主持人：智慧物流的发展在很大程度上是我们国家整体经济转型升级的必然要求，是发展到一定阶段的必然产物。物流行业上游制造方需要和下游消费者进行更紧密的有效对接，最终为智慧物流的发展提供需求的支撑。那么在这样的一个过程中，智慧物流的机遇和挑战都有哪些呢？接下来将进入我们的对话环节，有请旷视科技（Face++）联合创始人&CTO唐文斌。香港中文大学天石机器人研究所所长，刘云辉。G7 创始人兼首席执行官，翟学魂。有请三位嘉宾。
主持人：互联网思维下传统物流重塑，数字化建设将会是至关重要的环节，如何利用机器视觉技术，多传感器融合技术推动物流全链路的数字化建设，实现实物流的数字化建设是很多企业和学者努力的方向，在这里我想请各位嘉宾也畅谈下在数字化演进路线上遇到的技术挑战和我们哪些技术是ready的，哪些又是需要我们持续探索和努力的。
翟学魂：我说一下我体会到的主要的挑战，因为机器现在是主要服务于卡车运输的公司，大家刚才看到的几十万辆的卡车都需要各种各样的数据，意味着你要让那个传感器在那里装上，无论是卡车公司的前装，还是我们后装，其实我体会到现在为止数据的获取仍然是最重要的事情，也是最大的挑战，为什么呢？因为刚才几位AI的专家都讲到，无论是视觉识别还是调度的算法其实都是数学的问题，数学问题是有数学的解的，但是你要让全中国所有不同的地区，不同路况上的不同卡车都能有个数据发生，这个没有数学解，只有一个工程的解，这是第一个挑战。
第二个挑战对于机器来说我们思考怎么样站在全局的角度怎么样设计一万辆的车，我们得把非常懂车队管理的运营专家，AI管理的专家，以及车挂的专家，三种专家集合在一起，这个难度也非常高，因为三种人并不在一起工作，而且也没有在一起工作的方法论，我觉得这个是非常大的难点，我体会到这个工作的关键。
另外一个是跨团队，基础每一个物流设施的数字化，这两个都是我们接下来要进一步往前走，最重要的是客服的东西。
主持人：我在你的第一页PPT里面有打哈欠和闭眼睛，怎么样通过AI的技术贪色到打哈欠还是闭眼睛，AI机器在驾驶环境当中监测到疲劳驾驶，这个有应用吗？
唐文斌：我们做得比较少，我们和其他的车厂在看，民用驾驶情况下对司机疲劳驾驶有提醒，包括在方向盘和A柱的地方做提醒，闭眼比较准，疲劳不那么好定义，有时候稍微一走神其实是一个很难表述的一个东西，但是整体上我们看下来，因为我觉得在疲劳驾驶这件事情上，我们要做的是报警就在犯困，有帮助的，不要老是狼来了，就没有价值，现在这个技术在这个场景下有帮助的。
主持人：还有对于车联网这个问题，如果我们在数据上发现一些问题，如何在数字化的建设上有效应用，因为数据不运用是没有办法创造价值的，我们如何在这个数据基础上创造价值，比如说我们感受到了是在疲劳驾驶，我知道未来的车有自动巡航的能力，我们可以启动自动驾驶的功能，可以识别视觉和整个车运作的一些状态的协同，这个我不知道翟总这边怎么看的？
翟学魂：我可以告诉大家特别直接的解决方案，如果只是给司机提个提醒可能没有反应，所以我们安全的服务，除了AI我们有24小时的安全客服，如果司机没体会一个客服就过去了，这比机器提醒效率高很多，这是我说怎么样把现在的管理手段结合在一起，就是和服务结合的事情。
主持人：想问刘云辉教授对整个自动驾驶，我看你在香港团队内测一些无人驾驶的应用场景，想听您讲一讲关于无人驾驶的观念。
刘云辉：你刚刚讲的大数据在网络物流上面，目前有几个问题，我个人认为还要解决，第一个信息获取讲了，传感器怎么布置，怎么有效，另外一个就是说这么多的信息有很多的不可靠性，不确定性，你怎么能够理解，怎么能够知道这个信息是错的，后面理解层面怎么应用这些信息，你说到自动驾驶，就涉及到很多，相当于一个大的物流系统，大的系统在自动驾驶智能车上的环境，传感器很多，你怎么优化传感器物质，传感器毕竟要集成，中间有的传感器不可靠，有的可靠，怎么做判断？每一个单个的技术有很多的成熟性比较稳定，它也有很多的问题受这个影响，你怎么知道它这个结果就可靠，它的结果就不可靠？怎么用很难的。因为我们做自动驾驶，做了很多实验，你这种算法、那种算法都测试很多，综合起来怎么应用我们还在探索，真正走到像翟总讲的卡车在路上、高速公路上跑挑战很难，有限场景上做得还可以，开放式的场景下还是很多挑战。
