硅基化的原因很簡單，復(fù)雜度超過某個閾值，碳基搞不定，只能硅基化。

我們AI碰撞局上有個開始以來就一直纏繞不散的話題：AI和人的關(guān)系，這次算是我視角下的另一種回應(yīng)。

常杠常新。

而之所以選擇亞馬遜物流作為案例一方面是因為這個情景足夠復(fù)雜，一方面純粹是因為資料好找方便追蹤。

注：希望入群或者加入AI碰撞局的同學(xué)請聯(lián)系：shuixiu2024

物流系統(tǒng)很復(fù)雜

https://aws.amazon.com/cn/blogs/industries/how-to-build-a-dynamic-supply-chain-platform-a-primer/

多品類物流配送是個超級復(fù)雜的過程：要預(yù)測、要倉儲、要運輸、要報關(guān)等等。而隨著電商的普及，它需要的吞吐量越來越大。這時候主要的挑戰(zhàn)是：

一、要準確預(yù)測各個地區(qū)數(shù)百萬產(chǎn)品的需求，以優(yōu)化庫存水平并最小化成本。

二、 需要確保產(chǎn)品在供應(yīng)鏈中盡可能高效地移動，從供應(yīng)商到倉庫再到最終客戶交付。

這樣的一個系統(tǒng)每天要吞吐的包裹量極其巨大，2023年的數(shù)據(jù)是：

每天要處理1,605萬個包裹，高峰期要翻倍。

為了吞吐這個量級的包裹，為了支持如此龐大的包裹處理量，亞馬遜建立了強大的物流基礎(chǔ)設(shè)施，包括：

1.超過 40,000 輛半掛卡車 和 30,000 輛貨運面包車

2.超過 110 架貨運飛機

3.全球范圍內(nèi)的 80 個分揀中心，雇傭了約 95,000 名員工

https://cosresearch.wpengine.com/research/amazon-logistics-statistics/

怎么優(yōu)化？

我們要清楚認識的是：這么一套復(fù)雜系統(tǒng)，它的整體運營控制難度超過人類能處理的上限。

你很難想象在關(guān)鍵流轉(zhuǎn)環(huán)節(jié)上（比如預(yù)測）導(dǎo)入一個人類審批，那會導(dǎo)致系統(tǒng)立刻崩潰掉。這和抖音推薦算法不可能有人介入是一個道理。

這正是題目說的：世界在大幅硅基化。

硅基化系統(tǒng)的核心特征體現(xiàn)為智能優(yōu)先，在商業(yè)意義上可以是智能算法輔助人，但在物流這個邊界內(nèi)人要輔助智能算法。

原因特別簡單，硅基和碳基是那個不關(guān)鍵，誰能搞定誰上。

亞馬遜就這么干的，在各個環(huán)節(jié)大幅度導(dǎo)入各種算法（不單是現(xiàn)在的大模型），然后再把它們串起來。

它的人工智能驅(qū)動方法可以實時分析來自各種來源的大量數(shù)據(jù)，然后做預(yù)測，數(shù)據(jù)包括：

1. Sales data（銷售數(shù)據(jù)）
   

2. Social media trends（社交媒體信息）

3. Economic indicators（經(jīng)濟指標）
   

4. Weather patterns(天氣模式）

這個預(yù)測的目的是為了優(yōu)化成本。

比如：如果預(yù)測即將到來的風(fēng)暴將影響特定地區(qū)，AI系統(tǒng)可以調(diào)整附近倉庫的庫存水平，以確保在需要時提供必需品。這種精確度降低了缺貨和庫存過剩的可能性，這兩者對公司來說都是成本高昂的。

預(yù)測過后，顯然直接要調(diào)庫存了。

https://cdotimes.com/2024/08/23/case-study-amazons-ai-driven-supply-chain-a-blueprint-for-the-future-of-global-logistics/

在庫存管理和路線優(yōu)化上，也是類似，方向上就是上機器人和各種AI算法。比如在路線規(guī)劃上：

1. 用各種算法根據(jù)交通狀況、天氣和其他因素實時調(diào)整送貨路線。這減少了送貨時間和燃油成本，有助于公司實現(xiàn)可持續(xù)發(fā)展目標。

2. AI算法分析物流網(wǎng)絡(luò)中貨物流轉(zhuǎn)情況，并自動調(diào)整貨物分配，以防止瓶頸。這確保了沒有單個倉庫或配送路線被壓垮，從而實現(xiàn)更快、更可靠的交付。

庫存周轉(zhuǎn)率是商學(xué)院管理會計科目中常見"黑話"，表示企業(yè)在特定時間段內(nèi)庫存商品被銷售和更換的次數(shù)，越高越好。

順道說一句：大家討論什么是模型做，什么是智能體做的時候也可以先回到情景的描述。這種預(yù)測模型的維度，以及維度上數(shù)據(jù)質(zhì)量在可見范圍基本得智能體做。它里面既有私有數(shù)據(jù)也有歷史數(shù)據(jù)對應(yīng)的結(jié)果，還需要在無限的維度中進行選擇，不太可能通用大模型就干了。

亞馬遜自己的總結(jié)

在整個改善過程中，亞馬遜的總結(jié)是（這個總結(jié)不是我寫的，出處和上文是一個文章）：

1. 投資數(shù)據(jù)：任何人工智能驅(qū)動系統(tǒng)的基石都是數(shù)據(jù)。亞馬遜能夠?qū)碜远鄠€來源的數(shù)據(jù)整合成一個連貫的系統(tǒng)，是其成功的關(guān)鍵驅(qū)動力。

