人工智慧是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術。人工智慧在物流行業的影響主要聚焦在智慧搜尋、倉儲規劃、智慧運輸配送、機器人等領域，人工智慧是加速物流行業向智慧物流時代邁進的新引擎。
一、智慧倉儲環節
人工智慧技術在智慧倉儲環節的具體應用包括:
1、選址決策。人工智慧技術透過收集與選址任務和目標相關的豐富歷史資料，透過大資料技術挖掘對倉儲選址決策有指導意義的知識，建立一個基於大資料的人工智慧選址決策系統，在系統中輸入選址目標與相關引數，人工智慧系統便可以直接得到最接近最優目標，且不受人的主觀判斷與利益糾紛影響的選址結果。
2、無人倉。人工智慧技術的出現使得無人倉的構想得以實現。得益於機器視覺、進化計算等人工智慧技術，自動化倉庫中的搬運機器人、貨架穿梭車、分揀機器人、堆垛機器人、六軸機器人、無人叉車等一系列物流機器人可以對倉庫內的物流作業實現自感知、自學習、自決策、自執行，實現更高程度的自動化。
透過機器視覺技術，不同的攝像頭和感測器可以抓取實時資料，繼而透過品牌標識、標籤和3D形態來識別物品，從而可以使揀選機器人對移動傳送帶上的可回收物品進行分類和挑揀，以替代傳統人工倉庫中的傳送機器、掃描裝置、人工處理裝置和工作人員一道道的分揀作業，大大提高倉庫的運作效率。
3、庫存管理。人工智慧技術基於海量歷史消費資料，透過深度學習、寬度學習等演算法建立庫存需求量預測模型，對以往的資料進行解釋並預測未來的資料，形成一個智慧倉儲需求預測系統，以實現系統基於事實資料自主生成最優的訂貨方案，實現對庫存水平的動態調整。同時，隨著訂單資料的不斷增多，預測結果的靈敏性與準確性能夠得到進一步提高，使企業在保持較高物流服務水平的同時，還能持續降低企業的成本庫存。
二、智慧運輸環節
使用人工智慧技術進行預測性運輸網路管理可顯著提高物流業務運營能力。以航空運輸為例，準時保量運輸是空運業務的關鍵。DHL開發了一種基於機器學習的工具來預測空運延誤狀況，以預先採取緩解措施。透過對其內部資料的58個不同引數進行分析，機器學習模型能夠提前一週對特定航線的日平均通行時間進行預測。
三、智慧配送環節
隨著無人駕駛等技術的成熟，未來的運輸將更加快捷和高效。透過實時跟蹤交通訊息，以及調整運輸路徑，配送的時間精度將逐步提高。
（1）配送機器人。配送機器人根據目的地自動生成合理的配送路線，並在行進途中避讓車輛、過減速帶、繞開障礙物，到達配送機器人停靠點後，向用戶傳送簡訊提醒通知收貨，使用者可直接透過驗證或人臉識別開箱取貨。
（2）無人機快遞。利用無線電遙控裝置和自備的程式控制裝置，操縱無人駕駛的低空飛行器運載包裹到達目的地。無人機快遞可以解決偏遠地區的配送問題，提高配送效率，同時減少人力成本。同時，無人機快遞也受限於惡劣天氣下、人為破壞等影響，目前尚未大範圍使用。
四、其他環節
（1）智慧測算。透過對商品數量、體積等基礎資料分析，對各環節如包裝、運輸車輛等進行智慧排程，如透過測算百萬SKU (庫存量單位)商品的體積資料和包裝箱尺寸，利用深度學習演算法技術，由系統智慧地計算並推薦耗材和打包排序，從而合理安排箱型和商品擺放方案。
（2）影象識別。計算機視覺技術的卷積神經網路可用於手寫識別，相比人工識別可有效提高準確率，減少工作量和出錯率。另外，計算機視覺技術也可應用於倉內機器人的定位導航，以及無人駕駛中識別遠處的車輛位置等。
