“今天AI的发展阶段就等于在互联网行业还没有搜索引擎的时代,等于有了电的应用但还没有电网的时代。”创新工场董事长兼CEO李开复在某论坛上这么评价人工智能的发展阶段。近几年来,AI的应用场景逐渐从视频、电商扩大到智能安防、自动驾驶等领域,应用广度和深度不断扩大。相反房地产、能源、物流、制造等传统行业依然没有享受到AI的红利,究其原因,无外乎生产运输环境恶劣、产业链复杂、场景不标准等因素导致其被区隔在数字经济之外。
如果说消费互联网的发展已经到了智能化时代,那么产业物联网还停留在原始阶段,生产加工、运输销售、日常管理等很多环节亟需从人力依赖转向信息自动化。据普华永道(PWC)预测,人工智能在2030年将给世界带来100万亿人民币的经济价值,这些价值将主要由“传统企业+AI”的模式创造。
这也是为什么刚刚落幕的五中全会和十四五规划再次从政策层面明确提出要“推动互联网、大数据、人工智能等同各产业深度融合,推动先进制造业集群发展”。随着人口老龄化加速,以及年轻人逃离传统行业,各行各业+AI已经成为国家战略层面推动的一件大事。
这期间涌现出的智能联网设备公司、智能资产管理公司很多,但真正能为传统行业提供AI系统性解决方案的企业却很少。大多数创业者仅仅解决了产业链某一环的问题,并未形成脉络闭环。
有些传统企业安装了A公司的智能设备,又购买了B公司的智能管理系统,使用一段时间后却发现效果非常有限,一方面A、B之间的数据不能互通,还要依赖人工分析,另一方面无法与合作伙伴进行信息共享,达不到共同提升的效果。
每一个传统产业都是一个复杂的供应链系统,长期积淀下来的行业习惯根深蒂固,有许多潜移默化的行业规则。在笔者看来,AIoT企业想要彻底把机器智能融入到一个产业系统,让传统企业更好的+AI,必须做到以下三点。
1)从单一场景切入赋能细分流程,逐渐重构行业规则
在货运物流领域,G7则凭借其AIoT能力成为顺丰、京东、极兔、德邦、中通等快递快运企业,和煤炭、钢铁、化工等大宗货运领域的基础服务平台。
干线物流等长途货运领域一直存在着信息不对称的问题,卡车司机和车队老板、货主之间长期博弈。车队老板为了知道卡车的位置,有没有绕路接私活,有没有准点到达,不得不频频打电话,甚至让司机停车去路边电话亭打电话,用区号来辨别位置。
G7从航空时刻表中得到启发,设计了一个货运界的航班时刻表,时刻记录卡车位置信息,以及车辆的起点、终点和行程进度,让车队的准点率提升到90%以上。在电商行业刚开始注重配送时效的2012年,G7的班线管理产品迅速推广到全行业成为一个基础设施。
接着,2016年G7发布安全管理产品,实现驾驶安全过程管理,2018年发布数字货舱,让车厢的温度、重量或体积全程可视,都是从单一场景出发推出切合普遍性需求的产品,迅速进化成了整个行业的基础设施。
围绕物流资产的使用场景做软硬件产品研发,G7不断深化物流资产的智能网联能力。在硬件上,给卡车车身安装胎压胎温监测报警器、智能称重传感器、防侧翻传感器、ADAS防碰撞预警系统、DMS驾驶行为分析系统;软件上,有手机、PC双系统的管理平台,能够实现卡车远程风险管控、智能调度、过程管理,全面提升效率、降低成本、保障安全。
沿着物流行业的浪潮演进,G7物联网先是解决了快递快运干线物流领域所有涉及安全、成本、时效方面的问题,从物流园区到车队、司机和货主整个链条上的所有参与者都成为G7服务的对象;2019年开始则逐渐把已验证成熟的技术复用到煤炭、钢铁、化工等制造业大宗物流领域,越来越多的大宗企业和政府部门也开始成为G7的客户。
2)要想更好的驱动AI,需要源源不断的数据作为动力
今年4月,数据作为一种新型生产要素首次正式出现在我国官方文件中。进一步加强政府、社会数据资源整合共享,成为驱动我国经济长期增长的动力。
数据是人工智能的燃料,也是产业物联网的核心。而数据的获取和积累依赖于基础设施的完善,另一方面,数据又能反作用于基础设施,帮助基础设施实现升级。
传统行业各领域都展开过不同程度的数字化转型,积累了海量的数据,只是以前的数字化局限在企业内部,缺乏上下游、各环节的数据打通。比如,公路货运领域,不乏聚焦车货匹配、车险、加油、ETC等各个环节的服务公司。这种情况下,一个物流企业想要完成货运全程数字化需要下载多个APP,想要进行整体的效益评估也需要整合多个部门的数据,并不方便。
G7从给卡车装GPS、给发动机装传感器开始,提高了客户在信息收集、处理、决策等环节的效率,赢得客户的信任。在此基础上,G7积累的大量驾驶行为、油耗、支付数据,也能够更快发现车队痛点,研发出下一个切中行业需求的产品,形成了一个快速推广、快速积累和分析数据的良性循环。
