IT思维

在数学家眼里，整个世界都是数字的。

剁手之后苦苦等待包裹的煎熬已经逐渐远去，作为“看不见的手”，算法功不可没。而算法的背后是一个又一个睿智严谨的算法专家。他们从复杂的现实问题中抽象出数学问题，然后用几行公式化解于无形。

朱礼君博士是菜鸟网络的高级算法专家，负责仓配供应链算法团队。他亲历了中国物流行业过去几年的高速发展，也贡献了自己的一份力量。作为局内人，他对物流行业智能化进程中的机遇和挑战有着清晰的认识。

近日，雷锋网(公众号：雷锋网)对朱礼君博士进行了一次专访，听他聊了聊物流行业的当前的未来。

用算法引擎解决共性问题

朱礼君博士介绍，物流行业环节众多，几乎每个环节都需要用到算法优化。而算法工程师需要做的，就是从各个环节中抽象出共性问题，建立算法引擎。菜鸟网络目前主要在做两件事情：一是优化仓储和配送环节，给仓储机器人和送货车辆规划路径；二是赋能快递公司，帮助其优化已有的业务流程。

仓储机器人的路径规划和配送车辆的路径优化就是一个共性问题，虽然算法实现起来略有差异，但基本框架是一致的。算法工程师会建立一套统一的算法引擎解决这些问题，以后出现框架类似但细节不同的问题时，也可以用这套算法引擎解决，避免重复开发。

朱礼君博士向雷锋网介绍，在仓储领域，随着仓库的面积增大，需要的机器人个数就越多，算法的难度将呈指数级增长。而在仓库之外的配送环节，虽然城市幅员辽阔，但每辆货车的输送量十分可观，单个城市仓配线上需要的车辆数目并不会特别多，所以算法也没有很多人想象中的那么难。

朱礼君表示，目前菜鸟网络的算法引擎已经能够解决很多类型的问题了，速度很快，效果也不错。虽然由于每个公司的具体业务不同，无法与行业内的领军企业直接比较。但相对于国外一些比较优秀的开源社区提供的算法引擎，菜鸟网络已经实现了赶超。

朱礼君：于美国马里兰大学获得物理学博士学位。先后在Goldman Sachs、Amazon和Facebook从事数学建模和算法方面的研究工作。2014年回国后加入阿里巴巴，先后带领了天猫个性化推荐算法团队和菜鸟网络仓配供应链算法团队。

物流需打通所有环节

自动化解决方案应用于仓储领域由来已久，但传统方案比较固定，而仓储物流的压力是线性波动的。一旦遇上“双11”和“6.18”等大促活动，传统自动化方案便无能为力了。由AGV组成的智能化解决方案的好处在于，它是比较柔性的，任务繁重时可以通过增加机器人解决部分问题。不过AGV方案也存在技术瓶颈，因此目前阶段还少不了对人力的依赖。

此外，物流运输是一条完整的链条，只解决其中一环还远远不够。仓库出货的问题解决了，配送资源的瓶颈仍然存在——运输包裹的车只有这么多，所以合理调配车辆是非常重要的。同理，解决了车辆调配问题，最后一公里的瓶颈还在，用户体验也无法获得质的提升。

假如把物流网络比作一根水管，那么这根水管的出水量是由半径最小的横截面决定的。只有打通了管道的所有环节，物流网络的能力才能获得真正的提升。

确定性也很重要

物流运输链的两端——物流公司和消费者永远处在相爱相杀的状态。物流公司需要尽可能压缩成本，同时用优质的服务留住消费者；而消费者则希望享受最快捷的物流服务，同时又无需支付高昂的快递费用。在“快”和“省”之间，物流公司该如何寻找最佳平衡点呢？

对此，朱礼君表示，物流速度和用户体验之间并非简单的正比关系。当物流速度达到一定程度后，进一步提升带来的用户体验改善是非常有限的。因此，物流公司需要基于大量数据分析，到底多快的物流速度才是合理的？当已经实现当日达后，十小时达和八小时达带来的用户体验差别究竟有多大？

除了速度，确定性也很重要。确定性是指，包裹在指定时间内送达的概率。确定性给用户体验带来的影响有时候甚至超过速度。比如，你告诉用户包裹将于今日送达，结果却没有送到，这种用户体验是非常糟糕的。

另外，不同商品品类对派送速度的要求也是不尽相同的，比如食品对物流速度的要求要高于服装。但究竟高多少，不能凭主观臆测来决定，而是要通过深入分析大量数据来得出结论。比如分析某件商品在2日达和3日达的情况下，用户评价和复购率分别是怎样的。

