雷锋网AI掘金志按：2017年7月7日至9日，全球人工智能与机器人峰会CCF-GAIR大会在深圳成功举办。本次由CCF中国计算机学会主办、雷锋网与中文大学（深圳）承办。来自全球30多位院士、近300家AI明星AI企业，齐聚智能科技产业盛会。
Celina Wang（王亚莉）是硅谷人工智能专家，她的研究领域包括移动设备智能传输和优化，电商领域相关预测和决策，以及动态的径规划。Celina Wang分别在斯坦福大学、大学获得硕士、博士学位。回国前，她就职于全美知名的研究中心Xerox Parc，该研究中心是计算机领域的者，个人电脑、激光打印机、鼠标、以太网等计算机领域的诸多发明都起源于此。
Celina Wang在CCF-GAIR 2017大会上发表了主题为“人工智能引领物流变革——新兴产业的现在与未来”的。她从三个方面进行展开。首先，介绍了传统物流模式与瓶颈；其次，解释了人工智能是如何改变传统的物流模式；最后，举例阐述智慧物流的应用场景。（回复“京东”下载全版PPT）
以下是Celina Wang速记全文整理，雷锋网AI掘金志在不改变原意的基础上做了精编：
简单看传统物流的传输模式，有比较保守的生产线，正规的运输和有人的仓库。传统物流是比较封闭的系统。如今国内有非常著名的物流企业，从仓库组装到室外配送员高达十万以上，这常大的成本消耗，因此在人力、物力、财力上，传统物流投入相当多的资本和时间，还要支付额外的费用，比如说各个方面的安全设施，从仓库到仓库，极大的瓶颈。当性价比低到一定程度的时候，会导致企业的长期亏损。
另外，传统物流的模式是属于被动性服务，它不能提供动态随机的预测，宏观远景预测能力依旧比较薄弱。
关于传统物流所带来的这些亏损的背景，我们从新闻报道中都不难发现，这常直观的明显，所以传统物流是一定要被现代物流所打破所改善。
另外，传统物流有很封闭的各自环节，彼此衔接的不是很紧密，会导致这些程序上的烦琐。我记得早期的传统物流还没有用计算机来进行数据和数据存储，依然是用纸和笔这样守旧的记录形式，都有待于智能物流的逐步更新。物流信息也是隔离的，仓库和仓库之间彼此是各成一套体系，信息也是比较封闭，这样会影响到物资之间的有效流动。比如我们购买电脑的时候，正要购买相关联的产品，比如键盘、鼠标、显示器，如果用传统物流的话，可能想要买电脑的时候，你同时想买的鼠标和键盘会放在另一个仓库里，会导致把你所需求的所有设备配齐之后需要大量的时间和成本。
人工智能是怎么改善物流的，什么又叫智慧物流？首先智慧这点是在很多环节都可以做到自发、自主、自力调整，比如说商品关联度，还是以电脑为例，你想买电脑的时候，可不可以把你需要的其他辅助性设备比如显示屏、键盘、鼠标放在电脑附近？放在一个仓库里甚至相邻的货架里，这样取货成本大幅度降低，这都是人工成本需要考虑的。我们知道仓库原来是有人仓，每个环节都是靠人来实现每个部分的环节，而智慧物流的引进会减少人工搬运时间、体力消耗和经济成本，也提高了中转效率。当这些全部变成自动化模式下，会大大降低成本，换取更可观的盈利。
了解人类过去一百年科技的人应该知道，我们从第二次产业，比如说发明汽车的时候，到第三次产业，进入了二战期间，最后到80年代打破了软件的一些瓶颈，像微软有了windows，如今我们处于第四次产业，就是人工智能。
人工智能改善物流的环节有很多，我只是举几个应用场景，比如像运输途径，我们不希望绕太多的圈子或者走太多的来传输，选择最优径，最优径有时候选最快，有时候选最短，最短和最快不是一回事，比如开车要去市中心，物理距离最短有可能被堵塞，时间可能最慢，这时候我们要进行即时的调整。
物流行业也是如此，需要自主调整径的最佳优化，永远处在动态，每时每刻都在搜索最快的径，这是我们平时开车的时候系统所能做到的。有效解决办法包括了像径算法、调度算法等等的智能算法，未来可深入挖掘。