人工智慧是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術。人工智慧在物流行業的影響主要聚焦在智慧搜尋、倉儲規劃、智慧運輸配送、機器人等領域，人工智慧是加速物流行業向智慧物流時代邁進的新引擎。
一、智慧倉儲環節
人工智慧技術在智慧倉儲環節的具體應用包括:
1、選址決策。人工智慧技術透過收集與選址任務和目標相關的豐富歷史資料，透過大資料技術挖掘對倉儲選址決策有指導意義的知識，建立一個基於大資料的人工智慧選址決策系統，在系統中輸入選址目標與相關引數，人工智慧系統便可以直接得到最接近最優目標，且不受人的主觀判斷與利益糾紛影響的選址結果。
2、無人倉。人工智慧技術的出現使得無人倉的構想得以實現。得益於機器視覺、進化計算等人工智慧技術，自動化倉庫中的搬運機器人、貨架穿梭車、分揀機器人、堆垛機器人、六軸機器人、無人叉車等一系列物流機器人可以對倉庫內的物流作業實現自感知、自學習、自決策、自執行，實現更高程度的自動化。
透過機器視覺技術，不同的攝像頭和感測器可以抓取實時資料，繼而透過品牌標識、標籤和3D形態來識別物品，從而可以使揀選機器人對移動傳送帶上的可回收物品進行分類和挑揀，以替代傳統人工倉庫中的傳送機器、掃描裝置、人工處理裝置和工作人員一道道的分揀作業，大大提高倉庫的運作效率。
3、庫存管理。人工智慧技術基於海量歷史消費資料，透過深度學習、寬度學習等演算法建立庫存需求量預測模型，對以往的資料進行解釋並預測未來的資料，形成一個智慧倉儲需求預測系統，以實現系統基於事實資料自主生成最優的訂貨方案，實現對庫存水平的動態調整。同時，隨著訂單資料的不斷增多，預測結果的靈敏性與準確性能夠得到進一步提高，使企業在保持較高物流服務水平的同時，還能持續降低企業的成本庫存。
二、智慧運輸環節
使用人工智慧技術進行預測性運輸網路管理可顯著提高物流業務運營能力。以航空運輸為例，準時保量運輸是空運業務的關鍵。DHL開發了一種基於機器學習的工具來預測空運延誤狀況，以預先採取緩解措施。透過對其內部資料的58個不同引數進行分析，機器學習模型能夠提前一週對特定航線的日平均通行時間進行預測。
三、智慧配送環節
隨著無人駕駛等技術的成熟，未來的運輸將更加快捷和高效。透過實時跟蹤交通訊息，以及調整運輸路徑，配送的時間精度將逐步提高。
（1）配送機器人。配送機器人根據目的地自動生成合理的配送路線，並在行進途中避讓車輛、過減速帶、繞開障礙物，到達配送機器人停靠點後，向用戶傳送簡訊提醒通知收貨，使用者可直接透過驗證或人臉識別開箱取貨。
（2）無人機快遞。利用無線電遙控裝置和自備的程式控制裝置，操縱無人駕駛的低空飛行器運載包裹到達目的地。無人機快遞可以解決偏遠地區的配送問題，提高配送效率，同時減少人力成本。同時，無人機快遞也受限於惡劣天氣下、人為破壞等影響，目前尚未大範圍使用。
四、其他環節
（1）智慧測算。透過對商品數量、體積等基礎資料分析，對各環節如包裝、運輸車輛等進行智慧排程，如透過測算百萬SKU (庫存量單位)商品的體積資料和包裝箱尺寸，利用深度學習演算法技術，由系統智慧地計算並推薦耗材和打包排序，從而合理安排箱型和商品擺放方案。
（2）影象識別。計算機視覺技術的卷積神經網路可用於手寫識別，相比人工識別可有效提高準確率，減少工作量和出錯率。另外，計算機視覺技術也可應用於倉內機器人的定位導航，以及無人駕駛中識別遠處的車輛位置等。