今天小編分享的科技經驗：AI“爆改”快遞行業的第二年，歡迎閲讀。
文 | 光錐智能，作者 | 魏琳華，編輯 | 王一粟
"90% 的客服問題，交給 AI 就足夠了。"談及大模型在公司快遞業務的首個落地嘗試 -AI 客服，快遞 100 產研中心負責人李朝明表示。
被利潤下跌折磨的快遞行業，打響的第一戰是 " 反内卷 "，而大模型成為了其中的關鍵一環。
10000000000，這是 " 三通一達 " 每一家在 2024 年上半年達成的百億業務量。由 " 買買買 " 帶動的快遞行業，帶動各大快遞公司的單量增長。
但在快遞行業單量大幅擴張的同時，" 爆單 " 并沒有讓快遞公司們賺的盆滿缽滿，而是賠掉了底牌。财報顯示，今年 11 月，韻達、申通和圓通單票收入分别為 2.03 元 / 件、2.08 元 / 件和 2.29 元 / 件，同比分别下降 14.71%、5.45% 和 6.96%。
" 快遞行業已經進入，從卷低價到卷高質量服務的階段。"快遞 100 總經理陳登坤給出了判斷。
2023 年，快遞行業瞄上 AI。從早期的觀望、試水，到 2024 年大模型開始在快遞行業初步結果。雖然應用能力仍然有限，但大模型首先覆蓋了快遞行業中，一批最基礎、也最有效的可降本增效的業務：AI 客服、AI 營銷和 AI 助手。
而在 2024 年，除去常規運轉之外，大模型正在深入快遞行業的腹地。
從簡單的寄件、查件入手，到面向快遞小哥打造 " 知識庫 "、再到幫助完成業務信息的匯總整理，甚至到供應鏈的智慧控制，大模型在快遞行業的能力正在被逐步釋放。
選擇私有化部署模型、自研大模型的快遞公司們都相信一點：大模型是值得的長期投資，它在快遞行業的應用上限仍然有一個廣闊空間等待發掘。
單量大、競争卷，快遞行業擁抱 AI 增效
2023 年 8 月 8 日，李朝明清楚地記得，這是快遞 100 決定接入大模型最開端的日子。彼時，孵化了快遞 100 的金蝶集團剛剛在三十周年大會上發布了 " 蒼穹 GPT"，集團戰略資源開始傾向大模型投入，促使快遞 100 開始嘗試将 AI 能力應用到自身業務中。
當作為基座的大模型能力得以突破，AI+ 快遞的實際應用也打開了更多場景。
李朝明回憶，2023 年 10 月，百度發布文心一言 4.0 大模型後，在合作的測試中，快遞 100 發現，過往一些無法交給 AI 完成的場景在新模型能力的加持下，實現了能力突破。
兩年時間内，多家企業均交出了自己的答卷：順豐自研物流決策大模型 " 豐知 " 和聚焦物流行業垂直領網域的 " 豐語 " 大模型、韻達推出 AI 快遞助手、快遞 100 選擇了将公有雲和私有雲模型混合的 " 百遞雲 GPT" 模型。
然而，從快遞業務的幾個核心環節 " 攬收、分揀、運輸、派送 " 來看，大模型能力的應用仍然有限。李朝明指出，當前，快遞行業的落地更多還停留在 " 一頭一尾 " 兩個環節，即攬收和派送。
最早在快遞行業落地的是 AI 客服類產品。它聚焦售後環節，幫助節省人力的同時，處理了大量重復的簡單問題。談及 AI 客服帶來的效益，李朝明表示，雖然寄快遞業務保持快速增長，但在 AI 能力應用到客服環節之後，快遞 100 能夠有效控制人員增長的速度。
李朝明透露，目前快遞 100 實現了 90% 的客訴問題由大模型處理，問題一次性解決率高達 99.4% 。
AI 助手類產品則更多用于幫助快遞行業的工作者服務，包括快遞小哥、企業内部用户都是大模型的受益者。攬件環節，AI 助手能夠幫助快遞行業的服務人員解決問題，比如違禁物品查詢、快遞時效性等需求。
順豐科技大模型技術總監江生沛向光錐智能舉了一個例子：在國際快遞場景下，D197（貓山王榴蓮的編号）、貓山王、榴蓮糖、凍幹榴蓮，它們屬于同一類别的托寄物嗎？它們各自走陸運、航空寄往不同國家的寄送規則如何、使用哪種服務更合适？
過往這些細節，需要快遞小哥在各個國家的海關網站上查詢，需要跨越多語言、規則常變動等障礙，現在開始移交給搭載了物流知識庫的 AI 助手。只需要拿出手機，順豐的快遞小哥就能在公司内部的 AI 助手上查詢到不同件的國際寄送規則，當下處理客户的需求。
實際上，AI 不僅僅可以為快遞小哥賦能，在國際業務寄送的服務中，AI 助手也能通過搭載相應知識庫，為使用者提升效率。AI 助手可以調用全球各地的海關郵寄政策，再同步生成一份最新的郵寄指南，幫助用户掌握海外政策變動情況。
