竞技宝测速 生成式AI：智能仓储与数据中心的秘密武器

　　我们生活在物质构成的世界中，但这个世界也比以往任何时候都更加数字化。仓库和数据中心已经成为21世纪下一抹鲜亮的底色，使实体与数字世界的对接成为可能。每一次点击、点赞、下载和订购都是在以特定方式跨越虚拟与现实。这些设施也在全球范围内扩张，投资数千亿美元以满足不断增长的市场需求。相应的，从仓库到数据中心的大型商业房地产运营设施也处于变革时代的风口浪尖。过去几十年来，这些设施一直依靠传统方法与渐进式改进推动运营管理。这些设施是供应链的最前沿，而供应链正面临着日益加剧的全球波动性、复杂性与不确定性冲击。如果有一种方法能够跨越这些限制并突破效率、可持续性与弹性水平的极限，我们又将迎来怎样的全新生活？

　　设想一下，机器人协助技术专家穿越仓库中的过道，自动盘点库存；而数据中心则可以自行发电并配合具有最佳能耗的冷却系统——这一切的一切，都离不开AI的布局设计，也是实现经济可持续发展的必要前提。这绝非科幻小说，而是由生成式AI驱动的可预期未来。

　　从仓库到数据中心，各类大型设施都面临着共同的敌人：效率低下。可以想见，如果仓库库存不够准确（大多使用条形码扫描枪和基本软件进行管理）并导致缺货并错过销售机会，会对电子商务巨头亚马逊造成怎样的影响。再想想像谷歌这样的数据中心巨头，由于冷却系统在高压之下仍未全面普及自动化，笨拙的手动调整会导致大量电力被白白浪费。这些都只是现实问题的小小缩影，却折射出背后的巨大机会空间。

　　这就是生成式AI发挥功效的应用场景。与传统技术及以往常见的数据分析工具不同，生成式AI真正实现了下一次飞跃——它能分析大量不同数据集，并利用学到的知识（提取出的模式）建立起全新解决方案，一举在应对思路上突破常规线性思维的桎梏。想象一下，只要向AI系统提供关于历史库存数据、仓库布局及员工生产力的信息，生成式AI就能充当最终系统思考者，从大量数据集处摄取多种模式以设计布局，从而最大限度减少行程长度、优化拣选路线、甚至在潜在瓶颈发生之前发出预测性警告。这种主动出击的方式将彻底改变各大型设施单纯通过扩大占地面积来承载更多业务的固有游戏规则。

　　到本世纪末，生成式AI对大型设施的潜在影响价值将达到1万亿美元甚至更高。推动增长的一大关键，就在于采用生成式AI解决方案驱动仓库与数据中心。这二者是全球范围内增长速度最快的设施类型，管理着大量数据与实物资产，同时也疯狂吞噬土地与能源，这使其成为生成式AI变革浪潮下的理想受众。

　　仓储是现代商业的命脉，但却需要持续同一个看不见的敌人相抗争——混乱的库存。生成式AI在这方面能够发挥重要作用：

　　基于无人机的库存管理：Gather AI等厂商利用AI驱动无人机自动扫描货架，提供实时、完整的库存数据，从而消除了手动操作并保障盘点的准确性。

　　优化布局：GE Digital及InOrbit AI等厂商利用生成式AI设计布局，最大限度缩短了员工的行进距离、推荐最佳拣选路线，并充分考虑到未来增长需求。这一切将显著提高拣选效率及订单配送速度。

　　预测分析：通过分析历史数据及实时信息，Blue Yonder和UKG Kronos等厂商使用AI技术来预测高峰期及人员需求，据此更好地分配资源，并避免因人手不足而造成的物流中断。

　　在生成式AI的协助下，仓库系统预计将迎来更高的库存准确度（高达99.9%）、缩短员工行进距离（20%或更多）并增加订单配送速度（15%或更多）。种种显著改进虽然只是行业的初步估算，具体取决于不同地点及衡量基准，但其中蕴藏的潜在价值真实存在、值得发掘。

　　数据中心是数字时代的支柱，随着云计算、AI及大数据分析需求的不断增加，数据中心的功耗预计在未来几年内还将大幅上升。颇为讽刺的是，AI本身正在设施规模及能源消耗方面产生巨大需求，但同时也将优化及效率大幅提升成为可能。正如摩尔定律的双向属性，大规模AI系统计算需求的指数级增长也要求数据中心迎来一波甚至几波设计范式转变。生成式AI将成为一种设计工具，创造出有利于其托管基础设施的自动化布局规划解决方案。

