傳統(tǒng)快遞行業(yè)正在迎來自己的“拐點”。

　　根據(jù)行業(yè)預(yù)測，未來的幾年內(nèi)，中國日均包裹量將突破 10 億。中國物流企業(yè)將無法再單純依靠傳統(tǒng)的人力勞動模式去分揀處理包裹，必須使用物流云這樣的服務(wù)為物流網(wǎng)絡(luò)賦能，使物流系統(tǒng)保持高效運轉(zhuǎn)。

　　菜鳥網(wǎng)絡(luò) CTO 谷雪梅曾指出，技術(shù)決定了物流業(yè)的未來。

　　為了加速快遞行業(yè)轉(zhuǎn)型，推動智能物流落地，菜鳥網(wǎng)絡(luò)先行一步上線視頻云監(jiān)控系統(tǒng)。從全國各類物流場站內(nèi)的百萬攝像頭下手，菜鳥通過機(jī)器學(xué)習(xí)分析采集到的視頻數(shù)據(jù)，可以做到實時分析車、貨的動態(tài)，實現(xiàn)智能調(diào)度。

　　而藏在超過 1000 個分撥中心后、隱身于看不見的大數(shù)據(jù)中，一手掌控車、貨、人狀態(tài)的機(jī)器學(xué)習(xí)智慧核心，就是 Google 發(fā)布的機(jī)器學(xué)習(xí)開源框架 TensorFlow。

傳統(tǒng)快遞行業(yè)艱難轉(zhuǎn)身

　　過去的六年里，我國包括“三通一達(dá)”、順豐、德邦、百世在內(nèi)的第三方物流規(guī)模增長迅速。從2013年到2019年，我國第三方物流規(guī)模翻了三倍，市場份額達(dá)到 2825 億美元。但與此同時，中國社會物流成本占 GDP 比例居高不下，整個行業(yè)呈現(xiàn)出“規(guī)模大、效率低”的特征。

　　“物流成本占 GDP 比例”是衡量物流效率的重要指標(biāo)，占比越高，說明物流行業(yè)效率越低。對于中國社會物流 15 萬億左右的總市場來說，成本比例每下降 0.1%，對應(yīng)的收益都是百億級別。2019年，中國物流成本占總 GDP 比率為 14.4%，而同一時間，這個數(shù)字在美國只有 8% 左右。

　　在居高不下的物流成本中，運輸成本其實只占了一半。根據(jù)中國物流與采購聯(lián)合會提供的數(shù)據(jù)，2018年，管理費用和倉儲費用占到物流總成本的 48%，總額高達(dá) 5.6 萬億元。

　　中國物流與采購聯(lián)合會會長何黎明表示，隨著經(jīng)濟(jì)結(jié)構(gòu)的調(diào)整和運輸供給市場的優(yōu)化，我國的物流運行效率不斷提高，運輸成本有所下降。然而因為物流用地緊張、勞動力要素成本上漲，管理和倉儲費用其實一直在上升。

　　這種成本結(jié)構(gòu)和依賴人工分揀裝卸的粗放行業(yè)現(xiàn)狀直接相關(guān)。

　　雖然目前已經(jīng)有很多物流公司在做運單數(shù)字化，在做在線管理，但是某種程度上，這是“假在線”。

　　電子面單雖然將包裹數(shù)字化了，但包裹狀態(tài)的錄入并不是實時的。快遞公司和消費者并不清楚包裹在傳遞空隙間的實時位置，無法監(jiān)控快遞的真實狀況。

　　此外，隨著物流倉儲規(guī)模的擴(kuò)大，“包裹上線”這一手段成本過高，逐漸失效。物流園區(qū)、分撥場站、倉庫，這些物流行業(yè)的基礎(chǔ)要素，面積都是幾萬平方米起，僅靠包裹數(shù)字化很難進(jìn)一步提高倉儲空間利用率，精細(xì)度不夠。

　　還有運輸車輛?，F(xiàn)有的車聯(lián)網(wǎng)往往僅能獲取車輛的信息，無法掌握車輛的裝載量，車貨無法精準(zhǔn)匹配。譬如車輛在 A 地裝了一批貨，可能還剩三分之二的空間，還能在 B 地繼續(xù)裝貨。

　　而集成了 TensorFlow 機(jī)器學(xué)習(xí)、計算機(jī)視覺、3D 體積測量的菜鳥視頻云監(jiān)控系統(tǒng)，可以幫助物流企業(yè)實現(xiàn)更精準(zhǔn)的人、車、貨匹配。從感知倉庫利用率，到檢測空閑車位，再到監(jiān)控卸車裝車流程，這些原本需要使用人力現(xiàn)場巡檢的工作，如今都可以通過攝像頭完成。

有多少 TensorFlow，就有多少智能

　　分散在全國各地的分撥中心和快遞網(wǎng)點是物流服務(wù)的核心。

　　截止目前，全國的快遞分撥中心已經(jīng)超過了 1000 個，網(wǎng)點總數(shù)更是超過了 18 萬。在一個一個服務(wù)終端所織成的物流大網(wǎng)中，共有 100 多萬個監(jiān)控攝像頭。

　　這些攝像頭雖然數(shù)量多，但僅發(fā)揮了安保作用，只能在問題出現(xiàn)以后通過監(jiān)控錄像回溯現(xiàn)場情況，攝像頭記錄到的影像并沒有得到有效利用。

　　菜鳥利用 TensorFlow 開發(fā)的計算機(jī)視覺模型，把這些攝像頭利用了起來，讓它們成為物流網(wǎng)絡(luò)最敏感的神經(jīng)末梢。菜鳥算法工程師磐山介紹道：“用 TF 訓(xùn)練和部署視覺模型后，視頻云系統(tǒng)可以實現(xiàn)如車位狀態(tài)檢測、包裹堆積度統(tǒng)計、車牌識別等功能?！敝靶枰W(wǎng)點工作人員手動錄入的信息，現(xiàn)在都可以通過攝像頭自動錄入了。

　　除了人類能發(fā)現(xiàn)的表面問題，機(jī)器學(xué)習(xí)模型還能進(jìn)一步得出倉庫和月臺的使用效率，為物流公司精細(xì)化管理提供所需要的數(shù)據(jù)。

　　對于工程師而言，需要解決的另一個問題是，如何把依賴強(qiáng)大算力的計算模型“塞進(jìn)”各個網(wǎng)點參差不齊的攝像頭里。

　　終端資源非常有限，無論是計算能力還是內(nèi)存容量都不能與 PC 相比，為了把大模型裝進(jìn)小攝像頭，必須要對模型進(jìn)行結(jié)構(gòu)裁剪、壓縮和復(fù)雜的參數(shù)調(diào)節(jié)，這個工程的繁瑣和復(fù)雜程度不亞于重新構(gòu)建一個小的自然語言處理模型。而利用 TensorFlow，可以方便地在 TensorFlow 平臺上把模型轉(zhuǎn)化為專為移動設(shè)備設(shè)計的輕量級的 TersorFlow Lite，省去了冗雜的裁剪壓縮過程。

　　磐山表示：“TensorFlow 提供了豐富的函數(shù)接口，推理部署非常方便，對于物聯(lián)網(wǎng)的終端設(shè)備來說，還可以選擇TensorFlow Lite 進(jìn)行端上部署?！?/FONT>