人工智能所改变的还有库存管理，我刚才提到有人仓里有大量的传统烦琐的库存管理模式，比如说笔纸，人工手写订单，可利用人工智能，搭建一个云计算中心，每天用电脑把数据存储起来，比如出单情况、入单情况，每24小时进行更新，与云计算中心数据同步，源源不断地做存储，即可作为历史数据，将来根据这些历史数据可以做很多的指标分析、数据挖掘以及商品预测。
其中动态调整库存是指什么呢？我不知道客户需要某个商品多少量的货，我该如何去备份，比如遇到节日促销，当促销的时候有些产品可能会被大量急需，这时需要马上补货。如新品iPhone 8上市，可能会有大量需求，这时需要提前几天大量补货，这里面就牵扯到补货作业问题。
商品出库同样如此，根据购买量预测，预测出库和入库量。有效解决方案是当数据存到云计算中心以后，会有足够的历史数据分析，这时可以用机器学习，把这些数据作为训练机，来学习这些数据，建构模型，再用它来预测大致可能会发生的概率有多高，这就是我说的预测库存指标。
简单讲讲智慧物流的应用场景，它有很多应用，像著名的无人仓和无人车，这也是有所提及。传统物流每个环节都靠人为实现，无人仓的理想状态是这个仓里一个人都没有，只有极个别技术人员在后台和监测。理论上监测系统也是智能化，所有环节都是靠机器智能化来实现。
上图是标准的无人仓储，货架穿梭车都是自动拣选，储存效率提高10倍，拣选效率比人工提高5倍。无人车主要实现行使上自动检测前方障碍物，又能自主学习，还能够避障停车这些基本应用。
无人仓储货架穿梭车有两个重要步骤，第一个是升降机，首先接到指令以后要送到指定的层，有很多层，到了那个层之后再平行送到具体，所以这是一个二维的坐标，这里面有很深的数学理论，比如运筹学就会用得比较多一点。穿梭车可实现24小时不停传输，取货、补货、出货都是它来完成，无论是订单选择、商品布局、智能排产都跟货架穿梭车有关联。
无人仓下一个重要的智能应用是自动引导车，就是AGV，（Automated Guided Vehicle的缩写，意即“自动导引运输车”）这里面重要的智能算法是径规划，以上都是智慧物流无人仓非常关键的热点问题。
上图是来自亚马逊的AGV，它有非常大的无人仓库，里面有成千上万个AGV不停运转，速度非常快，其中就涉及到非常严格严谨的径规划算法。
第一，AGV的运作背景有个中央控制台。学过网络的人应该知道，网络有中央控制台来决定每一个信号传递的下一个点往哪儿走，应用最广泛的是手机，我们打电话的时候，其实不是你跟另外一个人直接通讯，而是通过一个基站，你先把信号传输给基站，基站再传输给那个手机用户。自动引导车有个中央总控制台控制每一个AGV走到哪，知道AGV的二维坐标地点，知道什么时间能到，怎样防撞。
第二，不仅仅要防撞，还要防堵，拥堵是很重要的环节，你不一定撞上了，但是堵上了就不能走，这会大大降低传输效率。我们想把效率提高到最佳，这是自动引导车非常重要的功能。
我曾经帮助设计径规划算法，径规划算法里面第一个需要用的就是径表，径表是要记录你的目的地、出发地还有可能抵达的时间，还有你的下一个节点是什么。如上图，比如说S就是起点，D就是终点，S1到D1这是一个径，S2到D2是另一个径，从S1到D的时候会途径A1、B1或者B2、B2或者C，可以看到在C点就变成了垂直相撞，这是AGV很容易发生的，这就是我们要解决的问题，如何防撞，采取的方法就是要提前预测出比如你到B1，小车到B1的时间是多少，小车到B2的时间是多少，提前要绕行，最后你要不断更新数据，你看这个格，一个格在无人仓里是一米，通过物理角度可以计算一下，起步的时候有一个加速，到的时候有个减速，中间有个匀速，计算B1到B2的大致时间，把它们错开，最后时间要在中央总控制台录入。
这是径表的成分，首先要初始化，然后查找径表，因为你想知道这个径是不是曾经存在过，或者是不是有人正在用这个径，都要从径表查询，比如说这是一条崭新的径，要交到径，如果径表已经过期或者作废，或者被证明大量使用的话，不适合的话要删除。
