大模型落地货运场景,谁是最后赢家?

王冠雄 2024-04-18 20:28:01

人工智能,在过去十余年的发展中不断创造着惊喜和奇迹。

基于深度学习的人工智能产业经历着从小模型到大模型、从文本生成到多模态,从专用到通用的发展历程,正逐步进入大模型时代。在“大模型+大数据+大算力”加持之下,Open AI公司先后发布的生成式AI模型chatGPT3.5和4.0在多场景、跨学科和多用途的任务处理能力表现惊艳。

现在,大模型常常被比作AI时代的操作系统,可赋能千行百业、推动经济发展。同时,作为智能领先科技,大模型更符合新质生产力的要求,成为科技领域最热门赛道。国外,谷歌微软脸书一众名企纷纷大手笔投资大模型,在国内,BAT、华为小米重金投入大模型的企业不在少数,文心一言、通义千问、讯飞星火一大波大模型如雨后春笋迅速崛起。

3月,黄仁勋在英伟达GTC2024大会上展示最新生成式AI的计算平台和产品。同时,也展示了人工智能和大模型在各行各业的应用,在数据处理、工程模拟、电子设计自动化、计算机辅助药物设计、量子计算和生成式 AI 等领域实现突破。

值得一提的是智能驾驶和配送领域,英伟达宣布全球交通运输的领先企业已采用 NVIDIA DRIVE Thor™集中式车载计算平台,助力自动驾驶和无人配送;借助数字孪生技术,在大型仓库和厂房空间实现更高效规划和设计。显然,用大模型提升货运系统效率提升,也将成为大模型的重要落地场景。

【人工智能大模型的误区】

不过,作为人工智能领域长期的观察者,我也发现大模型发展中存在不少误区。

一个是唯硬件论。在大模型领域有句名言“大力出奇迹”,大力就是超大规模的硬件算力投入,奇迹则是AI能力。大力出奇迹,一直被OpenAI等大企业奉为圭臬。而他们则通过大量购置、提前囤积先进的GPU提升数据训练速度,希望用硬件投入的差距,成为阻挡后来者的护城河。

另一个是片面追求超大模型和通用模型,场景落地能力差。

很多大模型的通用能力很优秀,但在垂直领域、细分场景的数据集明显不足,常出现特定场景的表现不佳的情形。在细分行业,通用语言大模型更像是个半成品。他们能够完美理解文本、图片甚至声音视频,但很难深入理解某个细分领域。这样的大模型可能是语言专家,却常常不是行业和问题解决专家。

比如面对复杂的货运行业,传统大模型开发就面临诸多难点:

一个,货运业务纷繁复杂。货运物品体积、重量往往大小不一,车型五花八门;货运场景环节众多,司机从接单到装货、运货、卸货,用户下单沟通再到收货付款,整个货运链条相当繁杂;需求复杂,不同用户对于货物类型、运输时间、距离、成本需求大相径庭。普通的大模型很难理解如此复杂货运体系,很容易造成判断偏差。

数据是大模型的原料,而货运领域数据的复杂度,很多大模型难以消化。

货运业务涵盖了订单、货物、车辆、驾驶员、路线等多个方面的数据。这些数据不仅数量庞大,种类多样。货运业务中的数据处于动态变化中。货物的状态、位置、运输进度等都在实时变化,这也需要货运大模型能够实时捕捉和处理这些动态数据,并做出准确的预测和决策。

早在这之前京东就发布了“京东物流超脑”,菜鸟供应链也推出了“天机π”,而货拉拉今年3月份首次公开的货运无忧大模型,为大模型在物流场景落地,提供了一个崭新思路。

【货运行业大模型的解决之道 】

单从企业名称上看,货拉拉是个不折不扣的货运企业;但从核心竞争力上,货拉拉早已深耕技术多年。早期的货拉拉利用移动互联网和大数据,减少了货主与车型、司机之间的信息差,大大提升了车货匹配效率和物流效率,改变了传统小、散、乱、差的货运行业。这时可以看成货拉拉的数质化1.0版。

2020年是货拉拉数质升级的关键时间点,这一年货拉拉上线“智慧大脑”的中台系统。在AI、大数据和地图等基础能力之上,通过自研运筹优化算法框架解决核心的资源优化配置问题,多个引擎,实现动态定价、智能分单、运力调度、用户拉新的效率提升,逐步解决物流生产要素中“人、车、货、路”的数智化问题。这是货拉拉数质化2.0版。

货拉拉“智慧大脑”表现不俗。在拉货、搬家场景中,货拉拉的智能分单系统日均可处理上百万订单与国内平台超过90万名月活司机之间的即时分配问题。借助“智慧大脑”,货拉拉将平台订单的司机准点率达到了95%,货运需求配对率达到92%,实现社会物流效率最大化。

而基于智慧大脑的AI、大数据等技术研发的货运无忧大模型,就是货拉拉数质化3.0版。

在货拉拉看来,AI的竞争并非一场比谁能把模型做得更“大”的军备赛,货运作为强垂直行业,更适合走轻量化、场景化的部署路线。与行业盲目求大的玩法不同,货拉拉无忧大模型研发理念是:轻量化、场景化。

货拉拉大模型,主要针对传统模型在处理复杂数据和细节时表现不佳,预测结果存在较大偏差的痛点。货运无忧大模型通过构建更加复杂的模型结构,可针对复杂数据提升预测精度,还具备更强的泛化能力和适应性。通过在大量多样化数据上的训练,可以适应更多种类的任务和数据。

