直接放到业务当中，业务就被大模型所变革了，而是需要经过一系列科学的建设过程，才能够真正让大模型赋能业务：

Step 01 选用适合的模型，灵活使用不同的模型

综合考虑企业的业务场景，不同的场景要选用不同的模型，甚至是多个模型的组合。

Step 02 对大模型进行“岗前培训”和“在职培训”

对大模型进行训练，输入企业真实的业务，帮助大模型理解业务数据。实践中，先选择简单的业务场景进行试点，过程中不断调优、训练，大模型适应业务场景后，再全面铺开。

4.大模型实践建议：

在私有化部署是企业大模型的必选项，性能方面有很强的弹性控制力

让大模型听得懂业务、看得懂数据，通过补充相关的业务知识文档，让大模型快速地进入业务场景

Agent智能体，大模型与业务的交汇点，结合大模型的能力和众多的工具，可以构建符合业务的不同的应用场景

PART 03 物流行业的大模型典型场景

知识库： 对管理办法、作业文档进行梳理，标定历史文档中的冲突矛盾问题，为业务人员检索有效信息，辅助业务人员撰写标准化文档并进行文档冲突自查;另外，通过输入的观点、视角进行分析，可以输出相关的报告，实现业务的生成;

专家经验赋能助手：

通过大模型学习“运营专家”的经验，将专家能力变成每个运营人员的技能。

上下游智能沟通助手

解决跨部门协作“靠拉群”，协同效率低、缺乏有效跟进问题;赋能一线作业便捷应用数字化工具，完善作业流程的数字化建设;

业务流程治理

自然语言描述的业务逻辑，即可成为系统规则

业务线上化&数智化一步到位

铁路场景示例：春节等长节假日，各站与承运方盘点节日运力保障计划

经营数据分析： 跨系统衔接上游货主企业与运力商，实现单据的跨系统联动(通过语义识别实现智能转单);助力无纸化结算;通过自然语言实现经营数据的主题分析与问题洞察;

PART 04互动问答

Q1：物流企业想尝试做 AI 大模型，第一步做什么？是选技术还是找人才？

建议先找到场景，然后通过试点去验证它对于企业的商业价值。第二，找到合适的模型以及部署方式，在这个过程中，尤其需要既懂业务又懂大模型的人才，这样的人才能够让大模型的能力快速落地。

Q2：中小型物流企业想尝试部署大模型，有什么建议？

第一，观察行业里是否已经有相关的应用，以及应用地最新能力和成果。

第二，尝试通过互联网工具，对基础业务进行简单尝试。如果业务的通用性不强，数据的保密性要求不高，通过了解大模型对于业务赋能的能力后，再结合场景，进行深度地业务大模型建设。

Q3：针对大型货主企业，部署大模型时有什么建议？

第一，大模型越早进入越好。早进入，才能获取更多关于大模型前期对于降本增效的行业红利，提升自身的竞争力。

第二，大模型的建设本身要更注重基座，而不是某一个单独的模型。在未来的半年或一年，模型会持续迭代升级。有一个很好的基座，就能够把大模型的能力赋能给各个业务部门，这个能力是非常重要的。

第三，一定要注意数据的安全问题，在内部构建账号体系时，对于每一个用户能够提什么样的问题，建议在系统层面做约束。

Q4：目前G7易流是否有关于智能调度的 AI 场景经验？

智能调度方面，G7易流拥有智能排线以及智能调度的相关应用，并且已经输出给很多的合作伙伴。

大模型的加入可以更好地进行动态的线路排线以及对于运力的调遣、运力的选择，可以进行更多的类似于专家的思考和推理，帮助我们选择更优的调度方案。

同时大模型的引入对于智能排线有很强的赋能：对于一些不太熟悉业务和操作系统的一线作业人员，只需要自然语言交流，把自己的需求通过文字或者语音方式输入，系统就可以自动地给它完成排线。另外，在遇到异常时，大模型可以快速查找备用线路，来替代道路解决方案和运力解决方案，通过智能处理可以很好的应对这种动态的线路变更规划。

Q5：如果客户或者关联环节没有系统支撑，大模型怎么衔接？

一般来说一个业务链的第一步和第三步之间都有作业系统。按照过去传统的软件工程的方式，要对中间的环节进行系统化的建设，尤其是如果两边已经是数字化协同了，那么中间的这个系统也要建设到数字化的阶段才能够有效地与两端进行结合。但通过大模型，可以快速地让中间环节进行数字化链条构建，甚至大模型可以主动采集业务信息，把前后两个环节进行衔接。

Q6：中等体量的物流企业，要接入大模型的话成本会很高吗？有低门槛的方案吗？

比较推荐在云端进行私有化的部署，然后根据企业实际的体量，选择不同的算力消耗，以此让大模型应用于深度数据洞察及规划的领域。

Q7：制造业的信息系统、工业物联网平台沉淀了非常多的数据，如果应用大模型，是否需要优先进行数据治理与中台搭建？

大模型真正发挥作用的点在于它能够有实时的数据感知能力，以及了解业务当前的发展变化。

如果各个业务系统之间的数据相互隔离，大模型是很难对接数据库的。因为它每一次的视角是有限的，没有办法通读海量数据，所以这需要一个大数据模型把所有业务系统的数据抓取上来进行清洗，转化成适合大模型阅读的模式，大幅的简化和加速数据的统一化和中台化。

Q8：如何评价部署大模型后对工作和决策效率的提升？有什么常用的评价模型或指标吗？

第一点就是针对于具体的业务来说，它能够带来多少直接的降本增效。

第二点要看它对于我们服务好客户带来了怎样的价值。

第三点要看它在科学决策层面的助力，是否在持续不断地改善整个业务效能。

 

(新媒体责编：wa12)