可能是很多程序员关心的问题是ai到底有没有真正落地？那么到底ai能落地到哪个领域？目前有哪些应用场景？相信是很多技术人士心中的疑问。今天专门针对这个话题，由长城汽车制造技术（上海）有限公司ai研究院彭冬来讲解。
ai在物流物流行业目前一般都存在两个问题：是物流流程不透明，成本难以计算；是物流系统不够精准。传统的物流做法是，把订单信息转换成一系列数据，找到各种各样的比较典型的物流模型，做加减乘除，经过汇总就可以获得经济合理的生产成本。但是ai却比较特殊，它可以利用这些基础数据，进行变换求解不同的问题，可以大大降低数据量要求，通过大数据技术，非常迅速、准确地制定不同品类生产成本。
当前可以直接在物流系统中实现这样的变换，那么运用最广泛的就是作业流程优化（ops）。什么是作业流程优化？传统物流存在多个工业的或者服务的阶段，而一个正常的系统，大致包括三层：平台、设备、工人。设备的运转直接决定工人的工作能力，工人的工作能力又决定物流的利润率。
假设我们在物流系统里面，把设备、工人这两个层面的因素抽象成若干个s2p（standardframework,标准框架）。图a：standardframework–标准框架图b：可变流程创建有一个最基本的流程，叫做“可变流程创建”，它不是一个公式化的东西，而是一个设计模式，它是通过有限状态机建立起来的。在可变流程创建的状态中，将各个可变阶段的输入状态分解为无穷多个状态节点，s1状态就是你把第一步做了，然后在s2状态能够解释。
我们设想把一整个物流系统抽象成一个线性模型，可变流程的创建、分解、回溯都做成一个状态机，每个状态节点可以看成是最基本的作业步骤，把单一的可变流程创建抽象为唯一的作业步骤，这样设计就非常简单明了了。
案例：gis生产、仓储转运及采购供应链作业流程（单一作业流程即可）可变流程创建其中可变流程模型是最简单易懂的模型，也是普适性最强的，一般做工业物流，考虑的就是更高阶的“大连接”的可变流程。当前已经有很多智能物流服务，采用数字化、精细化的智能流程，这种流程的多样性，可以以大数据为基础，基于地理信息的大数据处理，可以充分解决“目前工业物流大多都是人工操作、高低效率之间脱节”的问题。
当然这种大数据供应链流程最典型的代表是阿里的供应链，其中集成了iot、waf等，整个数据是个巨大的宝库。另外还有一个思考，说这个项目做在servicenow、客户服务中心，因为一个物流系统，它可能有几千万甚至是上亿条物流数据，不断的进行运动的大数据。