当60多年前IT技术问世之后很多人都担心自己将会失业，但如今世界上却没有足够的IT技术工程师。人工智能技术的问世也是如此：花费了15～20年的时间才被人们所接受。当然，成功利用人工智能技术的前提条件也必不可少——高质量的有效数据可供使用。而此时也不要低估专业技术知识的作用。带着这些问题我们采访了Körber股份公司的Kerstin Höfle博士。她和她领导的物流团队的工作重点是开发物流领域中适用的自动化工作流程、开发和引进基于机器人技术的创新技术。它们的核心主题仍然是“创新”——开发新市场和新技术，也包括了她和她的团队开发出全新的解决方案、推广新技术。

图1  Kerstin Höfle博士是Körber股份公司负责供应链业务部产品研发和产品管理的副总裁，也是联邦物流协会顾问委员会成员并在最近获得了供应链最佳女性奖

Q：Höfle博士，人工智能已经深入到了我们的日常生活，例如智能手机的使用。但人工智能在物流领域中的应用情况如何？

A：已经完全地深入到我们的日常物流之中了！在上一届BVL德国物流大会上我主持了一场“人工智能，君往何方？”的大讨论。这是一场有关视觉与现实的真实体验。通过这场讨论我们可以准确地知道您的想法：我们今天人工智能应用的水平到底如何？论坛中列举的人工智能应用案例主要是物流流程的优化和预测方面的案例，也就是探讨“人工智能作为物流调度员”能否达到预期目标的问题。在这种情况下，无论是铁路运输还是需求预测都是为了做出更加准确、更加可靠的预测，尤其是在需求模式不稳定的情况下。

当前，人工智能技术已经进入传统的汽车驾驶领域中了。无论是轿车还是货车。没有人工智能不可能实现自动驾驶。因为自动驾驶时需要处理海量数据：交通数据、道路数据和交通规则等。我们今天已经非常熟悉的车辆驾驶辅助系统也在很大程度上是一种基于人工智能的系统。因此，原则上我认为人工智能技术会在价值增值链的整个链条中产生影响。因为价值增值链全链条中都会产生数据；在缺少数据的地方可以用合适的传感器采集数据。在我看来，现在的问题应该是：在什么地方使用人工智能技术对物流过程进行优化才是最有意义、最经济的。因为海量数据的处理需要大容量的处理器和服务器，相关应用程序的开发也需要投入大量的资金。  

Q：您认为有必要向物流经理人讲清楚人工智能技术仅仅是信息技术的一个分支吗？

A：我认为这里根本没有必要区分物流经理、专家或者其他什么专业领域的领导人。我认为对他们的技术培训、再教育的需求非常之大；尤其是在自生成式的人工智能出现之后，也就是在Open AI公司的ChatGPT模型问世之后。对他们的启蒙教育要从不同角度进行，而且围绕人工智能和不同的技术解决他们关心的各种问题。他们也确实存在一些恐惧和担忧；就像过去和现在引入新技术时遇到的情况一样。此时最重要的是向他们提供信息。例如让他们知道人工智能能干什么？在什么地方使用人工智能才是有意义的？人工智能能够达到的极限在哪里？这些问题在近几个月里增加的幅度太大了。在我们的日常生活和工作中，生成式人工智能系统能够比人们做更多的事情。

正确地使用人工智能以及众多的人工智能应用工具和应用程序的教育同样也非常重要；今天的市场中每天都会有众多这样的工具和软件问世。另一个必须考虑的是有效性问题。另一方面是企业和个人的许多敏感信息都越来越多的被共享了。尤其是在企业中，不论是物流部门还是企业的其他什么部门都应注意在使用这些应用软件时不会带来“敏感的后果”。就我个人而言，我反对严格的禁令，赞成加强教育。特别是在欧洲，因此也包括了在德国，我们必须保护自己免受过度的监管、从而使我们丧失创新力。我们决不能对人工智能的发展视而不见。我们必须学会理解它、评估它和使用它——成为推动人工智能技术向前发展的驱动力，不要受到少数几个监管者的影响。

Q：人工智能预测在商贸领域中有着非常重要的意义和作用。因为交易者买一件产品都与其利润率有关。在工业领域中的情况如何？

A：在所有从事经济活动的单位、企业中，需求预测都是非常重要的工作，例如通过需求预测优化工业企业的生产计划。工业企业运输原材料和产品的车流量也可以通过发货车辆和到货车辆的预测来优化；或者对生产过程中的设备使用情况进行优化，就像前面提到的应用案例那样。正如我所说的那样：我认为在整个价值增值链中人工智能技术有着巨大的应用潜力，无论您说工业企业还是商贸企业。

图2  人工智能技术在物流领域中已经有了许许多多的应用实例，尤其是在仓库物资存储计划和优化管理方面的应用：例如图中码垛机所使用的操作者之眼“Operator Eye”

Q：人工智能已经学会了听、看、画和翻译。它什么时候才能学会思考？我们真的需要它会思考吗？

A：为了准确地回答这一问题我们必须科学地、哲学地探讨一下“思考”到底意味着什么。尽管人们对人工智能技术有着众多不同的定义，但大多数定义的共同点是：人工智能具备模仿人类逻辑思维的能力。当前的讨论围绕着人工智能是否会在发展过程中产生“自己的意识”的问题；在我看来这一讨论是更进了一步的讨论。我也很难清楚的回答这一问题。同样，我也看到了有关“想”与“不想”让人工智能产生意识的讨论。但无论如何我们都无法阻止人工智能的发展。这也使得宣传教育的问题变得更加重要、更加有意义了——在有意义和能够创造价值的地方正确地使用人工智能技术并部分的加以监管，但不要过度监管。

