众所周知，冷链是供应链系统中最为耗能的环节，不论是冷链仓储或是冷链配送，都有极大的改善空间。根据世界农粮组织(Food and Agriculture Organization, FAO)的统计，全球每年约有16亿吨的食物被浪费，这些浪费相当于7500亿美元，而且这些浪费尚不包括海鲜食物。食物浪费所造成的影响不仅是庞大的金额损失，这些食物最终不管是掩埋或是烧毁，都会再大量排放温室气体，使得温室效应又更加剧。
冷链物流是解决这类问题最好的解决方案，特别是通过科技做到全程监控、实时应变，这也是世界农粮组织在农业3.0(ag 3.0)所提出的重点
现在已有许多企业发展出提升物流能见度(visibility)的软硬件，例如使用GPS追踪车辆行驶路径与停等时间、使用手机APP查询生产履历、配送过程温度发生异常时自动简讯通知管理者，或是利用物联网与云端技术，使得监控讯息的传播可以更实时，比起十年前，确实已有大幅进步。然而，如果没有好好利用这些数据并找到改善机会，效益将难以充分发挥。
举例来说，“配送过程温度发生异常时自动简讯通知管理者”，这种技术目前许多软件公司都知道怎么做，许多先进的物流中心或是车队管理系统也多有此机制，管理者看到这些错误讯息，是否知道究竟哪里发生问题，问题核心根源是什么，如何改善才能彻底解决这样的问题，则是未来智慧冷链需要努力的方向。理由很简单，人类可以快速理解异常状况，但是人类无法处理大数据，或是在多维度的数据中找到关键因素。
在本文系列报导第一篇曾提过，人工智能发展有三大关键，分别是算法、硬件加速器与训练资料。算法可以参考目前世界上已发表的论文加以修改；硬件加速器也已经相当成熟，成本持续下降，一般零售市场都可买到，唯一有钱难买的就是“训练资料”。训练资料就相当于AI模型的素材，有好的训练资料，才能确保AI模型在后续的规划、预测时有良好表现，而这些素材，来自企业每日的营运数据。简单的说，唯一可让AI模型表现越来越聪明的，就是企业本身。
物流企业的营运数据大致上可区分为二种，一种是比较高层次，属于战术性资料，例如每天要处理几张订单、每张订单订购了几种品项、订购了多少数量，这类资料，大概每个物流企业都会有。
另一种属于战略性资料，简单的说就是为了满足一张订单，在当时的环境下（例如当时的气候、温湿度），企业总共耗费了多少资源，这类资料需要特殊装置记录（例如物联网装置），是真正的大数据来源。随着物联网装置、雾计算(fog computing)越来越普及，可预期在未来三年，这类的记录数据会越来越多，但是，企业们是否准备好这些资料的处理方式？以下本文将分冷链仓储、冷链配送这二个环节探讨。
冷链仓储
要学习最好的仓储节能，改善建筑设计，或是投资更好的空调设备是正确方向，但仍难以做到极致。要做到节能的最后一公里，AI将会是答案。目前全球做得最好的AI节能就是Google的资料中心。
Google目前在全球共有15座资料中心(data center)，所谓资料中心就是一般俗称的计算机机房，只是规模大得更多，包括大众所使用的gmail、电子地图、云端硬盘、Youtube影音等，都是存放在这些资料中心内。这些资料中心内有相当多的计算机主机，因此如何散热、有效控温，才能节省能源，一直是Google管理阶层努力的重点。Google除了有相关冷却设备，还布署了众多的感应器(sensor)。通过感应器所回传的大数据，搭配Google最擅长的人工智能，号称一年可省下十亿美元空调费用。
Google的管理经验大致上可归纳如下，一般大众所采购的计算机系统不论是个人用或是服务器专用，都会有机壳(case)，机壳可防尘、避免内部零件受到外部影响，但是相对的，多了机壳也会使主机内部散热不易，且如果要维修硬件零件，还得花时间打开机壳。因此，Google所采购的主机都尽量避免安装机壳。没有机壳的主机反而使得主机采购的成本降低，散热方便。
其次，Google让资料中心内各种热源集中导流，如下图2所示，所有主机风扇都是统一向通道吹，这些热源会被导流回收，不会与一般空气混合，以免抵销空调效果，最后这些热源会通过过水冷系统冷却，完整的资料中心照片集，可通过网址下载。
Google做到这么庞大的节省，不是花一年、二年，而是从2008年开始，就着手做这样的改变，光是AI模型就持续训练了一年，让模型可经历完整的春夏秋冬温度变化，以及主机各种负载状况，此后则是持续改善。
冷链配送
