以物流領域為例，大家想到的是快遞小哥，但透過表象，物流是一條復雜的供應鏈條，與之相伴的是復雜的網絡拓撲結構，這需要很多復雜的算法模型來解決。人工智能可以幫助運籌優化，提升復雜決策，強化學習的方法幫助決策更加高效。這些工作和人的工作是互補的，不會取代人類工作。

　　另外物流天然需要大量的人力，人工智能把人從簡單重復的工作中解放出來，讓我們去做更復雜更有價值的工作。幫助客戶得到更好的體驗。

　　劉志欣用三個例子解釋了順豐是如何使用人工智能輔助工作的。

　　第一個例子是AI助理打造的數字化小哥，每天2億次的分揀，6億次的操作，非常重資產的方法，寶貴的資源獲取的方式，是其他企業很難挖掘的數據。第六代的手持終端能夠完成采集數據的工作。之后又研發了智能手環，解放小哥的雙手。對于較重的貨物，順豐研發了機械臂。此外，AI還可以幫助優化路線。

　　第二個例子是智造有溫度的客服。客服絕大多數是在進行簡單單調重復的工作，自動輔助客服人員操作，讓客服人員進行更加有溫度的服務。第三個例子是AI在客戶管理和小哥管理上的輔助。

　　以下為劉志欣演講全文，略經編輯。

　　劉志欣：

　　物流領域人工的崗位和人工智能之間的關系是什么。說到物流快遞行業，大家可能第一個想像到的畫面就是大街小巷很多奔流不息的小哥，以及路上行使的貨車，包括機場的貨機等等。通過這些表象，我們實際上看到下面是一個非常復雜的長鏈條的業務環節，包括小哥上門收件，到了分揀再到目的地，再進行一次分揀，進一步的細化之后，做一些支線運輸，還有最后的小哥快件等等。這個業務鏈條非常長，和它相伴的就是一個非常復雜的網絡拓撲結構。怎么讓海量的包裹在這個非常負責的拓撲網絡結構中間高效、快捷，并且低成本的能夠完成它的旅程，流向最終的目的地，這就是我們有很多統計、運籌等算法以及數學模型需要去解決的一個問題。

　　今天人工智能的飛速發展，也能夠幫助我們提升原有模型的能力和效率。舉個例子，我們在做預測的時候，傳統的方法就是我們用時間序列來做。現在機器學習的發展，可以讓我們結合內部、外部多種維度的數據，來多維度的構建機器學習的模型，訓練他提升我們預測的準確性。

　　另外一個例子，我們在做線路規劃的時候，傳統會采用很多預測優化的方法。但是當我們的量非常大，并且情況很復雜，我們需要做一些復雜決策的時候。這個時候，我們就會采用強化學習的方法來幫助我們的決策更加高效，更加智能。我們可以看到，人工智能技術的發展，實際上是幫助了我們原有的算法更加高效，而這個算法本身和人工的崗位是共生互補的，它是一個工具，不會取代人的工作。

　　從另外一個層面來看，物流領域是一個高需求、大流量的方向，我們這里面天然就需要有大量的工作崗位出現。回到人工智能的本質，人工智能就是通過數據去做四件事情：一是感知;二是認知;三是建模;四是規劃。我們做的是這幾個層面的事情，更多的是輔助人類更加高效的去完成他的工作。所以我們研究AI，研究大數據，根本的目的是為了讓我們的員工的工作更加高效，把他們從很多簡單重復的工作當中解放出來，去完成更多更有價值的、更有挑戰、更有難度的一些工作，為我們的客戶帶來更好的體驗。

　　基于剛才講的兩點，我們可以看到，現在中國物流行業已經走到了一個非常有挑戰，但是同時也是非常振奮的一個時期。作為物流快遞行業的一個領軍企業，我們順豐對如何引領中國物流未來的發展模式是有責無旁貸的義務的。

　　下面我們可以根據幾個具體的例子跟大家分享一下我們人工智能算法是怎么樣幫助我們工作人員更加高效的完成他們的工作，讓我們的客戶有更好的體驗，而不是威脅現有的人工工作的崗位。

　　第一個例子，AI助力打造數字化小哥。

　　每天我們有上千萬的包裹，大概有4千多萬公斤的重量，經過我們幾十位一線的小哥，經過兩億次的分揀，6億次的搬運操作，這些包裹能夠送到全國的各個地方。怎么看待這個問題?可能很多人會認為這是一個非常重資產的行業。我們的看法是不僅僅局限于此，不止是一個重資產，更多的是一個非常寶貴的數據獲取的資源，因為我們幾十萬的小哥散布在全部每個小區，每個寫字樓，就像毛細血管一樣，收集大量的貼近物理世界的數據。他的各種判斷和決策，這些數據是非常寶貴的，并且也是其他企業很難獲得的一些數據。所以說，我們要充分的挖掘這些小哥給我們帶來的數據的價值，因為數據本身就是人工智能方向一個重要的引擎。

