2026云栖大会上，我主持了一场物流出行领域的圆桌，几位嘉宾自然都是这个领域内的专家。我们谈得比较尽兴，也就有点超时。所以在让每个嘉宾一句话谈谈AI愿景的时候，我就只留了一分钟的时间。
圆桌超时其实并不少见。但我想说，看到提示器时间倒数之后，嘉宾们的语速之快，简直破了纪录。但我马上想到了原因。 来自物流出行领域的他们，可能天生对超时，就有一种真实的紧迫感吧。
听完全场，我的感受是：物流出行可能是AI“获得感”最强的场景，甚至没有之一。现在大家可能都不太爱接电话了，哪怕一些金融电信服务来电，但快递物流的电话，我们大概率会接的。这个行业和每个人的日常生活之间连着一根实在的线，而它天然又充满了摩擦。当AI开始消除这些摩擦的时候，也就意味着痛苦的减少，和幸福感的提升。
但这些摩擦并不容易消除，因为物流出行场景的复杂性远超许多人的想象。一单货或一次出行从发起到完成，至少要穿过交易、履约、判责三重环节，每个环节又牵涉司机、乘客或货主、平台等不同角色，任何一环出偏差都有即时后果，包裹丢了、温度超标了、乘客投诉了，没有模糊空间。阿里云智能集团公共云事业部解决方案架构部副总经理鲍远松在主题演讲里把AI进入业务分成四层：理解、判断、规划、执行。他的判断是，有标准、有证据、可回溯的场景会率先规模化，而跨环节、多角色、与真实世界持续交互的复杂场景正在逐步突破。
这场论坛上分享的案例，大体就沿着这条线展开：从边界清晰的地址定位、客服分流，到多方博弈的货运撮合，再到与物理世界直接打交道的安全管理。
理解：或许不用打那么多电话
物流行业的摩擦不是什么商业难题，具体某一个微观案例，并不需要天才级的头脑来解决。它是大量的、琐碎的、每天都在发生的一个个沟通和等待。
快递场景是理解这种摩擦最直观的入口。
我们经常会在路上看到快递员一边递送一边打电话：你在不在家？能不能放门口？什么时候方便？有些小区是新建的，地图还没更新；有些地址写得不完整，到了才发现找不到楼。一天打上百个电话，相当一部分是无效沟通。
中通科技基础平台负责人肖文科在演讲中给了一个规模锚点：即便在业务淡季，中通每天的包裹量也超过一亿件。在支撑这一业务规模的网络中，任何一个环节的小改善，都可能累积为可观的经营收益。
在一线取派中，中通精准地址结合文字地址、地图、历史取派位置和业务员轨迹，持续优化地址模型与地址库。在达到高置信度的地址中，取派点位或楼栋级定位准确率达到99.98%。
实际履约产生的位置反馈，经验证后持续用于校正模型，逐步形成一张不断更新的经营地图。这张地图不仅支持取派作业，还能帮助网点分析件量分布、人员负荷和服务半径，将一线经验沉淀为全网可复用的网络资产。
快递员打出去的电话少了，打进中通的电话同样需要AI来接。
中通的云呼网络连接4个总部呼叫中心、近7000个网点的云呼节点及数十万名业务员，高峰期热线每分钟来电接近2000通。AI在云呼网络前端理解诉求、查询信息并处理标准问题，其他问题则转接至后续服务环节。针对真实通话中的噪声、方言、打断和连续对话，中通与阿里云持续优化语音识别与交互能力，提升AI对快递业务诉求的理解能力与对话流畅度，以支持高峰期的稳定服务，减少用户重复描述、无效转接和等待。
判断：老板关心的问题都不一样
如果说精准地址帮助的是在路上跑的人，判断这一层帮助的是做决策的人。
在经营分析中，总部、管区和网点面对的问题不断变化，固定报表难以覆盖所有临时需求。中通基于Qwen模型自主建设Data Agent，重新梳理业务对象、指标口径和经营规则，让模型理解数据背后的业务含义，支持业务人员围绕具体问题开展分析、连续追问。
目前，系统覆盖超过2000名经营管理人员，月均完成约1.8万次分析任务，典型专题分析耗时从过去的多天缩短至10至20分钟。区域市场份额出现变化后，业务人员可以进一步追查异常客户、涉及行业和货量去向，并将分析结果转化为客户核查、成本改善等任务。
数据分析帮的是坐在办公室里的人，在转运中心，AI要判断的是分拣线上正在发生的问题。
在转运中心，机器视觉的应用不止于识别异常，更强调与现场管理和处置流程的衔接。针对错分、堆积等问题，系统通过视觉识别发现异常，再借助3D可视化定位问题，通过IP广播通知对应岗位处理，并进一步确认异常是否消除，推动现场管理从人工巡查、事后追责转向主动干预。