根据公开数据,2018年G7连接的卡车数量是80万辆,2019年底为130万辆,2020年9月为180万辆。借着5G、AI、物联网技术的广泛应用,G7在深耕货运行业8年后进入快速增长期,以AIoT数据底座连接了驾驶室、挂车、安全保险、能源、税筹、维保等货运行业上下游全链条,成为货运行业信息流、物流、资金流的中心节点。
控制了资产场景、掌握了业务数据,G7逐渐成为货运物流行业里的基础设施,并以开放心态推动产业内合作、分享和融合。即可以针对大型客户,在原有的产品服务能力上做一定程度的个性化、模块化服务,又可以为没有研发能力的中小车队提供相对标准化的类“公有云”服务。
如此以来,大型车队、物流园区、煤矿钢铁等货主、卡车司机等都能接入G7的系统看到货运全过程,实时分析经营效益,灵活决策。而保险、能源、装备制造企业也能通过与G7合作,分享到货运行业数智化的红利。
就像阿里在推动自身电商业务发展的过程中,推动了支付、快递行业的发展,成为链接消费者、商家、快递、仓储等各个环节的服务型基础设施公司,G7物联网也在成为其货运领域成为上下游所有人都离不开的基础设施。
3)商业模式普惠化
现在的市场上不缺乏智能设备,仅车联网领域能提供ADAS、DMS设备的公司就有几十家,问题是怎么能让这些AI产品在传统产业进行普及,让大小企业都能用得上用得起。
目前来看,AI提供商大多有两种商业模式:
一种是传统的卖货模式,一手交钱一手交货。因为设备提供商不具备数据分析和运营能力,或者数据维度单一、无法和其他数据打通形成闭环,导致数据的可用性会大大降低。
这种模式下,产品提供方沦为硬件或软件销售公司,用户也无法真正从数字化中受益。虽然也诞生了一批大型企业,甚至上市公司,但商业模式的天然缺陷,造成产品客户群狭窄,不能让产业里的中小微企业受惠。
一种是即插即用的轻资产运营模式,降低硬件价格从而降低用户门槛,获得用户数据的运营权,通过数据增值服务带来更多收入的可能。
G7在2010年创业做GPS盒子时,就启用了当时较少见的SaaS模式,即将这个GPS盒子的硬件、安装、运维连同背后的IT软件系统,看作一个开放的服务平台。所有的客户都可用自己的账号登陆这个平台,不按硬件和系统付费,而是按照体验需求付费,每台卡车每天只需2元钱。
在G7的商业框架中,用户可以用很便宜的价格使用智能资产,实现数字化管理。最早的GPS定位服务,2018年推出的安全管家、数字货舱,都以普惠的定价降低了新技术的使用门槛。
比如,G7的安全保险业务,一开始更多面向大型物流公司和车队,后来团队发现中小型客户对成本非常敏感,不足以承担7×24小时的安全服务,而货运行业又通常把安全和保险放在一块看待的,于是团队开始着手和保险公司研究,推出能让个体司机、小车队用得起的产品。
运用多年积累的驾驶数据,分析保险公司过往事故理赔案例,在AIoT的辅助下G7安全管家实现了对车队和司机的全局性、长期性风险预测,提供有针对性的分级服务、过程管控,让优秀的司机花更少的保险费,同时改善高危司机的驾驶习惯。而对G7来说,和保险公司合作获得了“保险经纪费+安全管理服务费”两个收入来源,同时让安全管家成为又一个行业普及产品。
一般而言,物流行业要么赚资产的钱,要么赚服务的钱,无论是车辆、托盘还是调度车队,都是重模式。数据化资产和智能装备的出现,让资产管理举重若轻成为可能。
产业智能升级浪潮,需要创新的商业路径。要让AI在传统行业成为像水电一样的基础设施,就必须设身处地的创造一套合适落地的普惠化路径。
G7从蛮荒中起步,创业十年内逐步打通“系统—装备—能源—园区”全链条的物流关键要素,以产业物联网「铺路人」的角色,一步步重新定义产业边界。如G7创始人翟学魂所说:“为什么叫铺路,你光给富豪铺路,那叫专用线,铺路就得给所有人铺路,一人交一块钱也够了。”
关于G7
G7成立于2010年,总部位于北京,拥有超过1500名员工,是公路物流行业领先的物联网科技平台。
过去十年来,G7以物联网技术为核心,逐步发展了车队管理平台、主动安全服务、数字能源结算、智能挂车租赁、金融保险、卡车后市场等一系列业务,先后服务了7万家货主和物流公司。
今天的G7,已经发展成一家连接超过180万重卡、数据类型丰富的全球最大的商用车物联网平台。其三大核心业务,G7数字货运、G7安全管家、G7数字货舱,凭借创新的物联网、人工智能和大数据技术与G7丰富的行业经验,均处于各自细分市场的领先地位。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
