人员流动率很高。我们的客户报告称，大约 50% 的新仓库工人在头 60 天内辞职。在旺季，这一任期可以缩短到不到两周。新一代机器人的出现正值我们面临紧迫的劳动力问题之际，如果不解决这一问题，可能会削弱电子商务的增长和全球经济。
SCMR：您能分享一些现实世界的用例吗？
SAHA：在世界各地的仓库和配送中心，由基础模型驱动的机器人正在帮助组织适应各种运营变化，而无需人工干预、停机或吞吐量中断。
从本质上讲，机器人基础模型使机器人能够发现处理前所未见物品的新方法，同时也使非技术操作员能够在短短几分钟内指导机器人处理新的、具有挑战性的情况（或者，广泛的重新编程可能需要工程师数周或数月的时间）。
以下是一些示例：
人工智能机器人可以对装有重型箱子和收缩包装物品的混合 SKU 托盘进行卸垛。为了避免代价高昂的干预措施影响吞吐量，机器人还必须能够识别干扰物品（空托盘或滑托板）并适当丢弃它们。由于每个托盘的包装方式不同，干扰物品不可预测或不一致，机器人基础模型的通用理解有助于机器人即时适应。
采用机器人基础模型的机器人可以检测包装破损或物品损坏的损坏产品。检测到后，这些物品可以丢弃在例外箱中。在这些情况下，机器人知道谷物包装盒是什么样子，以及损坏或破损的谷物包装盒是什么样子。
SCMR：解释一下机器人基础模型与前几代人工智能机器人自动化有何不同。
SAHA：基础模型的关键是训练数据。ChatGPT 等人工智能模型受益于互联网上广泛可用的大量数据。然而，直到最近，这种规模的数据才可用于训练机器人基础模型，因为机器人需要使用来自现实环境的数据进行训练。互联网数据 Portugal电子邮件列表 或实验室设置是不够的。
数量：必须从世界各地的仓库和配送中心运行的数百个联网机器人中获取大量数据。
多样性：要创建真正通用的模型，数据必须捕捉不同的用例（例如，机器人感应、分类、订单拣选）以及各种各样的商品和 SKU（例如，服装、健康和美容用品、包裹、农产品、杂货、电子产品等）。
多模式：机器人需要的数据不仅仅只有文本等一种类型，还需要更丰富的物理数据，例如传感器信息、执行仓库任务的机器人的视频、SKU 和机器人环境的图像、机器人想要执行的动作等。
这种规模的高保真数据使机器人能够自主适应操作中不可预见的变化，从而实现前几代机器人无法实现的运营效率。
SCMR：您能给我们的读者留下什么建议吗？
SAHA：尽管机器人基础模型尚属新兴事物，但其发展轨迹正在迅速加速。一些全球最具创新精神的物流和零售业领导者已在生产环境中应用机器人应用，尤其是那些需要精确操控物体的任务，如挑选、包装、装载和卸载。
我预测，未来几年我们将看到大量具有商业可行性的应用程序大规模部署，这意味着现在是时候探索您的组织如何应用基础模型了。