深度丨先後供職於亞馬遜、FB、菜鳥網路，資深AI演算法專家談智能物流和最後一公里

在數學家眼裡，整個世界都是數字的。

剁手之後苦苦等待包裹的煎熬已經逐漸遠去，作為「看不見的手」，演算法功不可沒。而演算法的背後是一個又一個睿智嚴謹的演算法專家。他們從複雜的現實問題中抽象出數學問題，然後用幾行公式化解於無形。

朱禮君：於美國馬里蘭大學獲得物理學博士學位。先後在Goldman Sachs、Amazon和Facebook從事數學建模和演算法方面的研究工作。2014年回國後加入阿里巴巴，先後帶領了天貓個性化推薦演算法團隊和菜鳥網路倉配供應鏈演算法團隊。

朱禮君博士是菜鳥網路的高級演算法專家，負責倉配供應鏈演算法團隊。他親歷了中國物流行業過去幾年的高速發展，也貢獻了自己的一份力量。作為局內人，他對物流行業智能化進程中的機遇和挑戰有著清晰的認識。

近日，雷鋒網對朱禮君博士進行了一次專訪，聽他聊了聊物流行業的當前的未來。

朱禮君博士介紹，物流行業環節眾多，幾乎每個環節都需要用到演算法優化。而演算法工程師需要做的，就是從各個環節中抽象出共性問題，建立演算法引擎。菜鳥網路目前主要在做兩件事情：一是優化倉儲和配送環節，給倉儲機器人和送貨車輛規劃路徑；二是賦能快遞公司，幫助其優化已有的業務流程。

倉儲機器人的路徑規劃和配送車輛的路徑優化就是一個共性問題，雖然演算法實現起來略有差異，但基本框架是一致的。演算法工程師會建立一套統一的演算法引擎解決這些問題，以後出現框架類似但細節不同的問題時，也可以用這套演算法引擎解決，避免重複開發。

朱禮君博士向雷鋒網介紹，在倉儲領域，隨著倉庫的面積增大，需要的機器人個數就越多，演算法的難度將呈指數級增長。而在倉庫之外的配送環節，雖然城市幅員遼闊，但每輛貨車的輸送量十分可觀，車輛數目並不會特別多，所以演算法也沒有很多人想像中的那麼難。

朱禮君表示，目前菜鳥網路的演算法引擎已經能夠解決很多類型的問題了，速度很快，效果也不錯。雖然由於每個公司的具體業務不同，無法與行業內的領軍企業直接比較。但相對於國外一些比較優秀的開源社區提供的演算法引擎，菜鳥網路已經實現了趕超。

自動化解決方案應用於倉儲領域由來已久，但傳統方案比較固定，而倉儲物流的壓力是線性波動的。一旦遇上「雙11」和「6.18」等大促活動，傳統自動化方案便無能為力了。由AGV組成的智能化解決方案的好處在於，它是比較柔性的，任務繁重時可以通過增加機器人解決部分問題。不過AGV方案也存在技術瓶頸，因此目前階段還少不了對人力的依賴。

此外，物流運輸是一條完整的鏈條，只解決其中一環還遠遠不夠。倉庫出貨的問題解決了，配送資源的瓶頸仍然存在——運輸包裹的車只有這麼多，所以合理調配車輛是非常重要的。同理，解決了車輛調配問題，最後一公里的瓶頸還在，用戶體驗也無法獲得質的提升。

假如把物流網路比作一根水管，那麼這根水管的出水量是由半徑最小的橫截面決定的。只有打通了管道的所有環節，物流網路的能力才能獲得真正的提升。

物流運輸鏈的兩端——物流公司和消費者永遠處在相愛相殺的狀態。物流公司需要儘可能壓縮成本，同時用優質的服務留住消費者；而消費者則希望享受最快捷的物流服務，同時又無需支付高昂的快遞費用。在「快」和「省」之間，物流公司該如何尋找最佳平衡點呢？

對此，朱禮君表示，物流速度和用戶體驗之間並非簡單的正比關係。當物流速度達到一定程度後，進一步提升帶來的用戶體驗改善是非常有限的。因此，物流公司需要基於大量數據分析，到底多快的物流速度才是合理的？當已經實現當日達後，十小時達和八小時達帶來的用戶體驗差別究竟有多大？

除了速度，確定性也很重要。確定性是指，包裹在指定時間內送達的概率。確定性給用戶體驗帶來的影響有時候甚至超過速度。比如，你告訴用戶包裹將於今日送達，結果卻沒有送到，這種用戶體驗是非常糟糕的。

另外，不同商品品類對派送速度的要求也是不盡相同的，比如食品對物流速度的要求要高於服裝。但究竟高多少，不能憑主觀臆測來決定，而是要通過深入分析大量數據來得出結論。比如分析某件商品在2日達和3日達的情況下，用戶評價和復購率分別是怎樣的。

