[藍興泰導讀]“今天從事各種專業的人，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的復雜問題提供高效解決方案。許多業內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中的實用性。

一、DeepSeek在倉儲布局規劃中的應用嘗試

公眾號“環球物流咨詢規劃”率先對DeepSeek在倉儲布局規劃中的應用進行探索，發布了以《用deepseek進行倉儲布局規劃》為主題的文章。該文嘗試利用DeepSeek在MATLAB環境中運行代碼，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，以提高物流規劃的效率。

具體步驟如下：

首先，讓deepseek構建一個基本的倉庫功能區色塊；

再，引導deepseek優化倉庫功能區的大小；

然后，引導deepseek在各個功能區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色塊圖

deepseek生成的代碼運行結果：

2. 引導deepseek對倉儲功能區色塊定義尺寸

deepseek生成的代碼運行結果：

3. deepseek構建存儲區中的貨架布局

deepseek生成的代碼運行結果：

4. deepseek優化存儲區布局

deepseek生成的代碼運行結果：

5. deepseek構建分揀區中的貨位

deepseek生成的代碼運行結果：

6. deepseek構建出庫集貨區中的貨位

deepseek生成的代碼運行結果：

7. deepseek構建倉儲物流動線

deepseek生成的代碼運行結果：

8. deepseek構建卸貨區的卸貨位

deepseek生成的代碼運行結果：

9. deepseek對倉儲功能區進行說明

10. 用豆包交叉讀取代碼，計算倉庫績效

通過這一實踐，作者總結了DeepSeek在物流規劃中的優勢和需要注意的問題。

優勢：1. 物流規劃的知識儲備完整；2. 可以幫助規劃者快速的搭建一個倉儲場景框架；3. 可以給有規劃者帶來很多規劃思路；4. 技術上，代碼結構清晰，可讀性強；5. 規劃以坐標數據為基礎完成，與其它規劃工具的交互性強。

需要注意的問題：1.使用者需要儲備規劃知識框架，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工具進行物流規劃，將極大地提高規劃效率。

二、DeepSeek在倉庫規劃中的局限性

《用deepseek進行倉儲布局規劃》發出后引發行業熱議，公眾號“聞道-供應鏈思維”在《Deepseek在倉庫規劃中的局限性：基于案例研究》一文中指出該內容主要聚焦于Matlab編程，與倉庫規劃本質相去甚遠，認為倉庫規劃需要綜合考慮戰略、戰術與運營層面的決策，形成多層次框架，具體包括總體結構設計、面積與布局優化、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在倉庫規劃中的局限性，并指出當前AI在專業領域應用中存在一個普遍問題：過分關注技術工具本身，而忽視了專業領域的本質需求。

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

經過測試，該作者發現了幾大關鍵問題，例如：

1.結果顯著的不一致性：

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

2.專業概念理解偏差：

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特點、過道寬度設計不合理等，還有一些一本正經胡說八道的內容。

3.思維邏輯的不穩定性：

每次規劃雖都展現出都展現出完整的思維鏈的關注點和深度不同，缺乏專業性穩定的思考邏輯框架。

• 第一次規劃偏重行業標準比例

• 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劃思路

4.創新能力評估：缺乏深度行業經驗和創新思維

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

面對這個挑戰，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、配置可拆卸式貨架系統、建立分揀能力三重保障等。仔細分析這些建議，可以發現Deepseek的解決方案停留在簡單資源疊加層面，缺乏深度行業經驗和創新思維。

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Deepseek的優勢為：

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

系統性思維：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。

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

后，作者認為AI與人類專家的協作模式可能是未來物流規劃的佳實踐，建議重新定位AI規劃的角色，將其定位為增強人類專業能力的得力助手。AI能夠快速處理數據、提供系統化思維框架，而人類專家可以基于經驗優化方案。

三、Deepseek+物流專家知識：從混沌到秩序、從質疑到突破

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

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

那么，AI與專家知識結合后的表現如何？

從混沌到秩序：引入專家方法論后，Deepseek的規劃結果高度收斂，連續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一性，顯示出Deepseek在專家知識引導下對專業概念的準確把握和對計算邏輯的深入理解。

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

針對Deepseek的創新，董劉先生指出，其提出的“拆零區是閣樓，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：規劃一個零售企業的配送中心，具體參數包括：

• 日均訂單量：200個門店

• 平均訂貨量：75箱/店

• 庫存周轉：15天

• SKU數量：2500個

• 拆零比例：70%的SKU需要拆零作業

第一次規劃全文：

第二次規劃全文：

第三次規劃全文：

總結

以上三篇文章共同構成了一個有意義的探索過程，揭示了AI與物流專業領域結合的局限、挑戰及潛力，也為物流行業如何運用AI，需要、培養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在專業領域中的角色不應僅僅是規則執行者，而應成為能夠在專業框架下實現創新的思考者，未來專業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需要既懂物流又懂AI的復合型人才，他們能夠將專業知識與AI技術相結合，推動物流行業的發展。

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”轉化為AI能力。這類人才需要具備強大的業務（BT）、技術（IT）和數據（DT）能力，了解業務需求，掌握高質量數據的收集和訓練方法。其角色包括原代碼開發者、產品經理和業務專家，他們需要通過學習轉型為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研發的核心。例如，自動駕駛需要駕駛數據（DT），To C產品需要人類對話記憶數據（DT）。

“今天從事各種專業的人，需要在這三個方向中尋找自己的未來之路。”

ps：感謝公眾號“環球物流咨詢規劃”、“聞道-供應鏈思維” “羅戈網”的觀點