[藍興泰導讀]“今天從事各種專業(yè)的人，需要在這三個方向中尋找自己的未來之路。” 

DeepSeek爆火以來，迅速成為物流行業(yè)熱議的話題。憑借其強大的AI能力，DeepSeek被認為有望為物流行業(yè)的復雜問題提供高效解決方案。許多業(yè)內(nèi)人士紛紛嘗試利用這一工具解決實際問題，以驗證其在物流行業(yè)中的實用性。

一、DeepSeek在倉儲布局規(guī)劃中的應用嘗試

公眾號“環(huán)球物流咨詢規(guī)劃”率先對DeepSeek在倉儲布局規(guī)劃中的應用進行探索，發(fā)布了以《用deepseek進行倉儲布局規(guī)劃》為主題的文章。該文嘗試利用DeepSeek在MATLAB環(huán)境中運行代碼，生成倉庫布局模型，旨在深入了解DeepSeek的思考方式，并搭建一個高效的倉儲布局模型框架，以提高物流規(guī)劃的效率。

具體步驟如下：

首先，讓deepseek構(gòu)建一個基本的倉庫功能區(qū)色塊；

再，引導deepseek優(yōu)化倉庫功能區(qū)的大?。?/span>

然后，引導deepseek在各個功能區(qū)中建立貨架或緩沖貨位；

后，用豆包進行代碼交叉解讀，并計算倉庫指標。

與deepseek的對話過程，請滑動查看下圖：

1.deepseek生成一個倉儲功能區(qū)色塊圖

deepseek生成的代碼運行結(jié)果：

2. 引導deepseek對倉儲功能區(qū)色塊定義尺寸

deepseek生成的代碼運行結(jié)果：

3. deepseek構(gòu)建存儲區(qū)中的貨架布局

deepseek生成的代碼運行結(jié)果：

4. deepseek優(yōu)化存儲區(qū)布局

deepseek生成的代碼運行結(jié)果：

5. deepseek構(gòu)建分揀區(qū)中的貨位

deepseek生成的代碼運行結(jié)果：

6. deepseek構(gòu)建出庫集貨區(qū)中的貨位

deepseek生成的代碼運行結(jié)果：

7. deepseek構(gòu)建倉儲物流動線

deepseek生成的代碼運行結(jié)果：

8. deepseek構(gòu)建卸貨區(qū)的卸貨位

deepseek生成的代碼運行結(jié)果：

9. deepseek對倉儲功能區(qū)進行說明

10. 用豆包交叉讀取代碼，計算倉庫績效

通過這一實踐，作者總結(jié)了DeepSeek在物流規(guī)劃中的優(yōu)勢和需要注意的問題。

優(yōu)勢：1. 物流規(guī)劃的知識儲備完整；2. 可以幫助規(guī)劃者快速的搭建一個倉儲場景框架；3. 可以給有規(guī)劃者帶來很多規(guī)劃思路；4. 技術(shù)上，代碼結(jié)構(gòu)清晰，可讀性強；5. 規(guī)劃以坐標數(shù)據(jù)為基礎完成，與其它規(guī)劃工具的交互性強。

需要注意的問題：1.使用者需要儲備規(guī)劃知識框架，以便更好的組織問題；2.使用者需要能理解deepseek的思考方式，以便對其回答的結(jié)果進行再提問引導。

文章作者指出，如果能夠熟練掌握AI工具進行物流規(guī)劃，將極大地提高規(guī)劃效率。

二、DeepSeek在倉庫規(guī)劃中的局限性

《用deepseek進行倉儲布局規(guī)劃》發(fā)出后引發(fā)行業(yè)熱議，公眾號“聞道-供應鏈思維”在《Deepseek在倉庫規(guī)劃中的局限性：基于案例研究》一文中指出該內(nèi)容主要聚焦于Matlab編程，與倉庫規(guī)劃本質(zhì)相去甚遠，認為倉庫規(guī)劃需要綜合考慮戰(zhàn)略、戰(zhàn)術(shù)與運營層面的決策，形成多層次框架，具體包括總體結(jié)構(gòu)設計、面積與布局優(yōu)化、設備選擇與自動化配置、運營策略設計（包括存儲策略、揀選策略及補貨策略），促使大家深入探討Deepseek在倉庫規(guī)劃中的局限性，并指出當前AI在專業(yè)領域應用中存在一個普遍問題：過分關注技術(shù)工具本身，而忽視了專業(yè)領域的本質(zhì)需求。

