正文
实际上，AI不仅仅可以为快递小哥赋能，在国际业务寄送的服务中，AI助手也能通过搭载相应知识库，为使用者提升效率。AI助手可以调用全球各地的海关邮寄政策，再同步生成一份最新的邮寄指南，帮助用户掌握海外政策变动情况。
快递小哥用手机查询信息
从降本增效抓起，以AI客服为切口，到面向员工的AI应用，2024年，大模型逐渐进入快递业务的腹地，已经嵌入到“寄、管、查”的快递服务核心全流程。
在下单、接单、上门取件、出账、支付、运输、签收等全流程服务体系，AI都能为各个环节提供能力支持。以快递100的“自动改派单”功能为例，在退货场景中，通过系统预设的规则，AI可以实时判断订单状态，按需调配运力资源。
比如，如果用户下单后快递员接单超时，AI将立即向用户推送通知询问是否接受改派，确认后，系统将调配运力资源接管；在上门取件中，如果快递员未能准时到达，AI也会为用户重新安排取件方案。
AI对快递行业的爆改，无论从快递员还是用户端，体感上都不是非常剧烈，但却恰到好处在提供着许多主动式、自然语言交互的体验，正如春雨润物细无声。表面上虽然云淡风轻，底层的技术层却正在发生着翻天覆地的变化。
为什么过去两年，能够将大模型深入应用的快递企业还是“少数派”？
快递行业涉及人员庞大、快件海量、环节也相当复杂，对效率要求却极致的高。所以，当大模型想要深入改造这样一个传统行业时，第一步先要打造一个属于快递行业自己的大模型底座。
目前，快递行业公司接入大模型大多选择了两种方式：一种是完全基于自研大模型服务企业，另一种则通过调用公有云模型+私有部署模型，共同配合使用。
顺丰、韵达等公司选择自研大模型。谈及为何选择自研这条路，江生沛表示，在使用开源模型进行私有化部署的过程中，由于其不具备物流行业相关知识，它在实际落地的效果并不理想，顺丰有数据有算力，自研行业大模型是必经之路。
“比如‘小哥’这个词，拿给通用大模型，它的理解肯定和训练过的垂类大模型不一样。”江生沛举例道。
出于对效果和成本平衡的考虑，快递100则选择公有云+私有云部署的方式，按照不同场景的侧重需求调用。
谈及为何选择放弃自研大模型，快递100的想法是，通过部署能力不断进化的多个大模型，加上以自有海量数据训练并部署在私有云的大模型，既能发挥各种模型的能力优势，又能使用私有化部署的大模型控制成本。
李朝明表示，每个模型都有自己的强项，比如文心一言4.0在意图理解和内容生成、提取方面表现更好，多模态理解和识别上，通义千问VL模型更佳，智谱模型则在客户意图识别上效果理想。多种模型结合，更能发挥各自的长板。
选择完部署方式，才是万里长征第一步。要想训练一个垂类领域的大模型，针对特有数据的训练上就是一大难题。
中交协物流技术装备委员会指出，在训练和优化大模型的过程中，高质量数据是核心生产要素，想要训练出精度极高的行业大模型，所需的不是简单公开的数据，而是行业特定的场景数据，而物流产业所需的真实交互数据，样本少、分布不均，极难获得。
江生沛举了一个例子，“做一个行业模型，首先需要针对各种具体的场景去采集对应的数据，但物流行业的很多知识信息是高度碎片化的，很多数据可能在某台电脑、记账本中存储，所以需要借助大模型完成全面数字化的过程，让大模型去处理富媒体信息，经过知识抽取、清洗等一系列操作，转化成可以被训练的语料。”
其次，要想将大模型能力和快递业务结合起来，如何让大模型准确地理解问题中的所有元素，比如“地址”、“时间”等信息，并根据需求准确调用对应的时效性、价格等信息，这对于大模型来说仍然是个挑战。
李朝明表示，虽然目前行业中更多讨论的是如何以AI为主导推动业务，但当应用到真正的业务流程中，大模型仍然出现了很多问题。