通過分析得出這些關鍵指標後，演算法工程師會將其作為約束條件，建立相應的模型，用模型進行成本優化，得出最優的結果。

在領導菜鳥網路倉配供應鏈演算法團隊之前，朱禮君博士還帶領過天貓個性化推薦演算法團隊。他表示，相比於個性化推薦演算法，倉儲物流領域的演算法要複雜得多。

首先，兩者有相似之處，都是運用數據模型來解決現實生活中的問題。比如個性化推薦，演算法工程師可以從系統中獲知用戶的點擊量和購買情況；但如何判斷用戶喜不喜歡系統推薦的商品呢，演算法工程師需要建立專門的數學模型來判斷。同樣的，在物流倉儲領域，演算法工程師需要找到約束條件，建立相應的數學模型來縮短時間和減少成本。二者都是從商業問題中抽象出數學問題。

不過，推薦和搜索是演算法在互聯網中較為傳統的應用方向，不涉及真實物體的移動和操作，因此能夠獲得迅速、直觀的反饋。演算法工程師設計好演算法後，只需要將它放到網路中觀察用戶反饋，就能知道演算法究竟是對是錯。

物流領域則複雜得多，因為它涉及真實物體的移動和操作，真實世界的環境也比網路世界複雜得多。比如說路徑規劃，演算法設計好之後需要大量運輸車輛運行一段時間才能得到反饋。有了反饋還不夠，還需要從中分析具體的原因，運輸速度變慢究竟是下雨或修路導致的，還是演算法出錯了呢？這個過程是很困難的。

此外，在物流領域為了搜集數據和驗證演算法，有時候還需要造一些硬體。物流網路的優化是一個大的系統級工程。工程師不僅需要考慮演算法的優化，還需要思考硬體該怎麼設計；硬體設計出來後，需要搜集大量數據；用數據去驗證並進一步優化演算法。這是一個月循環往複的過程，周期十分漫長。

演算法優化已經給物流行業帶來了顯著提升。從簽收時間來看，2013年「雙11」包裹簽收過1億用了9天，2014年用了6天，到2015年提速到了4天，2016年則進一步提速到只用3.5天。

而很多物流公司正在大力研發和布局的送貨無人機、末端配送機器人卻收效甚微。無人機送貨目前還處於試驗性階段，未來面臨著續航短、負重小、監管嚴等諸多難題。末端配送機器人雖然已經在部分封閉園區內投入使用，但還只是輔助性設備，無法大面積取代人力。

朱禮君對雷鋒網表示，每個行業都要做一些前瞻性研究，企業做前瞻性研究的出發點是行業趨勢而非短期內的應用。他指出，物流行業自動化的趨勢不可阻擋，提前研究和布局對推動整個行業是十分重要的。

阿里ET實驗室目前也在做物流前沿技術的研究，末端配送機器人和機械臂等都有涉及。去年9月1日，菜鳥網路通過一則視頻發布了能將包裹全自動配送到用戶家門口的智能配送機器人「小G」。目前「小G」已經走出阿里園區，進入法院運行，後續還將逐步推廣到更多的場景下運行。但阿里和菜鳥做這些研究的第一出發點並非在一兩年內將其商業化。

不過朱禮君博士對無人機和末端配送機器人未來大規模商用還是非常樂觀的。他指出，無人機——尤其是末端配送機器人對行進速度的要求並不高，而低速無人駕駛要比高速無人駕駛簡單得多。另外，由於末端配送機器人不佔用機動車道，政策監管的掣肘並不多。他預計，末端配送機器人大規模商用要比無人駕駛汽車早3-4年。

無論在前面提到的倉儲還是運輸環節中，運籌學演算法都起著舉足輕重的作用。但長期以來，運籌學演算法領域的前沿位置始終被國外團隊所牢牢佔據。朱禮君認為，這是由國內的學術研究與產業應用相脫節導致的。

他指出，國內學術圈一直在進行運籌學演算法方面的研究，國內部分頂尖院校培養出來的人才也都十分優秀。但過去國內產業界對運籌算演算法的應用並不廣泛，很多專業人才找不到對口的工作，只好轉行做其他事情去了。

國外的環境則好得多，比如美國很多大企業，像亞馬遜、谷歌或者一些物流企業，內部都有一大批運籌學背景的團隊來解決公司生產可能面臨的問題，比如亞馬遜中有50~200個的運籌學博士做定價、庫存、物流等方面的決策支持。

朱禮君表示，目前國內確實存在相關人才短缺的問題，不過這一局面並不會持續很久。一方面，很多大型企業正積極從海外招募人才；另一方面，隨著運籌學演算法在國內產業界的應用日趨廣泛，學術圈和產業界逐步銜接，國內將快速湧現出大量的相關人才。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！