同時，該文通過一個具體的零售企業(yè)配上中心的規(guī)劃案例，讓Deepseek模型對同一任務進行三次規(guī)劃嘗試，分析其表現(xiàn)。

經(jīng)過測試，該作者發(fā)現(xiàn)了幾大關鍵問題，例如：

1.結(jié)果顯著的不一致性：

三次規(guī)劃的總面積分別為12000㎡、15000㎡和7250㎡，差異超過100%。每次規(guī)劃都配有看似合理的推導過程，但結(jié)論截然不同，反映出Deepseek在處理多變量決策時的不穩(wěn)定性。

2.專業(yè)概念理解偏差：

典型錯誤：將“70%的SKU為拆零”誤解為“70%的庫存量需要拆零存儲”，導致存儲空間被高估、揀選設備配置不合理、人力資源規(guī)劃偏離實際需求等一系列問題。

其他問題包括設備選擇不符合零售行業(yè)特點、過道寬度設計不合理等，還有一些一本正經(jīng)胡說八道的內(nèi)容。

3.思維邏輯的不穩(wěn)定性：

每次規(guī)劃雖都展現(xiàn)出都展現(xiàn)出完整的思維鏈的關注點和深度不同，缺乏專業(yè)性穩(wěn)定的思考邏輯框架。

• 第一次規(guī)劃偏重行業(yè)標準比例

• 第二次更注重自動化升級空間

• 第三次采用更務實的空間規(guī)劃思路

4.創(chuàng)新能力評估：缺乏深度行業(yè)經(jīng)驗和創(chuàng)新思維

為進一步測試Deepseek在倉庫規(guī)劃中的創(chuàng)新能力，作者在基礎案例中增加了一個極具挑戰(zhàn)性的條件："每年兩次大促，訂貨量會增加3倍"。

面對這個挑戰(zhàn)，Deepseek一開始忽略了這個新增的條件，再次追問給出一個完整的方案：增設臨時存儲區(qū)、配置可拆卸式貨架系統(tǒng)、建立分揀能力三重保障等。仔細分析這些建議，可以發(fā)現(xiàn)Deepseek的解決方案停留在簡單資源疊加層面，缺乏深度行業(yè)經(jīng)驗和創(chuàng)新思維。

與deepseek的對話過程，請滑動查看下圖：

Deepseek第一次回答

Deepseek第二次回答

Deepsee針對大促的回答

通過幾次對話，作者總結(jié)Deepseek的優(yōu)勢為：

思維鏈的白盒化：每個規(guī)劃方案都附帶詳細推導過程，有助于專業(yè)人員理解和優(yōu)化方案。

系統(tǒng)性思維：盡管解決方案不完美，但展示了多維度思考能力，對物流專家也有參考價值。

持續(xù)學習和適應潛力：如果輸入更多行業(yè)細分場景的實際案例，Deepseek有望做出更專業(yè)、更有針對性的方案。

后，作者認為AI與人類專家的協(xié)作模式可能是未來物流規(guī)劃的佳實踐，建議重新定位AI規(guī)劃的角色，將其定位為增強人類專業(yè)能力的得力助手。AI能夠快速處理數(shù)據(jù)、提供系統(tǒng)化思維框架，而人類專家可以基于經(jīng)驗優(yōu)化方案。

三、Deepseek+物流專家知識：從混沌到秩序、從質(zhì)疑到突破

在探討Deepseek在倉儲規(guī)劃的局限性后，公眾號“聞道-供應鏈思維”緊接著又發(fā)布《Deepseek+物流專家知識：從混沌到秩序、從質(zhì)疑到突破》一文，進一步探討了Deepseek與專家知識相結(jié)合的潛力和價值。當引入物流專家的方法論后，Deepseek的表現(xiàn)是否會有所改善呢？

作者邀請了零售物流規(guī)劃專家董劉先生，基于前文中的案例（零售企業(yè)的配送中心規(guī)劃）提供了一套詳細的專家方法論，包括基礎數(shù)據(jù)計算、各功能區(qū)域面積的計算方法等。

