顺丰揭秘：大模型技术如何重塑物流供应链

# 大模型技术在物流供应链中的实践与思考 物流供应链这事儿，规模大、环节多、数据杂、场景变，说它复杂，一点不夸张。大模型技术作为AI领域的重要突破，在物流供应链领域展现出了不小的潜力，正在推动这个行业的数字化、智慧化转型。InfoQ最近采访了顺丰科技人工智能总工程师高磊，聊了聊大模型在物流和供应链场景中的应用，以及顺丰相关技术体系和产品体系的建设思路与经验。 ## 顺丰物流决策大模型技术体系的建设思路 当前AIGC技术主要集中在文本、图片、语音、视频等模态，所以在这些信息比较集中的领域更容易落地——比如售前的营销素材生成、售后的智能客服，还有办公场景中的FAQ和摘要等。但问题是，供应链运营和决策优化这个方向上，大模型到底怎么用？怎么解决实际运营中的问题？怎么提升决策质量和效率？说实话，目前行业内还没有特别成熟的落地案例。 高磊结合顺丰的业务实践和对大模型的理解，慢慢摸索出了三个方向： - 结合顺丰沉淀的业务know-how和已有技术能力，构建行业智能体，应用于供应链智能控制塔产品 - 突破文本、图片等模态限制，构建物流决策大模型，让技术直接作用于核心决策问题，应用于供应链执行优化产品 - 基于多模态大模型能力，构建多层级多通道需求预测模型，解决消费供应链中需求预测的难点，应用于供应链计划产品 ## 多层级多通道需求预测模型的实战应用 说到需求预测，它在供应链计划中可是个基础活儿——因为它是需求计划、供应计划、生产计划等众多计划的源头。预测得准不准，直接影响整个供应链的效率。 但需求预测这事儿难度不小，尤其是消费供应链，影响因素太多了：新品上市、老品下架、蚕食效应、促销活动、节假日、季节变化、天气……其中蚕食效应和新品新店的预测，一直是行业里的老大难问题，传统算法模型很难搞定。 举个例子，某个门店一直卖10种蛋糕，平时总销量大约100。突然有一天上架了一款新蛋糕，还做了促销。那就出现两个问题：第一，新蛋糕的销量怎么预测？第二，老蛋糕的销量会受到多大影响？传统的模型从单一商品视角出发，在这两个问题上表现差强人意——新蛋糕没有历史数据，预测偏差很大；老蛋糕又很难捕捉到商品之间的关联，导致预测系统性偏高。 为了解决这些问题，顺丰设计了基于多模态大模型构建的多层级多通道需求预测模型。具体来说，通过预训练好的多模态模型，把商品的文字信息（商品名、描述、配料表、价格等）和图片信息提取成表征内在属性的Embedding向量。选择合适的模型后，这些Embedding能够很好地表达商品之间的内在相关性。 有了多模态特征之后，还得让模型学会商品之间的关联性。所以设计了一种多层级多通道的预测模型。这里说的层级，在消费供应链中挺常见的：时间层级（日到月到年）、空间层级（门店到RDC到CDC）、品类层级（具体SKU到二级品类到一级品类）。每个层级上都要输出结果，而且结果还得能对上——比如某个门店所有商品的预测总和，应该等于每个商品预测之和。这个模型正是在这种结构下，既学会了同一层级内商品之间的关联性，又掌握了层级之间的关联性。 ### 实际效果如何？ 在某个客户的真实场景测试中，整体预测准确性提升了5个百分点——这放在传统方式下，努力了很久也达不到。同时，由于多层级多通道统一建模大幅减少了模型数量，加上GPU的使用，计算性能提升了120倍，机器资源需求也下降了5倍。特别是在新品这类场景下，得益于多模态信息和学习机制，模型能够有效捕捉新品和老品之间的相关性和蚕食效应，上新期间的预测准确度明显提升。 ## 供应链智能体的能力与应用 供应链运营是个专业度高、要求严谨的领域，数据和决策建议出错可能带来不小损失。大模型本身有些固有缺陷——不擅长精确数值计算、容易产生幻觉、专业度不够高，这些都在限制它在供应链场景中的应用。举个例子，之前有篇文章挺火的，问大模型9.11和9.8哪个更大，绝大多数大模型都回答9.11。要是把历史销量和库存数据丢给它做优化，结果可想而知。 怎么解决？思路是结合大模型和专业小模型，再加上顺丰多年积累的供应链实践，构建行业智能体。具体操作上，通过RAG技术结合业务知识库，让大模型掌握更深入的供应链知识；同时把丰智云体系中沉淀的算法能力——预测、仿真、运筹优化、归因分析等——抽象成工具供大模型调用。