Q：人工智能的最终目标，至少是在物流领域中人工智能的最终目标是尽可能地满足客户的需求。这里特别要提到的就是需求计划和库存计划。在有了人工智能之后经验丰富的采购人员、调度员和仓库经理的“第六感”以及他们的常规决策就会不再重要了吗？

A：这无疑是许多在职人员感到担忧的事情。基于人工智能的统计模型已经成功地、更加准确地制定出了需求计划和库存计划。这肯定会改变有经验的采购人员或者物流调度员的工作，但不会取代他们。一方面，人工智能技术支持的统计模型是建立在过去数据的基础之上的；但近年来的特殊情况下会发生什么？如何应对都是问题。而且基于人工智能技术的分析结果也需要验证，人工智能系统也需要建立起来、需要在日常工作中加以维护。简而言之：物资采购人员和物流调度人员手中的工具会发生变化，就像其他许多行业、领域中的情况那样。适当的专业技术培训将是未来成功的关键因素。

Q：不同行业的供应链各有自己的不同特点。人工智能技术能在多大程度上“学会适应”这些不同？人工智能对标准偏差的反应如何？   

A：您已经说到点子上了：人工智能模型是可以训练学习的。如果用不同的数据映射不同的特性时，就可以用这样的数据来训练人工智能模型了。这时的数据可用性和数据质量是决定人工智能学习、训练成败的关键。在探讨对标准偏差的反应时首先要搞清楚什么是标准偏差。标准偏差是一种在预期范围以内的偏差、误差；如果人工智能模型经过了足够的学习训练，那么它就会在遇到这种预期范围内的偏差时做出适当的反应、告知预期的结果。如果发生的偏差较大或者出现了不可预见的事件之后，人工智能不会有好的反应，人类的专业知识和评估仍然十分重要。

Q：员工们对人工智能技术的认可程度怎么样？是否对丢失自己的工作岗位或者使用软件感到担忧、恐惧？

A：像所有的新技术引进过程一样，哪怕只是引进一项涉及到某个人的单项技术，信息、透明度和宣传教育也都是绝对必要的。即使已经引入多年的、市场中早已标准化的仓库自动化技术那样，我们今天也会观察到某些人有恐惧感。在推进新技术的过程中伴随着变革也是非常重要的。我认为：在人工智能技术及其最新发展方面我们将面临巨大的挑战。人工智能发展的速度很快，技术也越来越难以掌控。我们所有人，尤其是企业的高层管理者必须直面这些挑战，并与企业员工一起积极寻找应对挑战的解决方案。需要哪些技术培训措施？在什么样的环境中企业员工才能将人工智能视为自己的“同事”和谐工作？怎样确保我们的员工继续认可他们的工作？在我看来，透明和公开的沟通以及每一个人都及早的参与到人工智能技术的引进工作中是尤为重要的。我们明确的反对一刀切的禁令，赞成合理的监管。

图3  Körber公司研发生产的AMR自主移动机器人使全球数千条供应链保持着良好的运行，它充分体现了系统集成专业技术与供应链业务的相互结合

Q：人工智能解决方案和人工智能技术的决策是如何推动自动化仓库管理的？

A：价值增值链的所有过程以及仓库自动化管理都将从人工智能技术中受益。无论是在单台物流设备的优化使用中，还是在整个物流仓库的管理中或者企业内部物流的控制中，都可以从人工智能技术中获益。尤其是在自动化仓库管理中，我们有许多不同的数据来源。这里遇到的问题是：应在哪里使用人工智能技术——人工智能技术支持的应用程序或者开发的工具在哪里才能真正提供更多的附加值？在企业中积累适当的专业技术知识是非常重要的，因为在人工智能技术问世之后企业的工作情况发生了变化。最后，我们需要确定在哪些工作流程中采用人工智能技术，然后才能真正开始工作。

Q：究竟是谁在推动物流领域的创新，是最终消费者还是物流企业？

A：我们都可以在这个问题上做出自己的贡献。正如您在问题中提到的那样，这里涉及到的是物流企业满足最终消费者需求的问题。换句话来讲：许多创新性的物流解决方案都是基于满足客户需求和挑战的基础上开发出来的。这在我们公司的工作中表现的尤为突出：许多创新都是在我们公司与客户的互动中诞生的，有些是我们与客户联合开发的。至于有多大的创新，二次开发的程度如何，或者产品有了多大的优化改进，这些则完全取决于观察者的视角。我总是喜欢引用亨利•福特的一句名言：“每当我问顾客需要什么的时候,他们总是会说需要跑得更快的马”。至少在我看来：颠覆性的创新、真正的创新才是企业发展的真正动力。

Q：Höfle博士，最后一个问题，这些创新只发生在数据驱动的软件层面还是也会发生在硬件层面？

A：就我的观点来看大多数创新都发生在软件层面。我们在许多环境中都看到了这一点，例如无论在私人的智能家居领域中还是在商业和物流领域中。当然我们也看到在硬件领域中的一些创新和改进；但我认为这大多是渐进性的。最显著的附加值主要是由数据驱动的创新产生的；当然这也与硬件有着密不可分的联系。

我们利用新的软件和基于人工智能技术的应用程序来优化、改进我们使用的硬件和物流流程。我们在物流领域中使用人工智能产品Operator Eye就是在硬件产品上“嫁接”了一个数字化产品。但最终的附加值高低取决于整体性的解决方案；而今天的整体性解决方案通常是硬件和软件相交互的解决方案。