唐文斌：你刚刚的问题很长，下面进入挑战分两个维度，先是感知后面是决策，视觉做的是感知的部分，包括做路径规划、做算法是两个部分，两个算法都有很大的挑战，感知上面我们自己有算法，这个感知在城市大脑、安防方面用得比较多，我讲一下五度，感知上有五度需要挑战，第一个是角度，感知的精度可以达到多少，尤其是基于视觉的感知，人脸识别做得比较准了，人体的感知、动作的感知，疲劳的感知能做到多准，能否超过人类，超过专家，这是一个比较大的挑战，叫精度。
另外一个是维度，我们机器能够做到什么样的信息，能不能把人都感知出来，是维度。
第三个是密度，密度只要砸钱就好了，有足够的传感器才可以达到密度，基于人的追踪，我可以不看你的脸可以通过摄像头看你是谁，穿着差不多，比如说台下有很多人跟我穿得差不多，我从这个地方走到一白米之外说是我就很难讲了，但是很高密度的话，这些信息就可以关联起来，所以密度很重要。
第四个关联度，这些信息怎么样关联起来，我们物流里面要识别车的轨迹，车在怎么动，很多时候我们是拍不到车牌的，我依然希望这个车，想知道这个车是谁，有一种方式是我在某一个时间可以拍到这个车牌，我知道集装箱是红色的，车头是蓝色的大集装箱车，我这个时候拐过去就把车牌和车身的颜色关联起来了，那拐过去之后只看到车身颜色我知道依然是那个车，这是关联度。
第五个集成度，这个怎么样做小，怎么样把计算放到相机上，或者放到更多的传感器上，当我们做高密度的感知便宜才能够被大规模的应用。这五个维度都面临巨大的挑战，我们也做相关的探索，包括在芯片各种维度上。
决策角度挑战也特别大，刚才讲可以数学建模，这个问题其实不存在最优解，所有的问题都是多目标优化的问题，不存在最优解，我们都在不断地探索在最优的目标下找到最优的解法，我觉得个最优解不管是谁做的，距离我们能达到的最优化存在很大的距离，我觉得从全面的感知和决策，全面都有很大的挑战，因为有深度学习、机器学习，有很多的算法让我们在这些挑战上让我们继续往下走。
主持人：你说的五度，密度来讲我们可以通过增加传感器的密度增加感知面，但是增加了一个挑战，密度的融合的挑战，因为你的摄像头和FID等等不同异构源下的合并是一个很大的挑战。
另外我们做深度学习的时候是做我们大数据上的均值，物流领域来讲我们是需要比较鲁棒性的结果，因为只有鲁棒性才可以使投入降到最低，这是物流方面的挑战。
如何做到鲁棒性的规划呢？这里面需要我们想出一些比较超强的及时算力，也就是说可以在当前的节点可以让系统加快迭代，我们犯错及时纠正，这是我们未来面临技术方向。
我们进入第二个问题，第二个问题是柔性自动化是通向智慧物流的重要途径，已经有很多优秀的初创企业在探索仓储智能化，如快仓，Geek+，艾瑞斯等，我也想听听各位嘉宾如何来看待柔性自动化领域，融合定义这个柔性，融合柔性自动化，融合更好适配我们的工业环境，使得我们真正能够释放人力的工作，能够增加工作效率。仓储机器人也好，配送机器人也罢，打造成熟的物流机器人的关键要素是什么，有哪些核心技术，哪些关键设备。
唐文斌：这个问题我们也在想，没有特别好的答案，尤其是我们深入到仓之后，不同仓、冷仓、常温仓都不一样，我们也想未来这个仓柔性的自动化方案是什么样的？我自己也有一些感受，第一就是一定分品类分而置之，不同的仓不同的柔性方案可以解决很多问题，我们不同的品类要有不同的解决方案。