对于处置方式明确的场景，系统还能直接联动设备：识别到包裹卸错月台时自动停线，避免继续错卸；检测到皮带线持续无包裹时下发休眠指令，降低空载能耗。
对中通而言，AI上线并不等于经营价值兑现，关键在于“持续使用、实际执行、指标改善”能否形成完整链路。
这样的AI能力建设，一开始可能看不到效果，但是先苦后甜。菜鸟物流科技AI渠道解决方案负责人童刚在圆桌上分享了菜鸟的路径：去年，菜鸟针对1000多个物流和供应链业务场景进行了AI改造。今年，我们又结合菜鸟过去十多年在物流和供应链领域的经验和积累，最终沉淀出供应链AI决策平台，平台上有多个Agent，能够为企业客户的智能化升级提供支持。童刚说菜鸟是阿里云原生企业，从诞生那天起就跑在云上，十几年的数字化积累才有了今天的AI全面落地。
规划：司机把家搬到了厂区
快递场景里的摩擦主要是沟通和协同的成本。货运场景的摩擦性质不太一样：不只是信息对不齐，还涉及运力资源的控制。
路歌市场品牌中心总监孟凡良讲了一个物流行业的怪现象：规模不经济。很多物流企业做到四五千万年体量时，毛利不错。但体量翻倍，毛利率反而大幅下降。他说不少客户聊到后来会感慨：“我希望回到以前，那会儿事少、管理复杂度低、最主要是能赚钱。”一个原因是企业没办法直接和运力形成积累与交易。
孟凡良举了一个客户的例子。在传统货运企业中，运力资源往往掌握在几个调度手中，企业和司机之间隔着一层人。现在路歌用智能体（Agent，能够自主感知环境、做出判断、采取行动的AI系统）把调度的隐性知识和经验提取出来放进知识库，让企业直接调取运力。
这个过程中，路歌提供客户货运场景、企业规则和数据集，阿里的Qwen模型提供意图识别和处理能力。上线4条路线之后，5个月帮这家企业节省了约74万元运费支出。原来的调度并没有被淘汰，变成了运力管理员，处理人工兜底的事务。
74万是账面上的数字。 孟凡良提了一个非常有体感的小故事：因为和企业建立了长期稳定合作，有些司机举家搬到了厂区附近租房住。货车司机常年在外面跑，居无定所，每年可能靠运气路过家才顺道回去看看。现在有了稳定的合作关系，他把家安在了工作附近。
运力控制权是撮合摩擦的一种形态。阿里云公共云事业部解决方案架构部副总经理鲍远松在主题演讲里还提出了一个更普遍的概念叫“隐性约束”：司机的时间偏好、线路偏好、价格底线，货主的时效要求、履约标准，这些条件没法全部变成表单字段，但直接影响是否愿意成交，Qwen模型能帮助企业更好的理解这些隐性约束，让经营更高效。
在会议上，几家企业解决这个问题的方式各有不同，但是都值得讲一下。
满帮产品研发中心基于阿里云Agent Infra和Qwen大模型，打造了一批能真正“上岗干活”的AI伙伴，覆盖销售、营销等内部赋能场景。在运营侧，AI伙伴通过智能化工作流，每天自动处理近万票货源信息，让一线运营从机械重复中解放出来，回归策略与决策，实现“AI伙伴执行，运营做决策”。货拉拉的智能体则是在用户和司机之间做往复沟通和信息对齐，林肯在圆桌上说货拉拉在客服和撮合场景与阿里云深度联动。
杨瑞飞提到，哈啰在多个业务场景中使用Qwen模型，背后的智能已经能真正理解业务问题。他说，哈啰的出行和本地服务场景天然有个特点——交易双方都不是专业角色，沟通和履约的摩擦系数很高，这种情况下，交易链条中最专业的反而是智能体。
这些不同的做法指向同一件事：把交易双方之间的沟通摩擦降下来。
摩擦降下来之后，AI带来的就不只是省下的成本，还有多出来的成交。路歌的收费方式就是从这里切入的：通过AI帮客户创造新的利润空间，从新增利润中收取AI费用，而不是从客户原有的利润里切。目前已在十多个行业完成200多家企业的落地。
在满帮的销售侧，AI伙伴同样带来了工作模式的根本转变。过去，销售拿到线索后只能"盲打外呼"；现在，AI在通话前分析线索质量，通话中实时辅助推荐话术与方案，通话后再把销冠经验沉淀回知识库，让新手也具备老手的能力。目前，该体系已覆盖公司绝大部分销售。李颖琨总结道："工具会折旧，但智能体的能力会复利。"从工具到伙伴，满帮正让智能切入核心链路，让经验化作组织复利。