这样就能构建出两类智能体：具备行业知识的业务专家智能体，以及具备专业算法能力的算法专家智能体。它们协作起来服务具体场景，比如销售分析、库存优化等，有效缓解了大模型在供应链场景中的固有缺陷。 ### 如何集成到控制塔产品中？ 供应链控制塔里，诊断与分析能力是很重要的。传统方式需要建大量报表来呈现业务指标和问题，但这相对静态，出现新的问题和场景时，还是得手动获取数据、分析数据或者开发新报表，不够敏捷。 从分析类型来看，大致有三种：描述性分析（概括数据基本特征和趋势）、诊断性分析（挖掘数据背后原因）、预测性分析（预测未来趋势）。传统控制塔主要在描述性分析层面，诊断性和预测性支持较少。 通过把供应链智能体融入丰智云塔产品，多个智能体协作起来，针对履约、库存、销售等领域的问题，提供从指标查询分析到异常识别归因再到优化建议的完整服务。这些服务背后，用的是成熟专业的预测、仿真、运筹优化等模型工具，确保结果准确可靠。 ## 物流决策大模型的逻辑与落地 语言大模型是采用类似Transformer的架构，用自回归方式生成文字序列。但很多人可能没意识到，物流中的很多问题本质上也是序列生成或序列决策问题。比如去三家门店送货的路径规划，就是决定先去哪、再去哪、最后去哪的序列生成问题。再比如装箱问题——10个物品要装到箱子里，也类似先装哪个、以什么姿态装进去、再装哪个的问题。 所以，物流中的很多问题和语言生成一样，都是序列生成问题，可以采用相同的技术架构。区别主要在于模态和目标：语言模型生成文字，物流决策模型生成决策本身。而且语言模型的目标是文字合理有效，物流决策模型除了要合理，还有优化目标——比如生成的线路成本越低越好。 从技术角度看，语言大模型基于Transformer和RLHF两大技术。Transformer的成功在算法场景中已经得到充分验证，RLHF则解决了人类价值观和偏好的对齐问题。在物流决策大模型中，顺丰也是基于这两大技术构建的。以路径规划为例，通过Transformer架构结合顺丰海量的场景和规划数据，构建了路径规划基座模型，再用RLHF技术解决与业务偏好和具体场景对齐的问题。 ### 优势和落地效果 物流决策大模型带来两个显著优势。第一个是计算性能。传统运筹模型基于搜索机制，在巨大解空间中搜索较优解，问题规模变大时，搜索时间会指数级增长。而物流决策模型基于序列生成方式，训练好后能快速生成高质量结果，加上GPU高速并行计算的加持，速度明显提升。以某客户的装箱优化场景为例，现在平均20ms就能完成一个原本需要10分钟计算的订单，解的质量甚至还略优于传统方法。 第二个优势来自RLHF微调技术。通过它，模型能够学习到业务在特定场景下的偏好和特殊需求。这意味着面对业务变化和新场景时，可以从定制开发转向数据驱动方式。传统模式下，业务变化时需要算法工程师反复沟通、理解、设计算法、做POC、验证，往往来回很多次——业务也说不清所有影响因素和规则。而用RLHF微调，用户可以对结果进行调整，产品会记录调整过程，积累业务偏好数据，不断优化模型，让输出越来越符合实际需要。当然，不是所有调整都合理，所以产品里设计了偏好与优化效果的权衡机制，用户可以调整是更偏向“像人”还是更偏向优化效果。 ## 大模型在供应链管理中的展望 以上三个方向是顺丰目前在物流决策大模型技术应用于供应链管理中的初步探索。高磊表示，这些远远没有完全发挥出大模型技术的潜力，还有大量潜在应用场景有待挖掘。希望能够和业界的生态合作伙伴与友商一起，持续深耕这个领域，为提升供应链的数智化水平、推动行业共同进步贡献力量。 **嘉宾介绍：高磊，顺丰科技人工智能总工程师。** 拥有10年+机器学习与运筹优化算法经验，研究方向包括NLP、运筹优化、强化学习等。2016年加入顺丰，现任人工智能总工程师，主导了顺丰集团多个数智化项目研发与落地，涉及业务量预测、陆运干支线规划与调度、航空规划与调度、运力规划、场站选址、物资调拨等领域。目前主要负责集团智慧供应链体系建设，带领团队获得十余项发明专利、中物联物流技术创新奖、CCF BDCI一等奖及最具商业价值奖、运筹帷幄年度行业实践奖与学术应用奖等荣誉。