　　传统设计方法给出的布局方案往往效率低下、通风不良，从而导致硬件过热并带来巨大的冷却电耗。而下一代设施可能会优先考虑以AI优化的硬件架构，高效处理这些设计工作，而这很可能会使专用计算单元能在数据中心领域占据主导地位。这种转变将对数据中心设计产生重大影响，强调更多关注能源效率优化以适应专用处理器产生的更高热量。下面来看生成式AI在优化数据中心管理方面的具体效用：

　　节能布局：大型科技企业（谷歌、亚马逊、Meta等）正在开发AI驱动型设计工具，希望通过最佳通风布局尽可能减少热量汇聚点，进而降低整体冷却需求以显著节约用电成本。

　　预测性热管理：AI系统会分析传感器数据以预测温度波动，并主动调整冷却系统。这样可以防止设备过热并确保服务器始终拥有最佳性能。

　　数据驱动的空间利用率优化：AI能够就服务器与机架摆放位置提供最佳建议，最大限度提高空间利用率与冷却效率。这样无需额外物理空间即可增加服务器容纳量。

　　在生成式AI的辅助下，数据中心预计可减少能源消耗（减少20%或更多）、延长服务器正常运行时间（依托更优的冷却效果）并增加数据中心容量（提升空间利用率）。通过种种综合效率的提升，对可再生能源的现场优化也变得更加可行。与仓储用例一样，这些效果仅是初步估算，实际情况可能有所不同。

　　生成式AI的潜在收益远不止于以上两例。制造企业可以利用AI开展预测性维护与生产线优化。零售门店可以利用AI进行动态定价并设计个性化客户体验。医院可以优化病患诊疗流程、改善资源分配，甚至设计出可提高治疗效果的更佳布局。

　　静态与动态：传统AI擅长分析数据并根据历史趋势进行预测。然而生成式AI能够更进一步，利用学到的知识设计出适应不断变化条件的全新解决方案。设想一下，AI设计的仓库布局可实现最高效率、数据中心可拥有最佳冷却效果，生产线则能将浪费控制在极低水平。这种主动方法正是生成式AI的核心亮点。

　　数据动力源：生成式AI能利用更广泛的数据源（包括传感器数据）建立起更完整的设施运营体系。其不仅依赖于历史数据，还能结合实时信息以实现持续改进。

　　生成式AI建立在所有这些发展成果之上，提供一种更全面、更具创造性的设施优化方法，充分发掘众多数据源中蕴藏的有价值信息。

　　虽然听起来非常美好，但现实情况在于，不同企业往往处于数字化转型之旅的不同阶段，且各自有着不同的技术需求。不过好消息是，大家也都有着相同的追求——提高效率以保持市场效力。尽管生成式AI属于新鲜事物，听起来相当复杂（事实也的确如此），但只要把握住几个关键步骤以引导整个操作思路，那么其入门与管理其实并不困难。根据个人经验，强有力的团队才是推动生成式AI落地的前提与核心手段。培养乐于尝试新事物、体验新工具并通过迭代解决问题的企业文化，将大大降低在现有运营体系下引入新兴技术的应用难度：

　　无数据，不AI：我们在很多企业中看到过类似的问题。大量遗留数据集既未标准化、也无标，而且处于不可阅读或调整的格式。在尝试引入任何重大生成式AI技术之前，最好先以确定数据状态为起点。之后大家再收集与设施特定需求相关的数据。现有数字系统及传感器通常都可用于并扩展生成式AI应用。

　　与初创公司及/或大型科技企业合作，谋求项目成功：与专为大型设施提供生成式AI解决方案的厂商合作。从小处入手，开展试点、迭代、学习，逐步得到符合预期的结果。在这个提示工程的新时代下，花点时间做好预先规划，永远要比问题出现之后再做补救和调整来得重要。这是个全新的领域，所以现在是时候积极尝试，看看什么有效、什么无效，再尝试将发现转化为解决方案。而解决方案供应商将成为理想的资源，能指导大家完成整个过程，并根据您所面临的具体挑战对AI模型做定制化微调。

　　部署试点：与其他任何新兴技术应用一样，生成式AI解决方案首先应在受控的特定区域内（例如仓库中的指定拣选区域）实施，衡量其初步影响，确保可行后再扩大到整个运营范围。

　　生成式AI已经不只是个流行词汇，更是一种强大的工具，能够为从仓库到数据中心、再到工厂和医院的各类大型设施带来巨大价值。通过采用这项技术，我们可以优化运营、降低成本并获取竞争优势。现在正是采取行动的最佳时机，智能化程度更高的未来可持续性弹性设施也将在今天演化出技术雏形。

　　本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。