第二个包括我看了很多菜鸟的仓，其实我们对于仓，包括像这个楼其实也挺高的，我们仓层高非常高，由于现在除了立库，人做拣选，本质上是三维的仓，用AGV的方式，你十米高的仓只用了2到3米，再高就上不去了，这也是一个挑战，第二个我们现在没有把空间用起来。
我们在思考接下来我们应该去做什么，我们也在思考哪些品类是现在人做起来，或者是机器做起来，或者是自动化的方式能够带来成本上升的比例是最大的，我们要优先优化这个场景，具体是我们也没有摸索出来。包括像菜鸟我们也给科技服务，我们也在思考哪些场景应该被优化。
刘云辉：柔性自动化肯定是一个方向，不同阶段柔性的概念要有不同的定义，就是说对它的期待，产业界有时候对柔性期待太柔性，什么都希望我现在人工仓做机器人，简单就能做，其实人工智能没有那么大能力的，我想你真正要柔性自动化有一个问题都没有想清楚，怎么能力优化机器人的功能，怎么跟人的功能最好地结合，从仓设计来说，刚才唐总也讲了你高层分拣，你还是自动化做不了，你自动化做来做去意义能够提高多少是很打折扣的事情。
个分类不但从菜鸟，你分类仓的分类物品的分类，可能要根据机器人、根据AI技术现在能够实现的，或者短期能够实现的优化这个管理非常重要，但是你不能期待机器人做很多很多事情。因为我过去一年也走了很多，不光是走物流企业，也走了很多制造企业，大家一说机器人不懂，现在机器人和AI人工智能小孩子老人家都知道，但是他期望看到引入了机器人，引入人工智能希望全部都能做，这完全是一个在制造业对人工智能机器人期待过高，永远你要代替人，人这个智能体是非常神秘的东西，我觉得现在AI也好，机器人也好智能水平很多情况下比一、两岁的小孩都不足，很多方面是不行的，所以人机结合，怎么样这方面的优化是一个很重要的问题。
翟学魂：我同意刘教授的说法，我看过非人的自动化，几千万的仓库都失败，设计的时候太依赖于自动化了，彻底失败，所以我从来不相信这件事。但是我刚才讲我们为什么要通过全局的效率来设计，比如说我们建造最优秀的物流公司他们有一万台车管2500人，我们把2500人的工作分类，大概分了80多个不同的场景，这其中大概90%以上他们的工作是可以AI化的，但是并不能够替代他们的所有工作。所以我们应该换个思路，我怎么样让这2500人用原来十分之一的努力，剩下努力让AI服务，其实是AI为这2500人服务，从个角度考虑我们就知道用什么样的设备自动化，用AI学什么，你是为了让哪些人的效率不断提高，因为他们的效率提高，他们就每天思考如何更柔性，如何设计，而不是让他们填一个表，这个角度考虑有非常多AI的空间，而不是把那个空间放在自动化本身的自动化。我认为那不是最优化的结果。
唐文斌：两位老总首先说得是对的，第一自动化和柔性自动化是手段，目的是降本增效，我们在未来能看到一到两年是人机混合的模式，但是从相对长一些的周期，最终我们的仓会是无人的，但无人依然不是目的，只是一个手段。
我为什么认为仓一定会变成无人的？因为我看到的绝大部分仓内的操作都是简单判断、简单执行，这些都是AI机器人可以替代的因为操作没有那么复杂，就看一下是什么商品，简单处理、简单分拣一下，我们只是替代成本的点没有到达，我们用机械臂可能还太贵，我们用机械还太贵，我觉得这个点还没有到达，我觉得未来5到10年一定是无人仓的自动化。
主持人：我认为AI和仓结合是柔性自动化，自动化未来是AI机器人帮助人类，帮助人完成他不擅长，或者是工作起来难以承受，比较重复的劳作，这个工作一定是将来机器人所能够发挥它长处的地方，这点来讲我也比较认同，仓库的环节，很多的环节包括他抱着整个大的货箱上架，包括下架拣选，这些都是比较重复、机械性的劳作，这些劳作应该通过我们自动化的手段和控制技术可以做到的，甚至不用有AI可以做到的，只是AI引入之后我们有全局思维，AI可以能够在整个环境里成为角色，这样可以整个环境变成是柔性的自动化的环境。