|
DeepSeek爆火以來，迅速成為物流行業熱議的話題。憑借其強大的AI能力，DeepSeek被認為有望為物流行業的復雜問題提供高效解決方案。許多業內人士紛紛嘗試利用這一工具解決實際問題，以驗證其在物流行業中的實用性。 一、DeepSeek在倉儲布局規劃中的應用嘗試公眾號“環球物流咨詢規劃”率先對DeepSeek在倉儲布局規劃中的應用進行探索，發布了以《用deepseek進行倉儲布局規劃》為主題的文章。該文嘗試利用DeepSeek在MATLAB環境中運行代碼，生成倉庫布局模型，旨在深入了解DeepSeek的思考方式，并搭建一個高效的倉儲布局模型框架，以提高物流規劃的效率。具體步驟如下： 首先，讓deepseek構建一個基本的倉庫功能區色塊； 再，引導deepseek優化倉庫功能區的大小； 然后，引導deepseek在各個功能區中建立貨架或緩沖貨位； 最后，用豆包進行代碼交叉解讀，并計算倉庫指標。 與deepseek的對話過程，請滑動查看下圖：
通過這一實踐，作者總結了DeepSeek在物流規劃中的優勢和需要注意的問題。優勢：1. 物流規劃的知識儲備完整；2. 可以幫助規劃者快速的搭建一個倉儲場景框架；3. 可以給有規劃者帶來很多規劃思路；4. 技術上，代碼結構清晰，可讀性強；5. 規劃以坐標數據為基礎完成，與其它規劃工具的交互性強。需要注意的問題：1.使用者需要儲備規劃知識框架，以便更好的組織問題；2.使用者需要能理解deepseek的思考方式，以便對其回答的結果進行再提問引導。文章作者指出，如果能夠熟練掌握AI工具進行物流規劃，將極大地提高規劃效率。二、DeepSeek在倉庫規劃中的局限性 《用deepseek進行倉儲布局規劃》發出后引發行業熱議，公眾號“聞道-供應鏈思維”在《Deepseek在倉庫規劃中的局限性：基于案例研究》一文中指出該內容主要聚焦于Matlab編程，與倉庫規劃本質相去甚遠，認為倉庫規劃需要綜合考慮戰略、戰術與運營層面的決策，形成多層次框架，具體包括總體結構設計、面積與布局優化、設備選擇與自動化配置、運營策略設計（包括存儲策略、揀選策略及補貨策略），促使大家深入探討Deepseek在倉庫規劃中的局限性，并指出當前AI在專業領域應用中存在一個普遍問題：過分關注技術工具本身，而忽視了專業領域的本質需求。
同時，該文通過一個具體的零售企業配上中心的規劃案例，讓Deepseek模型對同一任務進行三次規劃嘗試，分析其表現。
三次規劃的總面積分別為12000㎡、15000㎡和7250㎡，差異超過100%。每次規劃都配有看似合理的推導過程，但結論截然不同，反映出Deepseek在處理多變量決策時的不穩定性。最典型錯誤：將“70%的SKU為拆零”誤解為“70%的庫存量需要拆零存儲”，導致存儲空間被高估、揀選設備配置不合理、人力資源規劃偏離實際需求等一系列問題。其他問題包括設備選擇不符合零售行業特點、過道寬度設計不合理等，還有一些一本正經胡說八道的內容。每次規劃雖都展現出都展現出完整的思維鏈的關注點和深度不同，缺乏專業性穩定的思考邏輯框架。為進一步測試Deepseek在倉庫規劃中的創新能力，作者在基礎案例中增加了一個極具挑戰性的條件："每年兩次大促，訂貨量會增加3倍"。面對這個挑戰，Deepseek一開始忽略了這個新增的條件，再次追問給出一個完整的方案：增設臨時存儲區、配置可拆卸式貨架系統、建立分揀能力三重保障等。仔細分析這些建議，可以發現Deepseek的解決方案停留在簡單資源疊加層面，缺乏深度行業經驗和創新思維。與deepseek的對話過程，請滑動查看下圖：
思維鏈的白盒化：每個規劃方案都附帶詳細推導過程，有助于專業人員理解和優化方案。
系統性思維：盡管解決方案不完美，但展示了多維度思考能力，對物流專家也有參考價值。
持續學習和適應潛力：如果輸入更多行業細分場景的實際案例，Deepseek有望做出更專業、更有針對性的方案。最后，作者認為AI與人類專家的協作模式可能是未來物流規劃的最佳實踐，建議重新定位AI規劃的角色，將其定位為增強人類專業能力的得力助手。AI能夠快速處理數據、提供系統化思維框架，而人類專家可以基于經驗優化方案。三、Deepseek+物流專家知識：從混沌到秩序、從質疑到突破作者邀請了零售物流規劃專家董劉先生，基于前文中的案例（零售企業的配送中心規劃）提供了一套詳細的專家方法論，包括基礎數據計算、各功能區域面積的計算方法等。
那么，AI與專家知識結合后的表現如何？從混沌到秩序：引入專家方法論后，Deepseek的規劃結果高度收斂，連續兩次方案的面積均在8,100平方米左右（第一次8163平方米，第二次8177平方米），差異主要源于大模型對數字的驗算不夠精準。不僅倉庫面積計算趨于一致，設備推薦也形成了統一性，顯示出Deepseek在專家知識引導下對專業概念的準確把握和對計算邏輯的深入理解。
從質疑到突破：Deepseek并未止步于簡單執行專家方法論，而是展現出獨立思考的能力。例如，它對專家方法論中“64個滑道一組”的拆零區計算方式提出質疑，并提出基于每個SKU需要獨立滑道的新計算方法。在第三次規劃中，Deepseek突破了專家方法論的限制，將拆零區面積從806平方米調整到3168平方米，體現出AI在專業框架下的創新思維。針對Deepseek的創新，董劉先生指出，其提出的“拆零區是閣樓，投影面積含上下左右四組”的概念被Deepseek誤解，說明在專業領域中仍存在大量“隱形知識”，這些知識需要逐步顯性化并納入AI的學習范圍。
以上三篇文章共同構成了一個有意義的探索過程，揭示了AI與物流專業領域結合的局限、挑戰及潛力，也為物流行業如何運用AI，需要、培養怎樣的人才提供了思路。正如公眾號“聞道-供應鏈思維”的作者指出，AI在專業領域中的角色不應僅僅是規則執行者，而應成為能夠在專業框架下實現創新的思考者，未來專業決策可能采用新模式，即將AI視為專家的智能伙伴，而非單純工具。這意味著未來物流行業需要既懂物流又懂AI的復合型人才，他們能夠將專業知識與AI技術相結合，推動物流行業的發展。這種觀點與理想汽車CEO李想提出的“AI的教練”不謀而合。“AI的教練”負責后訓練，將“最佳實踐”轉化為AI能力。這類人才需要具備強大的業務（BT）、技術（IT）和數據（DT）能力，了解業務需求，掌握高質量數據的收集和訓練方法。其角色包括原代碼開發者、產品經理和業務專家，他們需要通過學習轉型為AI教練。李想指出，除了“AI的教練”，“AI的教授”、計算支持者也是人工智能時代的全新工種。“AI的教授”負責預訓練，將各種人類知識匯集起來，使其具備廣泛的專業知識，類似于擁有多個學位的專家；計算支持者負責為AI提供計算支持，這是AI研發的核心。例如，自動駕駛需要駕駛數據（DT），To C產品需要人類對話記憶數據（DT）。“今天從事各種專業的人，需要在這三個方向中尋找自己的未來之路。”
|
