每到電商銷售旺季，都會迎來雪片一樣的訂單，這既考驗電商平臺承擔的速度和效率，更是對物流公司的分揀和運送能力的檢驗。互聯網讓用戶變得更為挑剔，用戶很難接受狂歡之后的等待，優質的物流則是保證用戶體驗的第一環。

今年618期間，上海區域200多家韻達網點全部開啟了“預售極速達”服務，旨在將預售訂單第一時間送至客戶手中。在這項服務的背后，是AI、大數據和IT系統結合的力量。

1

AI讓分揀壓力化為無形

物流行業，通常有倉儲和分揀兩個關鍵環節，而在物流系統中，分揀是最為繁瑣，用時最長的環節。 用戶在電商平臺上下單，由系統分揀模塊，將貨物根據訂單地址進行區分，分配至不同地點的倉庫。訂單抵達倉庫之后，即開始分揀。接著出庫抵達下一級分撥中心或者中轉站，最后進入配送。 在電商銷售旺季，處于流程前端的下單量會短時間內激增，唯有提高分揀流程的效率，才能提升整個物流系統的效率，為用戶提供優質的服務。一些優秀的物流公司，正在求助于AI，在分揀流程的幾個關鍵環節以智能化的手段，獲得更高的分揀效率。 為了應對電商購物節期間的業務量洪峰。韻達在分揀中心實施了網格倉策略，借助由視覺人工智能 (AI) 驅動的智能共配分揀系統對快件進行自動分揀。 通常的智能分揀中心，現場的人力并不多，核心業務流程都依靠系統控制，流水線的運行速度也飛快，會有一種看到水在流動的視覺感受，就像是力與美的結合。 在這種“美感”的反面，則是分揀線面臨的準確度與低時延的壓力。分揀線會對快件面單上的信息進行三段碼 OCR (Optical Character Recognition) 檢測，由于識別的結果決定著快件在分揀線上的去向，因此該步驟對分揀效率至關重要，對系統的識別準確度和時延有較高要求。 一旦識別出現錯誤，就會造成分揀線回流，即快件需重新再過分揀線或需要人工分揀；而當錯誤率較高時，更會加重網點的操作壓力。故而，韻達提出系統識別的準確度須達到 95% 以上。另一方面，系統時延與分揀線傳輸速度息息相關，檢測算法的時延會直接影響分揀傳輸的效率，過慢就會造成快件積壓，進而影響分揀速度和派送時效，韻達經過評估后發現智能分揀線系統的時延必須要小于130ms才能滿足他們對高效率的需求。

為了解決這些難題，韻達選擇了英特爾的解決方案，基于英特爾 數據中心GPU Flex系列 170和英特爾 分發版OpenVINO 工具套件來優化其三段碼OCR檢測系統和分撥視頻分析平臺性能。

為驗證方案性能，韻達進行了三段碼 OCR 測試和TSM (Temporal Shift Module) 測試。在三段碼OCR測試中，共對2450張圖片進行了識別，測試結果顯示平均運行時間為 114ms，很好地滿足了韻達對低時延的需求；準確度能夠達到 97%-98%，也優于韻達 95%的預期基準。 在TSM測試中，選用了1200個視頻并分不同實例和批量大小做了測試，測試結果如圖所示。

圖片來源英特爾白皮書（點擊圖片了解白皮書詳細內容）

綜合測試和網店測試結果，韻達的視覺AI方案從算力、時延、準確度、并發能力、穩定性和散熱能力等多個方面都能很好地滿足韻達的需求，并帶來了如下企業優勢：

第一，提升業務效率并降低成本：智能分揀系統的部署顯著提升了分揀線效率，進而提升了派送效率和派送時效；此外，高效的智能分揀系統還幫助韻達實現了人力和成本節約。

第二，優化業務管理和決策：英特爾 數據中心GPU Flex系列170帶來的高算力讓韻達實現了更高效的分撥視頻流分析，可幫助韻達在跨年度/跨季度預測、合理定價、網點時效提升和獎懲制定等方面做出優化。

2

每個物流場景，都少不了英特爾的身影

實際上，這僅僅只是韻達基于英特爾GPU的解決方案，其實韻達與英特爾的合作遠不止于此。 早在2018年，韻達就與英特爾展了全方位的技術交流與協作，英特爾的至強 可擴展處理器及其他一系列軟硬件產品技術在“大小件測量”、“數據中心異常檢測”以及“件量預測”等多個關鍵環節上為韻達構建起高效的AI應用底座。 在2020年，為了利用AI視覺技術解決在物流運輸、分揀、派送等過程中遇到的難題，韻達也采用了英特爾CPU及其他軟硬件組合，完成了智慧視覺解決方案的優化，實現了分轉中心智能數據處理，但也同時遭遇了新的技術挑戰：