2. 擁抱自動化：自動化日常任務(wù)不僅可以提高效率，還能讓人類工作者專注于更高價值的工作。

3. 優(yōu)先考慮靈活性：在當今不可預(yù)測的世界中，快速適應(yīng)變化的能力至關(guān)重要。人工智能可以提供所需的敏捷性，以保持競爭力。

4. 可持續(xù)性至關(guān)重要：人工智能可以在減少供應(yīng)鏈運營的環(huán)境影響方面發(fā)揮重要作用，這對消費者和監(jiān)管機構(gòu)來說都越來越重要。

透過這些細節(jié)和總結(jié)，我們能看到的都是當一個系統(tǒng)的復(fù)雜度超過某個閾值的時候，最終就一定是硅基大幅前進，碳基大幅后退，最終碳基成為旁路而非關(guān)鍵環(huán)節(jié)。

面對上面這樣的復(fù)雜情景（大信息量的復(fù)雜系統(tǒng)）還能有啥辦法呢？

人和AI的邊界

亞馬遜的CEO等當然在這套系統(tǒng)外面，但在系統(tǒng)里面的人其角色會和經(jīng)常說的精益生產(chǎn)時候人的角色非常不一樣。

下面是系統(tǒng)內(nèi)一些還需要人類的環(huán)節(jié)：

1. 入庫處理（Inbound）

卸貨：雖然有自動卸貨設(shè)備，但在處理混裝或易碎商品時仍需人工參與。

質(zhì)檢：檢查商品是否損壞、標簽是否正確，這些步驟有賴于人工判斷。

上架：機器人可搬運貨物，但人需要處理復(fù)雜的分類或異常商品。

2. 訂單揀選與包裝（Picking & Packing）

揀選（Pick）：Kiva機器人能將貨架運送到員工面前，但具體從貨架上取哪件商品、檢查商品是否正確，仍是人做的。

包裝（Pack）：包裝過程中需要判斷商品尺寸、打包方式，尤其是組合多件商品的訂單時，仍需人力。

貼標簽：自動貼標系統(tǒng)存在，但人工仍需介入處理異?；蛱厥馇闆r。

3. 出庫與配送（Outbound & Delivery）

分揀中心人工檢查：在轉(zhuǎn)運和分揀過程中，有些包裹仍需人手確認或重新打包。

最后一公里配送：雖然有無人機和自動駕駛車的實驗項目，但目前大多數(shù)配送還是依賴亞馬遜Flex司機或第三方快遞員。

??4. 異常處理與客戶服務(wù)

處理異常訂單或退貨：包括退貨物品的檢查、重新分類、維修或報廢處理等。

客服支持：復(fù)雜問題仍需人工客服介入，尤其是訂單糾紛、延誤、商品破損等情況。

5. 系統(tǒng)監(jiān)控與運維

物流系統(tǒng)雖然自動化，但需要工程師、操作員和數(shù)據(jù)分析人員監(jiān)控系統(tǒng)運轉(zhuǎn)，維護設(shè)備和算法優(yōu)化。

前述的9萬多名員工覆蓋的正是這樣的崗位。但這里殘酷的現(xiàn)實是：

1. 人是輔助系統(tǒng)的。雖然角色更豐富，但都是被比較清楚定義的角色。

2. 隨著AI水平的提升很可能就有一套類似Robotaxi的系統(tǒng)覆蓋所有的物流配送。其它環(huán)節(jié)類似。

我們可以做點前瞻性的思考：如果還需要進一步提高物流的運轉(zhuǎn)效率，可行的方法是什么呢？

通過激勵、優(yōu)化組織結(jié)構(gòu)可能再次產(chǎn)生突飛猛進的優(yōu)化效果么？我想大概率還是會回到繼續(xù)提高硅基的比例這條路上來。

很巧的一個事情是，黃奇帆老先生有個演講專門談到了物流，他說：中國貨物運輸費用占GDP約15%左右，歐美占6~7%。如果物流成本降低5%，那意味著各種企業(yè)可以多出6萬億利潤。

這種對新質(zhì)生產(chǎn)力的呼喚，最終幾乎無疑問會導(dǎo)致上面的后果：硅基的角色在復(fù)雜系統(tǒng)中大幅前進。

參照：

https://sifted.com/resources/how-amazon-is-using-ai-to-become-the-fastest-supply-chain-in-the-world/

小結(jié)

類似的事情會在數(shù)據(jù)中心管理、礦山采掘、農(nóng)業(yè)等等領(lǐng)域大量發(fā)生。AI（不等于大模型）會讓這個過程加速。但我同意侯宏老師的觀點：

機器替代的不是人，是人的工作。

但需要注意的是這個過程可能會比想的快很多，也就是說碳基角色重定義的速度其實要快于硅基崛起的速度才行，否則在量級上兩者是不相當?shù)?，會有問題的。

而在更深層的意義上，這可能在呼喚新型的經(jīng)濟系統(tǒng)。我馬上要出新書里面對這些事做了比較系統(tǒng)的探討。

而這場沖擊波恐怕比正常預(yù)想的要大，想系統(tǒng)學(xué)習(xí)的同學(xué)可以考慮加入北大國發(fā)院企業(yè)家AI啟航班。本人也會在其中負責一部分課程。