　　在去年的時候，本來有一個第五代的手持終端給小哥工作，它最大的功能就是掃描和操作。但是我們發現，它并不能夠幫助我們去完成采集小哥日常行為數據的一種功能。于是我們很快的投入資源，研發了第六代的手持終端，更多的是完成采集數據等方面的工作。我們還面臨著一個問題，就是我們的小哥平常日常工作的時候需要雙手來勞動，他如果這個手拿一個手持終端進行一些工作會非常不方便，所以我們研發了智能手環，能夠幫助他更高效、更方便的進行工作。除了末端的生態之外，我們還有很多裝修、分揀、裝車、卸車的工作。一個是工作強度非常大，再一個如果是很重的物品，其實是有著很高的風險的。所以我們也投入了資源開發了機械臂，來幫助小哥更輕松的完成他的這些工作。

　　回到線路規劃，線路規劃是物流領域非常核心的問題。我們結合了傳統的方法做了這方面的一些工作，根據實時的件量來優化我們的路線以及很多復雜條件下的決策，讓我們的物流更加高效，成本更加可控。這個主要是針對AI助力快遞小哥方面的例子。

　　第二個例子，“智”造溫度的客服。

　　怎么看待智能客服這個問題?我們希望給客戶提供的是一種更加針對個人的，更加定制化，更加有溫度的一些服務。但是實際上我們發現，我們的客服人員每天絕大部分的工作都是在重復一些簡單、單調的工作。我們基于這個問題，采用了一些NLP的技術，一些自然語言處理的技術去分析客戶對話當中的意圖，把他的關鍵信息抽取出來之后，會幫助我們的系統，自動的輔助我們的客服人員或者自動的完成一些操作，讓客服人員真正把他們的時間、能力和資源投入到對客戶更加定制化、更加有溫度的場景中來，真正完成一個人和人之間的交流。

　　第三個例子，智能決策輔助人工決策，助力公司向自動化、信息化、智能化高效精準管理發展。

　　脫離了具體的一線業務之后，同樣順豐也會面臨很多管理上的挑戰。傳統上管理都是基于人的知覺、經驗或者是一些預判的規則。這個時候會受限于個人的能力，也會受限于我們很多時候做的是一些局部的判斷，并不是一個全局的判斷。所以說，我們也是從非常多維度的內部、外部的數據結合在一起，建立一些機器學習的模型，幫助我們做到一些智慧的決策。

　　這里面有幾個具體的例子：

　　一是中轉場的管理和規劃。

　　中轉場是非常重要的環節，大量的貨物在這里進出做分揀。這個時候，我們就采用了計算機視覺的技術，輔助我們去搭建一些模型，仿真整個操作環節，幫助我們整個中轉場里面各個環節的操作更加高效，讓我們的資源更加彈性、可控、更加靈活。

　　二是關于小哥的管理方面。

　　這是分配任務的方面，我們通過實際的數據會發現，不同的收派任務其實是有很大的區別的，比如說區域等等，甚至于包括用戶什么時候在家等等，這個時候，我們就會根據數據尋找出各個任務一些不同的規律，同時也挖掘小哥他自己擅長做一些什么方面的工作，將這個任務和小哥的能力進行一些匹配。同時我們也可以達到互補，讓資源更加彈性的目的。

　　三是關于客戶方面的管理。

　　傳統上我們會有專門的相關團隊對于我們所有的中小客戶、大客戶進行一些管理。比如這個時候他們會定期的每個月去分析這些客戶他們是否會有一些異動，是否會有一些流失的風險。但是這個有一個很嚴重的滯后，我不可能做到每天對大量的客戶都進行這些分析。所以我們也是從大量的數據當中去挖掘客戶一些異動的規律，會做一些機器學習，我們傳統上是人為的定義很多規則，而且這個規則覆蓋不全。現在的話我們可以做到實時，甚至我們根據客戶的件量和訂單等數據，可以預判他是否有流失的風險，能夠讓我們的銷售人員第一時間介入，和客戶進行溝通，幫助他們減少損失。

　　從這幾個方面的例子我們可以看到，人工智能本身可以幫助我們一線的小哥工作人員，可以幫助我們二線的客服人員，還可以幫助我們三線的一些管理人員。總的來說，更多完成的是我怎么通過數據和算法來幫助我們更加高效，更加有效，更加輕松的完成他的一些工作，而不是取代人這一方面的工作。