还有就是更新，更新径就是当你发现要撞的时候，你要绕行，这时候你要更新下一个节点的去向。还有我们要找出热点，热点在这里的定义是，比如说有些区域常热门，一定会被小车多次经过，比如说，无论飞哪个国际航班，永远可以直达，就是一个热点。比如说很远的地方，很小的城市，过往航班少，这就是冷点。我们非常关注热点，尽可能改变热点所带来的障碍。
防撞防堵的操作，相撞有两种模式，一种是垂直交叉，还有一种是同向，同向就是小车刚开始加速比较快，后面的小车是匀速，两车速度不一致的时候会出现堵塞，甚至是从后面撞上，这是同向相撞，所以我们在做避撞的时候要区分是哪一种，因为同向相撞时不需要绕行，只需减速。鉴别相撞类型来做不同的操作改善，就像这写的一样，如果是交叉相撞就停下来等一等。
现在说一下无人配送车。有无人驾驶车，也有无人配送车，这个配送车的尺寸高度大小都远远小于人驾驶的车，所以现在所能承载的每个货物重量还没有到太可观的范围，还是属于中小件。
无人配送车还处于发展过程中，它现在所需要的几个功能，像智能、智能控制、目标识别、避开障碍和自动，这五个主要的方面大家都很容易理解。
现在我们主要挑几个，像目标识别是比较火的研究领域，目标识别在无人车里分几个方向，一个是交通标线识别，就是开车的时候比如说单向道的时候你会看到白虚线和黄实线，所以交通标线需要识别。还有交通信号灯，就是红绿黄，区别前方障碍物，需要判断前方是有车还是人还是动物。还有近距离行人检测，无人配送车主要不在机动车上走，主要走在自行车和行上，所以主要是检测行人走的速度会不会撞上，这是很重要的识别方向。
举个简单例子，目前研究热点里面非常火的一个是流行学里面，我们要用非线性降维应用到图象识别里，涉及几何理论会比较深。我们现在的问题是什么呢？因为在大数据时代，人工智能和大数据是相辅相成的，如果数据量太少，没必要太智能化，因此人工智能一定跟大数据紧密相联，当数据到海量程度的时候就牵扯到高维空间，举个形象的例子来形容，英文有26个字母，可以看成是26个空间，我想找出一个单词的首写字母能代表绿色的，我不需要从A扫到C，我只要挑选出G就知道是代表绿色，这样就可以淘汰掉剩下的25个字母，也就是25个空间，只剩下一维的字母G，我用这个形象的方式来告诉大家降维的工作是什么，你既要结果不失真，也要让冗余的东西被砍掉，这是出发点。现在的问题是计算量过大，比如说你从A筛选到Z的线个空间纯属多余，所以计算度增大，复杂度也增加，因此要降低维度空间。这里面有一些有意思的方法，比如像拉普拉斯特征映射，这是唯一被证明有效的，处理效果最好的方式。
简单说一下机器人的另一个应用场景，这也是机器人最优的轨迹规划。上图是扫地机器人的轨迹规划。我去年年底买了一个扫地机器人，在家里还是横冲直撞，当前定位不准，我们会发现机器人经常跑到床底下就出不来，这个图里就显示这是我们可以用紫外线观察到它走的痕迹。既存问题就是我们希望扫地机器人在最短的前提下扫到最广的空间范围，这个问题到目前为止还没有得到很好的解决，这是刚刚开始没有多久的研究方向，依然处在场景落地的不断实验和研究过程中。
目前比较可靠的方法就是测地线，这是几十年前古老的理论算法，指的是当看到的地图是一个椭圆型，因为地图是空间，我们真正平时用的物理距离指的都是二维距离，所以需要在空间里找出二维的流行表面，这不是真的直线，只是地球太大了，看起来像直线，在这个表面上要找到最短的二维径。这个测地线的方法相对比较深。
更多关于雷锋网人工智能升级传统行业的文章，请关注雷锋网AI商业化垂直微信号：AI掘金志。
人工智能商业化落地进度远不及AI技术的革新，究其原因，AI技术供应商（乙方）不明确自己的技术可服务于谁，传统机构（甲方）不懂如何有效利用人工智能与大数据提升效率。
于是雷锋网先行，通过采编对甲、乙方参考价值巨大的人工智能商业合作项目与案例，面向企业CDO与CIO，从而服务“AI技术输出者”和“AI技术消费者”：助力AI公司寻找最有价值的潜在传统客户与商业化落地径，帮助传统企业选择与开发适合自己的AI产品和技术方案，消除AI公司与传统企业之间的信息不对称，推动人工智能的商业化浪潮。