鲍远松在演讲中还提出了一个值得注意的趋势：智能体正在从降本工具变成收入工具。在物流行业，时间就是金钱，提效就是提高利润。当智能体不只是帮企业省钱，还能帮企业找到商机、促成交易、带来真金白银的收入增长时，它的价值就不再只是效率工具，而是一个可核算产出的数字生产单元。阿里云将全栈AI划分为五层：从全球云基础设施、Agent Infra、Qwen模型、推理MaaS&Agent到行业解决方案，为物流与出行AI应用铺好“数字高速公路”，助力企业高效率建设这些“数字生产单元”。
执行：解决问题最好的方式是让问题没有发生
G7易流首席科学家王守崑讲的是一种完全不同的获得感。
前面提到的那些案例，受益的人至少能感受到变化。但有一种获得感，当事人自己可能永远不知道。
安全管理领域有一个经典的海因里希法则：一起严重事故的背后，有29起轻微事故和300起未遂事故。海因里希最初提出这个法则，是在为保险公司做经营分析。保险行业的存在，本身就是为了对冲安全风险。那300起未遂事故才是安全管理真正的底层，但在过去，没有技术手段能系统性地识别和记录它们。 一次急刹车，如果没有发生碰撞，就不会出现在任何报告里。
G7易流在全球范围内第一次把未遂事故纳入了安全管理体系。他们去年发布了一个带算力的车载盒子“紫宝盒”，出货已达数万台，可以接八路摄像头和各种传感器，在端侧做简单推理，复杂推理通过云端Qwen模型完成。王守崑说他们从Qwen3.6开始就在积极尝试各种Qwen模型，目标是在合适的场景用合适的模型，为每一个决策定价。 他们用的是消费级陀螺仪，成本远低于无人机上用的同类器件，但针对货运场景做了大量优化，急加速、急减速、转弯、蛇行都能精准判断。日均上传数据量接近16TB。围绕安全，他们创建了30多个独特的事件类型。
王守崑在演讲中有一个判断：物流场景跟现实物理世界直接发生关系，决策点非常多，决策实时性要求高；因此相比深度而言，决策的广度更重要，更多是利用当时的数据和场景做快速、直接的推理。问题在于人做不到不间断地保持注意力，这也就带来了安全隐患。
嬴彻科技研发总监卢彦斌在圆桌上补充了一个类似的场景：嬴彻的重卡跑干线经常遇到大雾天气，车端的小模型检测到异常天气就让司机接管，同时把信息发到云端Qwen大模型做综合判断，如果确认危险还会触发人工进一步介入。卢彦斌说嬴彻与阿里云一直保持紧密合作，其自动驾驶的云端研发和仿真体系也依托阿里云的基础设施。
数学是最诚实的学科，会就是会，不会就是不会。物流和出行也是一样，人和货到了就是到了，没到就是没到。
我们经常说AI有幻觉，但还有另一句同样出名的话：是人就会犯错。在物流行业，不管是AI的幻觉还是人的失误，结果都会被立刻检验：包裹送没送到、地址对不对、温度有没有超标，每一项都有即时反馈，没有模糊空间。这也是为什么，物流行业的AI应用不容易停留在演示阶段。菜鸟童刚说智能体最大的变化是从单点效率提升变成全链路闭环，而且可以持续学习和自我进化。 在一个结果即时可验证的行业里，这种进化有真实的裁判。
正因如此，当AI让快递员不用打那么多废电话了，当网点老板随手一问就能看到经营状况了，当司机不用焦虑地盯屏幕找货了，当一次急刹车终于被系统记录下来了，这些变化都是实实在在的。
面向未来，阿里云智能集团公共云事业部解决方案架构总监张春华提到物流与出行行业是一个人与系统、智能体、数字人高度协同的可进化网络，这个网络连接物理世界与虚拟世界，阿里云全栈AI 已经为此做好了准备：下一代企业将向“智能体原生的实时运营网络”演进。业务事件触发智能体协同判断，智能体调用业务系统推进执行，再将经营结果反馈至评测、训练和模型更新，形成持续优化的运营闭环。阿里云提供模型、Agent Infra、弹性算力与安全治理等基础支撑，结合企业自身的行业数据，推动 AI从理解与生成，拓展至组织与执行、推演与学习，让智能体融入日常经营，支撑跨系统、跨岗位的实时协同与云上规模化运行。
物流这个行业有烟火气。它看起来是物，但最后和人高度关联 ：快递小哥是人，收件人是人，货车司机是人，等着货物的人也是人。当AI让这些人和人之间的摩擦变少了，每个人的获得感就会提升一点，虽然每个人的获得感是一个小数字，但乘以这个行业的规模，每天一亿件包裹，每天几十万上百万单货运，所有人的获得感加在一起，就不是一个小数字了。