從降本增效抓起，以 AI 客服為切口，到面向員工的 AI 應用，2024 年，大模型逐漸進入快遞業務的腹地，已經嵌入到 " 寄、管、查 " 的快遞服務核心全流程。
在下單、接單、上門取件、出賬、支付、運輸、籤收等全流程服務體系，AI 都能為各個環節提供能力支持。以快遞 100 的 " 自動改派單 " 功能為例，在退貨場景中，通過系統預設的規則，AI 可以實時判斷訂單狀态，按需調配運力資源。
比如，如果用户下單後快遞員接單超時，AI 将立即向用户推送通知詢問是否接受改派，确認後，系統将調配運力資源接管；在上門取件中，如果快遞員未能準時到達，AI 也會為用户重新安排取件方案。
AI 對快遞行業的爆改，無論從快遞員還是用户端，體感上都不是非常劇烈，但卻恰到好處在提供着許多主動式、自然語言互動的體驗，正如春雨潤物細無聲。表面上雖然雲淡風輕，底層的技術層卻正在發生着翻天覆地的變化。
大模型深入產業腹地的艱難一年
為什麼過去兩年，能夠将大模型深入應用的快遞企業還是 " 少數派 "？
快遞行業涉及人員龐大、快件海量、環節也相當復雜，對效率要求卻極致的高。所以，當大模型想要深入改造這樣一個傳統行業時，第一步先要打造一個屬于快遞行業自己的大模型底座。
目前，快遞行業公司接入大模型大多選擇了兩種方式：一種是完全基于自研大模型服務企業，另一種則通過調用公有雲模型 + 私有部署模型，共同配合使用。
順豐、韻達等公司選擇自研大模型。談及為何選擇自研這條路，江生沛表示，在使用開源模型進行私有化部署的過程中，由于其不具備物流行業相關知識，它在實際落地的效果并不理想，順豐有數據有算力，自研行業大模型是必經之路。
" 比如‘小哥’這個詞，拿給通用大模型，它的理解肯定和訓練過的垂類大模型不一樣。" 江生沛舉例道。
出于對效果和成本平衡的考慮，快遞 100 則選擇公有雲 + 私有雲部署的方式，按照不同場景的側重需求調用。
談及為何選擇放棄自研大模型，快遞 100 的想法是，通過部署能力不斷進化的多個大模型，加上以自有海量數據訓練并部署在私有雲的大模型，既能發揮各種模型的能力優勢，又能使用私有化部署的大模型控制成本。
李朝明表示，每個模型都有自己的強項，比如文心一言 4.0 在意圖理解和内容生成、提取方面表現更好，多模态理解和識别上，通義千問 VL 模型更佳，智譜模型則在客户意圖識别上效果理想。多種模型結合，更能發揮各自的長板。
選擇完部署方式，才是萬裏長征第一步。要想訓練一個垂類領網域的大模型，針對特有數據的訓練上就是一大難題。
中交協物流技術裝備委員會指出，在訓練和優化大模型的過程中，高質量數據是核心生產要素，想要訓練出精度極高的行業大模型，所需的不是簡單公開的數據，而是行業特定的場景數據，而物流產業所需的真實互動數據，樣本少、分布不均，極難獲得。
江生沛舉了一個例子，" 做一個行業模型，首先需要針對各種具體的場景去采集對應的數據，但物流行業的很多知識信息是高度碎片化的，很多數據可能在某台電腦、記賬本中存儲，所以需要借助大模型完成全面數字化的過程，讓大模型去處理富媒體信息，經過知識抽取、清洗等一系列操作，轉化成可以被訓練的語料。"
其次，要想将大模型能力和快遞業務結合起來，如何讓大模型準确地理解問題中的所有元素，比如 " 地址 "、" 時間 " 等信息，并根據需求準确調用對應的時效性、價格等信息，這對于大模型來説仍然是個挑戰。
李朝明表示，雖然目前行業中更多讨論的是如何以 AI 為主導推動業務，但當應用到真正的業務流程中，大模型仍然出現了很多問題。
在快遞 100 的業務中，可以歸結為兩點：
第一，在和 AI 互動的過程中，必須保證它全程在業務流程中。比如 " 寄快遞 "，無論用户如何對話，AI 必須要把用户最終引導到寄快遞上。
" 一個東西能不能寄、這個東西要怎麼包裝？如果你沒有業務流程設定的話，大模型就會和用户一直解釋這些問題，他不會引導用户接下來繼續去寄快遞。" 李朝明説，" 大模型本來應該要引導用户把聯系方式和寄送地給到。"
第二，在處理用户需求時，大模型需要用到企業内部沉澱的業務知識，比如當用户來寄快遞時，AI 需要知道寄的東西是什麼、各快遞公司單價等知識并準确調用，才能準确估算出一單快遞的價格。
但在調用過程中，大模型經常出現錯亂的情況，要麼不知道應該調用什麼樣的參數，要麼調用了錯誤的信息，從而導致結果錯誤。
此外，要想面向快遞行業訓練一個可供商用的大模型，需要讓大模型能夠同時兼顧通用模型的理解能力，也要讓它充分理解垂類領網域模型應有的專業知識，完成對内容的調用。