现在,货运无忧大模型已经在多个场景落地,比如AI邀约、 AI客服、审核判责、AI招聘、多模态AI助手。借助AI助手,在用户侧,可帮助用户根据货物智能匹配车型;在司机侧,上线了违禁品识别功能,甚至能实时识别出违禁物品。

据了解,货运无忧大模型针对货运事实性问答准确率达90%以上,在货拉拉业务知识、多种货运知识多维度能力评测中均达到业界领先水平。

货拉拉的大模型还衍生出丰富的能力矩阵,长期来看,能够实现颠覆式降本增效的作用。在客服/邀约场景中,货拉拉已经打造了基于任务型对话的AI机器人,实现全链路自动闭环;在办公场景中,货拉拉打造HR智能问答助手,应用AI智能招聘,成本降低近90%。

【货运无忧大模型能否成为撑起货运领域的AI一极】

在货运物流行业,大模型的应用并不止货拉拉一家,比如京东在物流产业侧的大模型“京东物流超脑”、菜鸟发布的大模型“天机π”,面对这些不差钱、不差硬件的同行们,货运无忧大模型能否成为撑起货运领域的AI一极?我想,答案是肯定的。

首先,货运无忧大模型的先发和区域优势。

时间维度上,货拉拉在数字化、智能化的技术方面积累已久,早在2020年便已搭建“智慧大脑”中台系统。

其次,大模型的目标不同,货拉拉的目的在货运,电商企业在电商。

货拉拉的货运无忧大模型目标在于提升货运效率,助力货运行业实现“三化”,即:数智化、集约化、精细化。数智化,提高物流运作的效率和准确性。集约化,实现资源的优化配置,避免资源的浪费和重复投入。精细化:精细化更注重对货运过程的细节管理和服务质量的提升,实现更高的服务质量和效率。

京东和菜鸟的快递物流业务只是零售业务的一个环节,最终还是为零售业务服务。

比如菜鸟借助大模型,提升仓储系统的数字化,全链条信息化,再到数字孪生技术之于供应链体系的革新,目的在于提升零售业务的效率。而京东物流超脑,早期应用人脸识别,提高账户和支付的安全性的同时提高用户体验。至于生成式大模型,京东更侧重于生成数字人。比如,最近大模型生成的数字人“刘强东”上线,其目的是帮助京东迅速切入电商直播业务。

最后,也是最重要因素是大数据差异化优势。

大模型需要算法、算力和大数据的综合实力。算法是技术积累,需要堆人力;算力靠的是硬件,需要堆显卡GPU;而大数据靠的是长期的业务积累。巧妇难为无米之炊,算法和算力是钱能买到的要素,而数据,尤其是货运行业多年的复杂数据,则形成了难以跨越的护城河。

京东和菜鸟的大数据来自零售业、供应链甚至制造环节,而货拉拉的业务并不局限在零售和生产,还包括服务业,比如搬家、零担等等。京东和阿里的数据关注点在商品,连接的是商品与用户;而货拉拉的核心是货运服务,连接的是司机和商品。货拉拉的业务模型更像滴滴,只是货拉拉的重点在拉货,滴滴的重点在于拉人。

在大模型落地货运的场景中,堆硬件并不能大力出奇迹。相反,对于那些多年专注货运数字化和信息化的企业,在积累了多年的货运数据和大量算法的货拉拉,反而凭借大数据获得差异化优势,成为货运大模型场景三足鼎立中的实力玩家。

【结束语】

如何让大模型场景落地,我的前老板周鸿祎在哈佛论坛演讲中,有的观点相当精辟:

用户要的并不是大模型,而是用大模型解决了什么问题。用户要的不是钻头,是钻头钻出来的洞;先做大模型再去找场景的玩法是不对的,大模型创业,最重要的是找到场景,然后根据场景定义功能,再根据功能来训练专业的模型。

英伟达2024GTC大会上印证了老周的观点。大会展示的大模型应用并不只有通用生成式大模型,在垂直领域,如企业智能助手、自动驾驶、机器人、数字孪生、数字地球2.0、以及大模型在医疗、制药、工业设计等多个领域都有成功的项目,大模型落地垂直的场景更令人期待。

在人工智能领域,中国并不缺实力玩家,几十家的通用大模型方兴未艾就是证明。但我相信,在大模型落地垂直领域时,同样会涌现了一批实力玩家,长期专注货运领域的货拉拉会和菜鸟、京东一样,成为货运大模型领域的实力玩家。

雄观,资深新经济观察家、知名意见领袖,国内首个严肃科技脱口秀“雄辩”主讲人、十大科技自媒体(见各大权威榜单)。曾在阿里巴巴、360、搜狗、蓝港等著名互联网公司负责相关营销工作,参与5次IPO,横跨行业主要领域。每日一篇深度文章+科技热点快评,发布于微信、微博、头条、百度,各大门户及科技博客、媒体社群、短视频等30+全部主流平台,覆盖400万中国最核心商业、科技人群。为FT金融时报、福布斯等世界级媒体撰稿人,观点被媒体广泛转载引用,影响力极大。

0 阅读:3

王冠雄

简介:中国十大自媒体、“入口级产品商学院”创始人。