那么，AI與專家知識結(jié)合后的表現(xiàn)如何？

從混沌到秩序：引入專家方法論后，Deepseek的規(guī)劃結(jié)果高度收斂，連續(xù)兩次方案的面積均在8,100平方米左右（第一次8163平方米，第二次8177平方米），差異主要源于大模型對數(shù)字的驗算不夠精準。不僅倉庫面積計算趨于一致，設備推薦也形成了統(tǒng)一性，顯示出Deepseek在專家知識引導下對專業(yè)概念的準確把握和對計算邏輯的深入理解。

從質(zhì)疑到突破：Deepseek并未止步于簡單執(zhí)行專家方法論，而是展現(xiàn)出獨立思考的能力。例如，它對專家方法論中“64個滑道一組”的拆零區(qū)計算方式提出質(zhì)疑，并提出基于每個SKU需要獨立滑道的新計算方法。在第三次規(guī)劃中，Deepseek突破了專家方法論的限制，將拆零區(qū)面積從806平方米調(diào)整到3168平方米，體現(xiàn)出AI在專業(yè)框架下的創(chuàng)新思維。

針對Deepseek的創(chuàng)新，董劉先生指出，其提出的“拆零區(qū)是閣樓，投影面積含上下左右四組”的概念被Deepseek誤解，說明在專業(yè)領域中仍存在大量“隱形知識”，這些知識需要逐步顯性化并納入AI的學習范圍。

與deepseek的對話過程，請查看下圖：

附錄：

題目：規(guī)劃一個零售企業(yè)的配送中心，具體參數(shù)包括：

• 日均訂單量：200個門店

• 平均訂貨量：75箱/店

• 庫存周轉(zhuǎn)：15天

• SKU數(shù)量：2500個

• 拆零比例：70%的SKU需要拆零作業(yè)

第一次規(guī)劃全文：

第二次規(guī)劃全文：

第三次規(guī)劃全文：

總結(jié)

以上三篇文章共同構(gòu)成了一個有意義的探索過程，揭示了AI與物流專業(yè)領域結(jié)合的局限、挑戰(zhàn)及潛力，也為物流行業(yè)如何運用AI，需要、培養(yǎng)怎樣的人才提供了思路。

正如公眾號“聞道-供應鏈思維”的作者指出，AI在專業(yè)領域中的角色不應僅僅是規(guī)則執(zhí)行者，而應成為能夠在專業(yè)框架下實現(xiàn)創(chuàng)新的思考者，未來專業(yè)決策可能采用新模式，即將AI視為專家的智能伙伴，而非單純工具。這意味著未來物流行業(yè)需要既懂物流又懂AI的復合型人才，他們能夠?qū)I(yè)知識與AI技術(shù)相結(jié)合，推動物流行業(yè)的發(fā)展。

這種觀點與理想汽車CEO李想提出的“AI的教練”不謀而合。“AI的教練”負責后訓練，將“佳實踐”轉(zhuǎn)化為AI能力。這類人才需要具備強大的業(yè)務（BT）、技術(shù)（IT）和數(shù)據(jù)（DT）能力，了解業(yè)務需求，掌握高質(zhì)量數(shù)據(jù)的收集和訓練方法。其角色包括原代碼開發(fā)者、產(chǎn)品經(jīng)理和業(yè)務專家，他們需要通過學習轉(zhuǎn)型為AI教練。

李想指出，除了“AI的教練”，“AI的教授”、計算支持者也是人工智能時代的全新工種。“AI的教授”負責預訓練，將各種人類知識匯集起來，使其具備廣泛的專業(yè)知識，類似于擁有多個學位的專家；計算支持者負責為AI提供計算支持，這是AI研發(fā)的核心。例如，自動駕駛需要駕駛數(shù)據(jù)（DT），To C產(chǎn)品需要人類對話記憶數(shù)據(jù)（DT）。

“今天從事各種專業(yè)的人，需要在這三個方向中尋找自己的未來之路。”

ps：感謝公眾號“環(huán)球物流咨詢規(guī)劃”、“聞道-供應鏈思維” “羅戈網(wǎng)”的觀點