硅基化的原因很简单，复杂度超过某个阈值，碳基搞不定，只能硅基化。
我们AI碰撞局上有个开始以来就一直缠绕不散的话题：AI和人的关系，这次算是我视角下的另一种回应。
常杠常新。
而之所以选择亚马逊物流作为案例一方面是因为这个情景足够复杂，一方面纯粹是因为资料好找方便追踪。
物流系统很复杂：
https://aws.amazon.com/cn/blogs/industries/how-to-build-a-dynamic-supply-chain-platform-a-primer/
多品类物流配送是个超级复杂的过程：要预测、要仓储、要运输、要报关等等。而随着电商的普及，它需要的吞吐量越来越大。这时候主要的挑战是：
1. 要准确预测各个地区数百万产品的需求，以优化库存水平并最小化成本。
2. 需要确保产品在供应链中尽可能高效地移动，从供应商到仓库再到最终客户交付。
这样的一个系统每天要吞吐的包裹量极其巨大，2023年的数据是：
每天要处理1605万个包裹，高峰期要翻倍。
为了吞吐这个量级的包裹，为了支持如此庞大的包裹处理量，亚马逊建立了强大的物流基础设施，包括：
1. 超过 40000 辆半挂卡车 和 30000 辆货运面包车；
2. 超过 110 架货运飞机；
3. 全球范围内的 80 个分拣中心，雇佣了约 95000 名员工。（https://cosresearch.wpengine.com/research/amazon-logistics-statistics/）
怎么优化？
我们要清楚认识的是：这么一套复杂系统，它的整体运营控制难度超过人类能处理的上限。
你很难想象在关键流转环节上（比如预测）导入一个人类审批，那会导致系统立刻崩溃掉。这和抖音推荐算法不可能有人介入是一个道理。
这正是题目说的：世界在大幅硅基化。
硅基化系统的核心特征体现为智能优先，在商业意义上可以是智能算法辅助人，但在物流这个边界内人要辅助智能算法。
原因特别简单，硅基和碳基是那个不关键，谁能搞定谁上。
亚马逊就这么干的，在各个环节大幅度导入各种算法（不单是现在的大模型），然后再把它们串起来。
它的人工智能驱动方法可以实时分析来自各种来源的大量数据，然后做预测，数据包括：
-
Sales data（销售数据）
-
Social media trends（社交媒体信息）
-
Economic indicators（经济指标）
-
Weather patterns（天气模式）
这个预测的目的是为了优化成本。
比如：如果预测即将到来的风暴将影响特定地区，AI系统可以调整附近仓库的库存水平，以确保在需要时提供必需品。这种精确度降低了缺货和库存过剩的可能性，这两者对公司来说都是成本高昂的。
预测过后，显然直接要调库存了。
https://cdotimes.com/2024/08/23/case-study-amazons-ai-driven-supply-chain-a-blueprint-for-the-future-of-global-logistics/
在库存管理和路线优化上，也是类似，方向上就是上机器人和各种AI算法。比如在路线规划上：
1. 用各种算法根据交通状况、天气和其他因素实时调整送货路线。这减少了送货时间和燃油成本，有助于公司实现可持续发展目标。
2. AI算法分析物流网络中货物流转情况，并自动调整货物分配，以防止瓶颈。这确保了没有单个仓库或配送路线被压垮，从而实现更快、更可靠的交付。
库存周转率是商学院管理会计科目中常见“黑话”，表示企业在特定时间段内库存商品被销售和更换的次数，越高越好。
顺道说一句：大家讨论什么是模型做，什么是智能体做的时候也可以先回到情景的描述。这种预测模型的维度，以及维度上数据质量在可见范围基本得智能体做。它里面既有私有数据也有历史数据对应的结果，还需要在无限的维度中进行选择，不太可能通用大模型就干了。
亚马逊自己的总结：