多温层车辆对于运输效率的提升确实有很大的帮助，但是如果缺乏良好的运输规划，多温层车可能反而成为拖油车。在配送方面的战略性资料，包括这辆车是星期几出勤，每个货件原始重量、应到货时段、预计配送地址与物流中心的距离、在货运车辆上累积待多久时间，车辆运行多少距离后商品才被配达，这期间车门会被打开几次，每次被打开多久、空调主机耗电几度、车辆油耗总共几公升、车辆运行期间车厢内温度、湿度、外部大气温度、湿度…等，只要想得到的参数，都可持续累积于自动记录系统。
以目前的科技，持续记录这些数据并不困难，成本也很低，但是可为AI模型累积庞大的训练资料(training data)。
导入AI模型的逻辑也很简单，输入的内容就是当天某一辆货运车需要配送的商品内容，输出结果就是各商品的配送顺序，目标就是使得整体耗能最低。本文用一个简单概念来说明配送路线的不同会如何影响整体耗能状况。下图中，本文假设从物流中心出发后，仅有二个配送点A、B，物流中心与这二点的地理距离如下图3所示，因此不论是先配送A在配送B，或是先配送B再配送A，累计行驶距离都是9公里。
为了简化计算，本文再假设为了要配送给A客户，每公里必须消耗5单位能源；如果要配送给B客户，每公里必须消耗2单位能源，我们可以想象，每公里的能源消耗主要就是用在空调系统。
本文将二种配送顺序每公里的能源消耗表列如下，以下表左边为例，由于是先配送A商品，因此前三公里，A商品合计耗用了15单位能源，这时候B商品还是在车上，因此B商品同一时间也继续耗能，直到第5公里的时候，B商品卸货，最后空车返回物流中心（我们假设空车时，每公里会耗用0.5单位能源）。因此如果先送A再送B，整体能源消耗是27单位；但如果先配送B再送A，整体能源消耗变成39.5单位。
上表的计算不难理解，读者可发现，光是二个配送点，如果到货顺序不同，所耗用的能源也不同，更何况是物流中心每天有上百车次，每个车次数十个配送点，如果不做出好的路线规划，利润就会被这些额外的耗能所吞噬。而这样的路线安排，在数学上是相当复杂的，如果要配送的点数少，还可在合理时间内计算出最佳解；如果配送的点多，最好还是使用人工智能模型做推估，可在合理时间内获得令人满意的规划结果。
资料精简
人工智能对我们最主要的意义，就是帮助我们在众多数据中理出头绪，告诉我们这样的数据有着甚么样的趋势。从AI模型的角度来看，当然希望来源数据越多越好，最好是每一秒就记录一次，但是如果随着监测的变量增多，例如同时得记录温度、湿度、二氧化碳浓度、GPS位置，反而记录系统会无法承受这么大量的资料，同时也会使得传输成本变得越来越高，反而又抵销了部分改善效益。因此，该如何保存资料，多久记录一次、多久回传一次，也是另一个智慧冷链需要考虑的议题，这就好像录像资料一样，如果前后幅(frame)的画面并没有差异，可以略过(skip)其中一幅，以便减少资料量，同时又可记录最多的事实。
软硬兼施
请注意，不要以为买了一部变频式空调主机，就可以节省低温仓储的空调费用。管理者要实质应用AI，必须有先清楚描述自身的问题，并开始搜集大数据。大数据的搜集绝非一蹴可及，数据量如果不足，或是缺乏代表性（例如仅搜集到旺季的空调运转状况，缺乏淡季的资料），训练出来的AI模型也会缺乏解释能力。管理者在做任何未来的硬件投资前，也都必须评估，这些硬件是否有配套的感应器可侦测环境并传输资料，以及这些硬件所搜集的资料，未来需要如何喂入AI模型，要用哪一种资料格式记录，充分整合硬件、感应器与AI模型这三个环节，才能发挥AI的最大效用。
（未完待续......）
（本文不代表本刊观点）
【行业前沿】加大海外市场拓展力度 多元化演绎物流改变生活——访圆通速递股份有限公司副总裁 相峰
【行业前沿】以心传递，畅达天下——远成集团亮相2018物流双年展
【探索】极速的智能，柔性的应对——揭秘Urban Revivo极速供应链神话
【展望】开放边界助力新零售更完善——访G7智慧物联网创始人兼首席执行官 翟学魂
【展望】雄心勃勃，打造 现代化“冷链”航母——访海航冷链控股股份有限公司副董事长 刘原
构建桥梁，LAG助力中德物流无界沟通——访德国交通与数字基础设施部国务秘书 Steffen Bilger
【行业前沿】亚洲物流双年展,传化揭秘物流黑科技——访传化智联股份有 限公司市场品牌部总经理 韩雪峰
【行业前沿】品质物流 一路呵护——访苏宁物流市场总监 代永华
【特别企划】金峰：做中国特色的“智能化”设备
【特别企划】区块链条码管理技术强势来袭——码尚智汇链数据管理平台
时间：下半年
地点：上海
