擴大運營規(guī)模通常需要額外的員工，而這些員工通常無法立即投入使用，尤其是在其他行業(yè)也有需求的時候。對市場波動做出快速反應需要整個運營過程中的快速行動和額外的能力。

　　隨著需求的變化，物流自動化可以使產(chǎn)能快速增長。如果有策略地使用，物流自動化可以提高生產(chǎn)率，減少人為錯誤，提高工作效率。在適當?shù)奈锪髯詣踊浖?、硬件和平臺資源到位的情況下，在低需求時期對運營支出的影響是最小的，遠遠低于維持大量的人力資源。隨著需求的增加，產(chǎn)能已經(jīng)到位，隨時可以啟動。雖然這給了物流公司對需求變化做出快速反應所需的靈活性，但也有機會做得更多。

　　人工智能放大物流自動化影響

　　將人工智能 (AI) 引入物流自動化會放大人工智能的影響。 AI 減少了常見的半技能任務(例如對產(chǎn)品進行分類和分類)中的錯誤。例如，自主移動機器人 (AMR) 可以改善包裹遞送，包括通常最昂貴的最后一公里遞送。 AI 幫助 AMR 進行路線規(guī)劃和特征識別，例如人員、障礙物、交付門戶和門口。

　　將物流自動化集成到任何環(huán)境中都會帶來挑戰(zhàn)。它可以像用動力傳送帶替換重復過程一樣簡單，也可以像將協(xié)作、自主機器人引入工作場所一樣復雜。當人工智能被添加到這個自動化和集成過程中時，挑戰(zhàn)變得更加復雜，但好處也會增加。

　　隨著解決方案變得更加互聯(lián)并且更加了解流程中的所有其他階段，各個自動化元素的效率也會提高。將 AI 靠近生成數(shù)據(jù)和采取行動的位置，稱為邊緣 AI。邊緣人工智能的采用已經(jīng)重新定義了物流自動化。

　　Edge AI 發(fā)展迅速，其用途不僅限于物流自動化。將人工智能置于網(wǎng)絡邊緣的好處必須與資源的可用性相平衡，例如電力、環(huán)境操作條件、物理位置和可用空間。

　　邊緣推理

　　邊緣計算使計算和數(shù)據(jù)更緊密地結合在一起。在傳統(tǒng)的物聯(lián)網(wǎng)應用中，大多數(shù)數(shù)據(jù)通過網(wǎng)絡發(fā)送到(云)服務器，在那里處理數(shù)據(jù)，并將結果發(fā)送回網(wǎng)絡邊緣，例如物理設備。僅云計算會帶來延遲，這在時間關鍵的系統(tǒng)中是不可接受的。邊緣計算發(fā)揮作用的一個例子是，在分揀過程中捕獲和處理本地包裹的圖像數(shù)據(jù)，使物流自動化系統(tǒng)在0.2秒內(nèi)做出響應。系統(tǒng)這一部分的網(wǎng)絡延遲會減慢排序過程，但邊緣計算正在消除這個潛在的瓶頸。

　　雖然邊緣計算使計算更接近數(shù)據(jù)，但將人工智能添加到邊緣可以使過程更加靈活，甚至更不容易出錯。同樣，最后一公里的物流在很大程度上依賴于人類，但使用邊緣 AI 的 AMR 也改善了這一點。

　　增加人工智能對物流自動化中使用的硬件和軟件有重大影響，而且有越來越多的潛在解決方案。通常，用于訓練人工智能模型的解決方案并不適合在網(wǎng)絡邊緣部署模型。用于訓練的處理資源是為服務器設計的，其中電源和內(nèi)存等資源幾乎是無限的。在邊緣，算力與存儲都是有限的。