通过分析得出这些关键指标后，算法工程师会将其作为约束条件，建立相应的模型，用模型进行成本优化，得出最优的结果。

物流是个系统级工程

在领导菜鸟网络仓配供应链算法团队之前，朱礼君博士还带领过天猫个性化推荐算法团队。他表示，相比于个性化推荐算法，仓储物流领域的算法要复杂得多。

首先，两者有相似之处，都是运用数据模型来解决现实生活中的问题。比如个性化推荐，算法工程师可以从系统中获知用户的点击量和购买情况；但如何判断用户喜不喜欢系统推荐的商品呢，算法工程师需要建立专门的数学模型来判断。同样的，在物流仓储领域，算法工程师需要找到约束条件，建立相应的数学模型来缩短时间和减少成本。二者都是从商业问题中抽象出数学问题。

不过，推荐和搜索是算法在互联网中较为传统的应用方向，不涉及真实物体的移动和操作，因此能够获得迅速、直观的反馈。算法工程师设计好算法后，只需要将它放到网络中观察用户反馈，就能知道算法究竟是对是错。

物流领域则复杂得多，因为它涉及真实物体的移动和操作，真实世界的环境也比网络世界复杂得多。比如说路径规划，算法设计好之后需要大量运输车辆运行一段时间才能得到反馈。有了反馈还不够，还需要从中分析具体的原因，运输速度变慢究竟是下雨或修路导致的，还是算法出错了呢？这个过程是很困难的。

此外，在物流领域为了搜集数据和验证算法，有时候还需要造一些硬件。物流网络的优化是一个大的系统级工程。工程师不仅需要考虑算法的优化，还需要思考硬件该怎么设计；硬件设计出来后，需要搜集大量数据；用数据去验证并进一步优化算法。这是一个月循环往复的过程，周期十分漫长。

物流需要前瞻性研究

算法优化已经给物流行业带来了显著提升。从签收时间来看，2013年“双11”包裹签收过1亿用了9天，2014年用了6天，到2015年提速到了4天，2016年则进一步提速到只用3.5天。

而很多物流公司正在大力研发和布局的送货无人机、末端配送机器人却收效甚微。无人机送货目前还处于试验性阶段，未来面临着续航短、负重小、监管严等诸多难题。末端配送机器人虽然已经在部分封闭园区内投入使用，但还只是辅助性设备，无法大面积取代人力。

朱礼君对雷锋网表示，每个行业都要做一些前瞻性研究，企业做前瞻性研究的出发点是行业趋势而非短期内的应用。他指出，物流行业自动化的趋势不可阻挡，提前研究和布局对推动整个行业是十分重要的。

阿里ET实验室目前也在做物流前沿技术的研究，末端配送机器人和机械臂等都有涉及。去年9月1日，菜鸟网络通过一则视频发布了能将包裹全自动配送到用户家门口的智能配送机器人“小G”。目前“小G”已经走出阿里园区，进入法院运行，后续还将逐步推广到更多的场景下运行。但阿里和菜鸟做这些研究的第一出发点并非在一两年内将其商业化。

不过朱礼君博士对末端配送机器人未来大规模商用还是非常乐观的。他指出，无人机——尤其是末端配送机器人对行进速度的要求并不高，而低速无人驾驶要比高速无人驾驶简单得多。另外，由于末端配送机器人不占用机动车道，政策监管的掣肘并不多。他预计，末端配送机器人大规模商用要比无人驾驶汽车早3-4年。

理论研究与应用逐步衔接

无论在前面提到的仓储还是运输环节中，运筹学算法都起着举足轻重的作用。但长期以来，运筹学算法领域的前沿位置始终被国外团队所牢牢占据。朱礼君认为，这是由国内的学术研究与产业应用相脱节导致的。

他指出，国内学术圈一直在进行运筹学算法方面的研究，国内部分顶尖院校培养出来的人才也都十分优秀。但过去国内产业界对运筹算算法的应用并不广泛，很多专业人才找不到对口的工作，只好转行做其他事情去了。

国外的环境则好得多，比如美国很多大企业，像亚马逊、谷歌或者一些物流企业，内部都有一大批运筹学背景的团队来解决公司生产可能面临的问题，比如亚马逊中有50~200个的运筹学博士做定价、库存、物流等方面的决策支持。

朱礼君表示，目前国内确实存在相关人才短缺的问题，不过这一局面并不会持续很久。一方面，很多大型企业正积极从海外招募人才；另一方面，随着运筹学算法在国内产业界的应用日趋广泛，学术圈和产业界逐步衔接，国内将快速涌现出大量的相关人才。

雷锋网原创文章，未经授权禁止转载。