當AI時代來臨，物流業需要開始構建自己的AI基礎建設，並提供與眾不同的AI服務來創造自己價值。

        從政府的角度，AI基礎建設包括政策、法規以及硬體，例如公路上各式的感應器、路燈上給無人機用的充電站、都會區網路覆蓋、智慧儲櫃、智慧交通控制系統…等。從物流業自己的角度，A I 基礎建設大致上可分為軟體、主機與IOT三大塊，以及其中IOT一定得佈署在自己的物流中心內部或是物流設備（如籠車、物流車、棧板、物流箱、料架、碼頭升降台、升降滑門）上；而軟體與主機，應該，也必須全面雲端化。

        與40年前物流企業開始自行建置ERP、WMS不同，以往都可以自己做，主因是這些軟體服務與數據只須自己內部使用；然而現今的AI與數據處理需求必須多方整合才具備實質效益，物流車上的溫度監控機制如果永遠只能企業自己看到即時現況，或是自己花人力開發人工智慧模型，效率與效益都會大打折扣。一個好的AI模型，是千錘百鍊打造出來的，其花費難以想像。另以冷鏈物流所需的溫控管理為例，光是車廂溫溼度管理就至少需要以下功能：
        1.即時把數據傳入雲端，搭配AI監控邏輯可自動分析數據趨勢，一有問題可立即通報相關人員。
        2.數據傳輸過程必須加密，僅有認證的設備可上傳數據，數據不可被竄改。
        3 .數據原始資料必須妥善儲存於雲端主機，不會因設備故障而消失。
        4.授權的客戶或是上游供應商可分享同樣的雲端數據，可設定相關的下載、複製、列印等權限管控。
        5.具備圖控或是儀表版方式，可整合呈現不同數據，成為企業內部的戰情中心。

        如果再加上GPS訊號、路線管理、車輛能耗管理、溫室氣體排放統計、物流車輛預防性維護保養，甚至考慮未來的無人車配送排程等功能，已非一般物流企業可自行開發，即使委託軟體公司服務，也會擔心自己企業資料外洩或是外包公司穩定性不足。

        因此，物流業的AI基礎建設，架構於Google、微軟或是Amazon等大型雲端企業下，才能構建出真正符合商業用量，且先進的AI服務。

        AI的實施順序上，最好的做法應該是由外而內，也就是物流業與外界連通的介面，應該優先優化，例如銷售預測、退貨預測、客服回應這類。因為這些做不好，即使物流中心內部有再好的機器人揀貨系統都沒用。

        Fedex利用龐大的到貨記錄歷史資料，透過AI預測包裹預計抵達時間，甚至也開始預測每個包裹運送過程產生的溫室氣體資料。

        IKEA第一個大規模佈署的應用就是拿AI用來做銷售預測，也就是估計全球54個市場，超過450的實體商店，以及電子商務網站在未來一年的不同時間，各需要哪些商品。需求預測對傢俱物流相當重要，因為商品材積大，如果生產出來一堆不需要的傢俱，不僅要降價出售，還得做許多不額外的地理調度(例如把傢俱從A國運送到B國)，浪費成本外也增加許多的溫室氣體排放。

        至於如何用AI做到更好的預測，關鍵在於原始資料以及所使用的模型。舉例來說，單純拿過去十年的銷售預測數據，預測未來一個月的銷售，看起來沒有大問題。但這樣預測有一個前提，就是消費者的習性、政經環境、物價水準、甚至是消費者到店的人流數幾乎都與以前的趨勢一樣，因此實際上這樣簡單的預測是有問題的。以前課本所教的EOQ(Economic OrderQuantit y)庫存模型，在現今社會大概已沒人使用，並非模型的數學理論有問題，而是EOQ模型的假設條件：假設產品需求數量在一段期間是平均分佈，不會有劇烈變動，這個假設條件在現今社會並不適用。

        一個簡單的思考，如果某個實體店來客數越多，或是來店的人都是夫妻帶小孩，理論上可帶動該店更多的銷售！

【如欲閱讀全文，敬請訂閱】