旷视物流业务负责人徐庆才最近也感受到了企业真实的需求正在爆发。“可能在十年前很多企业在做智能物流，更多是做一个展示，为了做而去做，这几年下来，真正的客户会算细帐，算系统带来的真正价值。”徐庆才说，当降本增效成为发展的主旋律时，实体企业对于数字化和智能化转型，有了真真切切的需求，而且非常紧迫。
01、AI物流迎来春天，旷视已服务200多家客户
(资料图片)
“可以感觉到确实春天来了。”3月中旬，徐庆才在一场交流会中透露，整个AI物流行业在增长，旷视物流板块的增长速度，这几年都是翻番。
目前旷视更多聚焦在内部物流。自2017年进入智慧物流领域以来，旷视物流业务经历了三个阶段：第一阶段是推出软硬件产品，包括系列AMR产品、无人叉车、AI堆垛机和河图系统；
第二阶段是打造行业标杆案例。旷视在智慧物流领域的落地案例去年就已超过200个，覆盖了食品冷链、新能源、医药、鞋服、化纤氨纶、机械电子电器、3PL等领域。比如旷视为一家全球500强企业打造了其全球首座服装智慧物流配送中心，协同调度近700台智能机器人，日处理订单峰值达到25万件，为数百家门店及时供货；为爱旭提供140台旷视SLAM机器人，实现智能车间的物料自动搬运和高精对接，支持电池硅片日产能超300万片；与国药佛山共同打造行业首例通过AI视觉识别技术，实现器械信息智能采集和复核的案例；与国药广州物流中心一起探索了边生产、边改造的数智化升级道路，为国药广州未来5年节约上千万元。
第三阶段是聚焦核心行业和产品。行业方面主要聚焦食品冷链、新能源、化纤氨纶、医药等垂直行业，产品方面重点聚焦柔性托盘物流解决方案——四向车系统。
旷视将AI场景的落地分了三层：感知、决策和执行。感知层面，通过摄像头去做自动化的收货、商品校验、环境感知以及对人的操作感知。决策层面，当很多机器人在仓库运行时，走什么路线，互相之间如何配合才能达到最高效率，背后需要很好的很好的决策行为。执行层面，当收到决策指令之后，通过对电机的控制，能够让机器人快速、精准地到达指定位置。
“我们希望能通过机器人和自动化的技术给仓库提供解决方案，降本增效。”旷视联合创始人唐文斌说。旷视已经形成了软硬一体化的产品体系：2019年推出的AI赋能的智慧物流操作系统“旷视河图”；之后又自研了智能托盘四向车系统（PS）、自主移动机器人系统（AMR）等多款AI赋能的机器人和智能物流装备；将AI技术与物流自动化系统融合首创了3A智慧物流解决方案（AS/RS+AMR+AI）。
几年前，AI技术在物流领域的应用更多是蜻蜓点水，对客户的价值很难得到体现。背后归根结底是对行业了解不够，这几年，旷视从方案到软硬件都在做场景化和产品化，这也是传统系统和旷视柔性系统的区别。传统的仓库自动化系统在整个实施周期，必须严格按照步骤进行，而柔性系统比较灵活，可以一部分先实施部署，客户先用起来，在这个基础上不断扩展。
02、聚焦柔性化的托盘物流解决方案
仓储自动化已经不是新鲜事，在物流仓储行业运行多年。旷视则将智能仓库进行模块化解构，仓库的自动化包括了托盘单元自动化，货架自动化和搬运自动化。而托盘类需求在仓储市场占比高达90%。旷视此前做了很多硬件产品，但这几年开始在聚焦，“我们的产品希望能够做得更少，但是做得更好”。
旷视专注于做托盘自动化，同时在传统堆垛机上加入AI能力，以更加柔性化的也托盘方式，满足不同场景和空间的需求。
“从旷视整个产品思路来讲，我们今年的重点是要把托盘场景的问题解决得足够好，希望柔性化的托盘解决方案，能被更多人使用。”唐文斌说。旷视在堆垛机上增加了感知能力，让堆垛机每次路过货物时都能先检查一下商品的状态。比如有的地方比较潮湿，箱体会变形，当堆垛机快速将一个托盘拿出来时，可能会掉落。而现在在传统堆垛机上增加了AI能力，识别到各种问题，确保人员和货品安全。
不过，堆垛机的优势在于，面向超高建筑和重物时非常适合，但它对场景要求更高、投资更大、周期很长，而且耗电也更大。
旷视主打的是更加柔性化的四向车方案。借助旷视河图的调度能力，旷视四向车不仅可以做到高密度存储，也可以做到高密度进出，实现每小时600-1000多进出流量，这使得四向车应用场景和原先只是做高密度存储，而变成了更加通用化的托盘解决方案。而且在结合不同场景推出了更细化的产品，比如冷库车、防尘车和清扫车。
旷视将自身定位为新一代物流产品的解决方案提供商，核心产品还是基于AI原生算法的机器人、算法能力和机器人一站式平台。“我们现在做的所有硬件和软件，内核都是基于AI原生算法。”徐庆才说。
但过去，AI企业在行业落地时也面临着不小的挑战，尤其是在了解行业Know-how上，存在非常多的学习成本：一方面是场景需求的碎片化，很多客户要求定制，非常考验成本；另一方面，旷视作为一家产品公司，如何以相对标准化的模块和产品对外输出，至关重要。
唐文斌告诉数智前线，他在过去多年深耕物流行业的过程中也总结了两点经验：一是实际的问题跟想象的问题会有差距。很多搞技术出身的人，容易用模型化的方式去思考问题，对问题进行建模、理解、抽象，但能否跟现场足够贴合，是否足够好用，其实还是会有差距。“很多的东西、经验、知识来自于现场，只有真正到现场才能够去获得这样的反馈。”唐文斌说。
物理世界与数字世界的处理方式完全不同，商品和设备会出现异常，甚至还有人为的干扰。数字世界里出现问题，后台的工程师可以处理掉，但在现实世界里，系统需要考虑到出现突发状况时，如何让系统可以自己去把问题解决掉，或者让现场操作人员能非常友好地去处理，这才是好的系统。“我们会挑相对来讲比较共性化的、价值比较高的问题，解决这些问题就能带来很多价值。”唐文斌说。
二是产品要有相对标准化的内核，但需要方便配置化，也要有容易定制的外延。这能更好适配到不同场景。比如四向车场景里，里面的需求非常多样，如何用一套比较规范的模型，让产品标准化程度比较高的同时，又能通过快速的配置化让客户适配到业务需求中，“在架构上需要很多的思考”。
特别声明：本文为合作媒体授权DoNews专栏转载，文章版权归原作者及原出处所有。文章系作者个人观点，不代表DoNews专栏的立场，转载请联系原作者及原出处获取授权。(有任何疑问都请联系idonews@donews.com)