　　異構架構的趨勢

　　在硬件方面，大型多核處理器不太適合邊緣 AI 應用。相反，開發(fā)人員正在轉向針對邊緣 AI 部署優(yōu)化的異構硬件解決方案。這當然包括 CPU 和 GPU，但它擴展到專用集成電路 (ASIC)、微控制器 (MCU) 和 FPGA。某些架構(例如 GPU)擅長并行處理，而其他架構(例如 CPU)則更擅長順序處理。今天，沒有一種架構可以真正聲稱為 AI 應用提供最佳解決方案?？傮w趨勢是使用提供最佳解決方案的硬件來配置系統(tǒng)，而不是使用同一架構的多個實例。

　　這種趨勢指向異構架構，其中有許多不同的硬件處理解決方案配置為協(xié)同工作，而不是使用多個設備的同構架構，所有設備都基于相同的處理器。能夠為任何給定任務引入正確的解決方案，或在特定設備上整合多個任務，提供了更大的可擴展性和優(yōu)化每瓦特和/或每美元性能的機會。

　　從同構系統(tǒng)架構轉向異構處理需要一個龐大的解決方案生態(tài)系統(tǒng)，以及在硬件和軟件級別配置這些解決方案的成熟能力。這就是為什么與所有主要芯片應商有重要一級合作關系的供應商合作是很重要的，這些供應商為邊緣計算提供解決方案，并與他們合作開發(fā)可伸縮和靈活的系統(tǒng)。

　　此外，這些解決方案使用 Linux 等通用開源技術，以及機器人操作系統(tǒng) ROS 2 等專業(yè)技術。 事實上，越來越多的開源資源正在開發(fā)中以支持物流和邊緣人工智能。從這個角度來看，沒有單一的“正確”軟件解決方案，運行軟件的硬件平臺也是如此。

　　自動化邊緣計算的模塊化方法

　　為了提高靈活性并減少供應商鎖定，一種方法是在硬件級別使用模塊化，使任何解決方案中的硬件配置更加靈活。實際上，硬件級別的模塊化允許工程師更改系統(tǒng)硬件的任何部分，例如處理器，而不會造成系統(tǒng)范圍的中斷。

　　在部署邊緣 AI 等新技術時，“升級”底層平臺(無論是軟件、處理器等)的能力尤為重要。每一代新的處理器和模塊技術通常都會為在網(wǎng)絡邊緣運行的推理引擎提供更好的功率/性能平衡，因此能夠快速利用這些性能和功率增益，并將對整個物流自動化系統(tǒng)的中斷降到最低，并且邊緣 AI 硬件系統(tǒng)設計是一個明顯的優(yōu)勢。

　　通過使用Docker等微服務架構和容器技術，將硬件中的模塊化擴展到軟件中。如果有更優(yōu)化的處理器解決方案可用，即使它來自不同的制造商，利用該處理器的軟件也是模塊化的，可以代替先前處理器的模塊使用，而無需更改系統(tǒng)的其余部分。軟件容器還提供了一種簡單而強大的方式來添加新功能，例如，適用于在邊緣運行 AI。

　　容器內(nèi)的軟件也可以模塊化。

　　硬件和軟件的模塊化和容器方法最大限度地減少了供應商鎖定，這意味著解決方案不依賴于任何特定平臺。它還增加了平臺和應用程序之間的抽象，使最終用戶更容易開發(fā)自己的不依賴于平臺的應用程序。

　　結論

　　在物流自動化中部署邊緣 AI 不需要更換整個系統(tǒng)。首先評估工作空間并確定可以真正從 AI 驅動的自動化中受益的階段。主要目標是在降低運營支出的同時提高效率，特別是在勞動力短缺時期應對需求增加。

　　越來越多的科技公司致力于 AI 解決方案，但這些公司通常針對的是云，而不是邊緣計算。在邊緣，條件非常不同，資源可能有限，甚至可能需要專用的專用通信網(wǎng)絡。

　　通過使用人工智能等技術，自動化將在物流運營中繼續(xù)增長和擴展。這些系統(tǒng)解決方案需要設計用于惡劣的環(huán)境，與云或數(shù)據(jù)中心截然不同。我們使用模塊化方法解決這個問題，該方法提供極具競爭力的解決方案、較短的開發(fā)周期和靈活的平臺。