人工智能助力物流智能化发展。

使用自动化技术来解决人类在无数重复任务的工作量。在物流方面，智能自动化具有巨大的潜力和显著的优势，货运物流通常需要额外的员工来扩大运营规模，而这些员工通常无法立即投入使用。在货运物流整个过程中，快速行动和额外能力需要对市场波动做出快速反应。

随着需求的变化，物流自动化可以使生产能力快速增长。如果物流自动化可以提高生产率，减少人为错误，提高工作效率。在物流自动化软件、硬件和平台资源到位的情况下，低需求期对运营支出的影响最小，远低于维持大量人力资源。随着需求的增加，生产能力已经到位，可以随时启动。虽然这给了物流公司快速响应需求变化所需的灵活性。

人工智能助力物流智能化实现取长补短。

将人工智能 (AI) 引入物流自动化可以扩大人工智能的影响。 AI人工智能减少常见的半技能任务中的错误(例如对产品进行分类和分类)。例如，自动移动机器人 (AMR) 可改进包裹递送，包括通常最昂贵的最后一公里递送。 AI人工智能帮助 AMR 进行路线规划和特征识别，如人员、障碍物、交付门户和门户。

在任何环境中整合物流自动化都会带来挑战。它可以像用动力传送带代替重复过程一样简单，也可以像将合作和独立机器人引入工作场所一样复杂。当人工智能被添加到这个自动化和集成过程中时，挑战变得更加复杂，但好处也会增加。

每个自动化元素的效率也会随着解决方案变得更加互联，对过程中的所有其它阶段都有更好的了解。 AI人工智能靠近生成数据和采取行动的位置称为边缘AI。采用边缘人工智能对物流自动化进行了重新定义。

Edge AI 随着快速发展，其用途不仅限于物流自动化。将人工智能置于网络边缘的好处必须与电力、环境运行条件、物理位置和可用空间等资源的可用性相平衡。

边缘计算让人工智能与数据结合突破物流网络潜在瓶颈。

边缘计算使计算和数据更紧密地结合在一起。在传统的物联网应用中，大多数数据通过网络发送到(云)服务器，在那里处理数据，并将结果发送回物理设备等网络边缘。只有云计算才会导致延迟，这在关键时间系统中是不可接受的。边缘计算的一个例子是在分拣过程中捕获和处理本地包裹的图像数据，以便物流自动化系统能够在0.2秒内做出响应。该系统的网络延迟将减缓排序过程，但边缘计算正在消除这一潜在瓶颈。

虽然边缘计算使计算更接近数据，但将人工智能添加到边缘可以使过程更加灵活，甚至更不容易出错。同样，最后一公里的物流在很大程度上依赖于人类，但使用边缘AI的 AMR 这一点也得到了改善。

增加人工智能对物流自动化中使用的硬件和软件有着重要的影响，并且有越来越多的潜在解决方案。通常，用于培训人工智能模型的解决方案不适合在网络边缘部署模型。用于培训的处理资源是为服务器设计的，其中电源、内存和其他资源几乎是无限的。在边缘，计算能力和存储能力是有限的。

处理器异构结构解决不同硬件协同工作问题。

在硬件方面，大型多核处理器不适用于边缘 AI 应用程序。相反，开发人员正在转向边缘 AI 异构硬件解决方案部署优化。这当然包括在内 CPU 和 GPU，但是，它扩展到了专用的集成电路 (ASIC)、微控制器 (MCU) 和 FPGA。一些架构(例如 GPU)擅长并行处理，而其它架构(如 CPU)而且更擅长顺序处理。如今，没有一个架构能真正称之为 AI 应用程序提供最佳解决方案。总体趋势是使用硬件来配置系统，提供最佳解决方案，而不是使用多个具有相同架构的例子。

这一趋势指向异构架构，其中许多不同的硬件处理解决方案配置为协同工作，而不是使用多个设备的同构架构。所有设备都基于相同的处理器。它可以为任何给定的任务引入正确的解决方案，或者将多个任务集成到特定的设备中，为优化每瓦特和/或每美元的性能提供更大的可扩展性和机会。

从同构系统架构到异构处理，需要一个庞大的解决方案生态系统，以及在硬件和软件级别配置这些解决方案的成熟能力。这就是为什么与所有具有重要一级合作关系的主要芯片供应商的供应商合作非常重要。这些供应商为边缘计算提供解决方案，并与他们合作开发可伸缩和灵活的系统。

标签：人工智能,AI人工智能,物流智能化,边缘计算