眾所周知，冷鏈是供應鏈系統中最為耗能的環節，不論是冷鏈倉儲或是冷鏈配送，都有極大的改善空間。根據世界農糧組織(Food andAgriculture Organization, FAO)的統計，全球每年約有16億噸的食物被浪費，這些浪費相當於7,500億美金，而且這些浪費尚不包括海鮮食物。食物浪費所造成的影響不僅是龐大的金額損失，這些食物最終不管是掩埋或是燒毀，都會再大量排放溫室氣體，使得溫室效應又更加劇。

     冷鏈物流是解決這類問題最好的解決方案，特別是透過科技做到全程監控、即時應變，這也是世界農糧組織在農業3.0(ag 3.0)所提出的重點。現在已有許多企業發展出提升物流能見度(visibility)的軟硬體，例如使用GPS追蹤車輛行駛路徑與停等時間、使用手機APP查詢生產履歷、配送過程溫度發生異常時自動簡訊通知管理者，或是利用物聯網與雲端技術，使得監控訊息的傳播可以更即時，比起十年前，確實已有大幅進步。然而，如果沒有好好利用這些數據並找到改善機會，效益將難以充分發揮。

     舉例來說，「配送過程溫度發生異常時自動簡訊通知管理者」，這種技術目前許多軟體公司都知道怎麼做，許多先進的物流中心或是車隊管理系統也多有此機制，管理者看到這些錯誤訊息，是否知道究竟哪裡發生問題，問題核心根源是什麼，如何改善才能徹底解決這樣的問題，則是未來智慧冷鏈需要努力的方向。理由很簡單，人類可以快速理解異常狀況，但是人類無法處理大數據，或是在多維度的數據中找到關鍵因素。

     在本文系列報導第一篇我們曾提過，人工智慧發展有三大關鍵，分別是演算法、硬體加速器與訓練資料。演算法可以參考目前世界上已發表的論文加以修改；硬體加速器也已相當成熟，成本持續下降，一般零售市場都可買到，唯一有錢難買的就是「訓練資料」。訓練資料就相當於AI模型的素材，有好的訓練資料，才能確保AI模型在後續的規劃、預測時有良好表現，而這些素材，來自企業每日的營運數據。簡單的說，唯一可讓AI模型表現越來越聰明的，就是企業本身。

     物流企業的營運數據大大致上可區分為二種，一種是比較高層次，屬於戰術性資料，例如每天要處理幾張訂單、每張訂單訂購了幾種品項、訂購了多少數量，這類資料，大概每個物流企業都會有。

另一種屬於戰略性資料，簡單的說就是為了滿足一張訂單，在當時的環境下（例如當時的氣候、溫溼度），我們總共耗費了多少資源，這類資料需要特殊裝置記錄（例如物聯網裝置），是真正的大數據來源。隨著物聯網裝置、霧計算(fog computing)越來越普及，我們可預期在未來三年，這類的記錄數據會越來越多，但是，我們是否準備好這些資料的處理方式？以下我們將分冷鏈倉儲、冷鏈配送這二個環節探討。