對于需求更加精準的快遞行業來説，需要給出能夠保證可商用的產品，才能真正應用到業務場景中。
對此，快遞 100 的選擇是，先由公司為大模型編排好一套業務流程，在這個過程中控制大模型的調用需求。
回到 " 寄快遞 " 來説，在做好業務流程編排的情況下，大模型會不斷 "Push" 用户給到所需寄件信息。除此之外，它還能根據需求查詢到不同快遞品牌的寄件價格，并在整理好後重新生成一個回復，幫用户找到更加便宜劃算的寄件選擇。
而在今年的大模型能力落地快遞行業過程中，在大模型能力逐漸提升的過程中，企業也開始試圖讓 AI 作為主導者。
通過和大廠智能體平台合作，快遞公司也開始上線各式各樣的智能體。針對查詢快遞需求，快遞 100 在百度、騰訊、MiniMax 上線了 " 查寄管 " 同名智能體應用，将主導權讓給了大模型。
通過這種合作方式，智能體既能記住和用户互動的上下文，也能通過大模型能力解決一些業務流程中的問題。比如，查詢快遞不需要了解具體找到對應快遞公司平台查詢，只要給個單号就能查到信息；智能體還能根據輸入的地址信息進行 " 補全 "，自動識别殘缺信息并糾正成可以被寄快遞識别的正确地址。
智能體幫助用户查快遞
随着大模型能力的進一步解鎖，快遞行業接下來還能交給 AI 主導更多復雜的任務。
要降本更要增量，AI 爆改快遞業
當快遞行業的各方都在應用大模型能力，企業和個人用户使用快遞的服務體驗已經 " 質變 "。
比起過往寄送快遞，往往需要人來親自填寫表單，逐步完成信息填寫；如今，只需要用户用語音、文字或是圖片的方式把相關信息給到大模型，李朝明以快遞 100 的 AI 寄快遞為例，" 告訴大模型‘我需要給張三寄一個快遞’，再拍張圖告訴它寄的是什麼物品，就能實現真正的 " 一句話 / 一張圖寄快遞 "。"
此外，通過和寄件需求高的大型企業對接，企業當下寄件主要有兩個痛點：一是員工寄件沒有登記在系統中，存在管理混亂的情況；二是在企業需要對賬時，郵寄快遞的費用需要一單一單計算，給财務帶來巨大的工作量。
對此，李朝明表示，快遞 100 目前正在嘗試結合大模型能力，面向企業端開發一個類似 " 攜程商旅 " 式的寄快遞業務服務，植入到企業内部辦公平台，幫助企業提升管理效率。
歷經兩年的探索期，大模型落地快遞行業的優勢正在體現，一個最直接的結果就是節約成本。
除了上面提及的 AI 客服能降低快遞行業自己的服務成本，AI 也能幫寄快遞的企業客户降低行政費用。
" 很多企業都有降本的訴求，" 李朝明説，" 比如員工寄一張紙就需要 10-20 塊錢，但是如果能通過我們的‘寄快遞’聚合服務，根據不同物品智能選擇不同的快遞品牌，企業可能節省好幾倍的快遞費用。"
對于急需提升收益和服務質量的快遞公司來説，它們不僅需要 AI 幫助企業内部完成降本增效， 更需要進一步提升快遞服務的效率和質量，讓收入實現增長。
G7 易流開發了可以智能接單的智能助手，将接單時間從 2 小時縮短至 30 分鍾，效率提升高達 75%；貨拉拉則利用 AI 能力為司機上線 " 違禁品識别 " 功能，最快 1 秒就能識别出違禁物品；順豐給快遞小哥開發的 AI 助手平均每次對話可節省 3 分鍾。
效率提升後，大模型就能夠成為快遞企業增收的 " 利器 "。
在 AI 能力的輔佐下，當查件、寄件的效率提升，快遞 100 運轉單量的能力也随之提升：從 2023 年一開始的每天 30 萬單，到 2024 年的每天 50 萬單，李朝明預計，在大模型能力的輔助下，大模型能夠在未來一年實現每天 100 萬單的突破。
将多家快遞公司服務接入平台，快遞 100 又成為了一個集合 " 查寄管 " 服務的快遞生态入口：
基于百遞雲領網域知識庫，用户不僅可以查快遞，更可以一句話對比價格，幫助企業和個人用户找到更具性價比的價格；AI 還能自動幫助用户補全信息地址，避免快遞運轉出現問題。陳登坤分享，通過 MiniMax 大模型，快遞 100 解決了 98% 的地址補全難題。
當下，大模型能力仍然沒有被完全釋放，比如，在供應鏈端，大模型還有充足的發揮空間。
" 實際在快遞的運輸環節，大模型現在能參與的部分較少，" 李朝明告訴光錐智能，" 但在整個快遞物流行業裏面，其實最需要優化的還是在于產業鏈的深入融合，所以大模型在快遞行業的應用仍然有較大空間。"
在大模型能力充分應用到快遞行業的每個角落之前，快遞行業的企業們還需要繼續為這場漫長的攻堅戰補充彈藥。