一方面，由于物流場景的復雜性與多變性，物流行業有著爆倉識別、違規操作分析、車輛到站識別、裝載率識別等非常復雜的場景，一個場景甚至會出現幾十種不同的情況，未經優化的算法可能會出現效率與精度問題，影響設計目標的實現。

另一方面，因為視頻推理等人工智能負載對于硬件有著嚴苛的需求，傳統的硬件在邊緣側難以滿足視頻推理在性能、精度、功耗等方面的需求，同時，專用的硬件方案也有成本昂貴、開發與部署門檻高等問題。

當然，從深度學習算法自身來看，面向圖像識別的深度學習模型也常會存在解釋性差的問題，模型復雜度高、優化困難，計算強度高、對于算力有著較高要求，需要進一步實現算法優化。 在此項目中，英特爾和韻達一起構建了基于至強 可擴展處理器和酷睿 處理器的邊緣計算解決方案，將工作負載轉移到網絡邊緣，不僅降低了網絡負載與人工智能推理延遲，還切實降低了人工智能基礎設施平臺的采購成本，以及高帶寬網絡的部署與運維成本。 值得一提的是，除了硬件之外，韻達還通過英特爾 SVET開源套件快速搭建了視頻拉流、解碼、抓圖編碼分發業務，同時利用OpenVINO工具套件，在英特爾平臺上優化了視覺算法，提升了性能。 不止韻達，也有其他物流公司選擇了英特爾基于異構的基礎設施，利用XPU實現AI推理加速，同時借英特爾 分發版 OpenVINO 工具套件和英特爾 oneAPI工具套件等簡化開發與運維，實現應用跨 XPU 的無縫切換。有效監測園區內是否存在攀爬傳送帶等危險作業，踩踏、暴力分揀等違規作業，以及未戴安全帽等著裝安全問題。 英特爾還將以更多、更高性能的專用加速器，持續為物流行業及合作伙伴帶來更多場景的優化方案。

3

AI驅動，讓每個包裹都能準時送達

通過以上案例，我們也發現不同物流場景中都面臨著相似的難題：比如模型開發與維護難度大，計算強度高，再比如專用的硬件方案也有著成本昂貴、開發與部署門檻高等問題。 走向AI驅動的智慧物流，要跨越這些難題，英特爾顯然已經給出了自己的答案： 那就是更加全面、異構化的產品布局，用更加完備的軟硬件產品組合為全開發鏈路護航。 通用計算芯片：

如至強 可擴展處理器，其部署門檻最低，可以充分利用企業現有的IT基礎設施；

通用加速芯片：

英特爾 數據中心GPU Flex系列主攻視覺類的AI推理加速，而數據中心GPU Max系列包含有超過1000億晶體管，可為AI模型的高效訓練提供強有力的支持，同時其還能兼顧科學計算，加速多個架構中的SC和AI工作負載；

專用加速器：

7月11日Habana Gaudi2已經發布，正式與用戶們見面，并且在6月27日發布的MLPerf新一代測試報中，它已經有了先聲奪人的表現——不論是大家非常熟悉的BERT、ResNet、Unet模型，還是最近半年異軍突起的大語言模型GPT-3，Gaudi2 都有非常靚眼的表現。

當然，跨異構XPU的切換，少不了軟件的支持。借助OpenVINO 工具套件和oneAPI工具套件等可以幫助用戶簡化AI應用開發并實現跨XPU的無縫切換。用戶可以根據自身工作負載的需求，選擇更適合的芯片運行。

4

小結

物流業是支撐經濟社會發展的基礎性產業。在數字經濟時代，物流不僅是單行道，還促進了新的零售業和新的制造，提高了傳統的庫存周轉率，構建了靈活的供應鏈。 隨著物流業的規模不斷擴大，傳統物流的運營模式受到挑戰，急需向智能化轉型升級。以數字化技術，尤其是AI技術的賦能，物流行業走向智慧化，精細化，高效化是大勢所趨。 但AI應用的開發和優化并非易事，尤其是在異構計算興起的今天更是變得越來越復雜。英特爾擁有強大且專業的技術團隊，完備的異構硬件產品布局，易用的軟件工具組合，可以為物流乃至更多行業AI應用的開發、部署、落地應用提供支持。 讓AI驅動物流行業智能化轉型，讓每個包裹都能準時送達。 文章來源：科技正能量