在整个改善过程中，亚马逊的总结是（这个总结不是我写的，出处和上文是一个文章）：
-
投资数据： 任何人工智能驱动系统的基石都是数据。亚马逊能够将来自多个来源的数据整合成一个连贯的系统，是其成功的关键驱动力。
-
拥抱自动化： 自动化日常任务不仅可以提高效率，还能让人类工作者专注于更高价值的工作。
-
优先考虑灵活性： 在当今不可预测的世界中，快速适应变化的能力至关重要。人工智能可以提供所需的敏捷性，以保持竞争力。
-
可持续性至关重要：人工智能可以在减少供应链运营的环境影响方面发挥重要作用，这对消费者和监管机构来说都越来越重要。
透过这些细节和总结，我们能看到的都是当一个系统的复杂度超过某个阈值的时候，最终就一定是硅基大幅前进，碳基大幅后退，最终碳基成为旁路而非关键环节。
面对上面这样的复杂情景（大信息量的复杂系统）还能有啥办法呢？
人和AI的边界
亚马逊的CEO等当然在这套系统外面，但在系统里面的人其角色会和经常说的精益生产时候人的角色非常不一样。
下面是系统内一些还需要人类的环节：
1. 入库处理（Inbound）
卸货：虽然有自动卸货设备，但在处理混装或易碎商品时仍需人工参与。
质检：检查商品是否损坏、标签是否正确，这些步骤有赖于人工判断。
上架：机器人可搬运货物，但人需要处理复杂的分类或异常商品。
2. 订单拣选与包装（Picking & Packing）
拣选（Pick）：Kiva机器人能将货架运送到员工面前，但具体从货架上取哪件商品、检查商品是否正确，仍是人做的。
包装（Pack）：包装过程中需要判断商品尺寸、打包方式，尤其是组合多件商品的订单时，仍需人力。
贴标签：自动贴标系统存在，但人工仍需介入处理异常或特殊情况。
3. 出库与配送（Outbound & Delivery）
分拣中心人工检查：在转运和分拣过程中，有些包裹仍需人手确认或重新打包。
最后一公里配送：虽然有无人机和自动驾驶车的实验项目，但目前大多数配送还是依赖亚马逊Flex司机或第三方快递员。
4. 异常处理与客户服务
处理异常订单或退货：包括退货物品的检查、重新分类、维修或报废处理等。
客服支持：复杂问题仍需人工客服介入，尤其是订单纠纷、延误、商品破损等情况。
5. 系统监控与运维
物流系统虽然自动化，但需要工程师、操作员和数据分析人员监控系统运转，维护设备和算法优化。
前述的9万多名员工覆盖的正是这样的岗位。但这里残酷的现实是：
1. 人是辅助系统的。虽然角色更丰富，但都是被比较清楚定义的角色。
2. 随着AI水平的提升很可能就有一套类似Robotaxi的系统覆盖所有的物流配送。其它环节类似。
我们可以做点前瞻性的思考：如果还需要进一步提高物流的运转效率，可行的方法是什么呢？
通过激励、优化组织结构可能再次产生突飞猛进的优化效果么？我想大概率还是会回到继续提高硅基的比例这条路上来。
很巧的一个事情是，黄奇帆老先生有个演讲专门谈到了物流，他说：中国货物运输费用占GDP约15%左右，欧美占6~7%。如果物流成本降低5%，那意味着各种企业可以多出6万亿利润。
这种对新质生产力的呼唤，最终几乎毫无疑问会导致上面的后果：硅基的角色在复杂系统中大幅前进。
参照：
https://sifted.com/resources/how-amazon-is-using-ai-to-become-the-fastest-supply-chain-in-the-world/
小结
类似的事情会在数据中心管理、矿山采掘、农业等等领域大量发生。AI（不等于大模型）会让这个过程加速。但我同意侯宏老师的观点：《打造智能组织：机器替代人还是解放人》。
机器替代的不是人，是人的工作。
但需要注意的是这个过程可能会比想的快很多，也就是说碳基角色重定义的速度其实要快于硅基崛起的速度才行，否则在量级上两者是不相当的，会有问题的。
而在更深层的意义上，这可能在呼唤新型的经济系统。
本文来自微信公众号：琢磨事，作者：老李话一三
