跟菜鸟CTO聊了一上午，我更深刻地理解了“产业互联网”应该怎么做(2)

所以，过去多年，菜鸟CTO在宽一直在强调一个概念： 物流需要“刚刚好”的技术。 所谓“刚刚好”，就是立足于应用场景，以合理的成本解决实际问题。如果一项技术不能解决客户遇到的问题，或者不能可靠、成熟地解决，又或者不能以合理的成本收益比(ROI)去解决，那就算不上“刚刚好”。

从应用场景出发、重视性价比，这似乎很不“高大上”，不符合很多人对产业互联网公司的期待。然而，这很可能是最符合中国现实的发展道路。如果一家科技公司能够在零售电商物流这样低毛利率、高度内卷的市场里茁壮成长起来，那么一旦进入高端市场，可能就会形成“降维打击”；反而是那些在高端市场里呼风唤雨的“高科技企业”，在广阔的低毛利率市场往往会失去竞争优势，乃至最终失去自己的大本营。其实，放眼全世界也是如此，我们能够在方兴未艾的AI（人工智能）技术领域找到非常生动的先例：
在长达二十多年的时间里，IBM曾经是全球AI研发当之无愧的翘楚，第一个在国际象棋中击败人类世界冠军的“深蓝”超级电脑就出自IBM。2011年，IBM推出了基于自然语义的AI解决方案——Watson，而且一上手就选择了难度最高的癌症治疗领域，目标是以癌症为出发点，彻底改造全球医疗行业。遗憾的是，事实证明Watson的癌症治疗效果欠佳，还无法融入现存的医疗信息系统，沦为昂贵无用的大玩具。2022年，IBM以区区10亿美元出售了Watson医疗业务，同时停止了对交通、政务、广告等AI解决方案的探索。
与此同时，谷歌、亚马逊、Meta等新一代公司却不声不响地从互联网广告、搜索等消费场景入手，逐渐锻炼AI产品技术，直至进入基础研发领域。尤其是谷歌，通过机器学习的应用大幅提高了广告推送效率，在获得利润的同时锻炼了AI研发团队。到了2016年，第一个在围棋中击败人类世界冠军的超级电脑，变成了谷歌出品的Alpha Go。现在，谷歌不但是全球公认的“机器学习四强”之一（这个榜单里没有IBM），并且已经将机器学习应用到自动驾驶、量子计算等前沿探索领域。IBM的路线有多失败，谷歌的路线就有多成功。
很显然，菜鸟选择了谷歌的路线。可能会有人质疑：从物流行业培养出来的科技研发实力，能有多大的扩展空间？物流行业的技术应用，与芯片、新能源电池、无人机这些时髦的“硬科技概念”比起来，在改变世界方面似乎还差得很远——我必须指出，这是一种极大的误解，甚至可以说恰恰相反。
庞大而复杂的物流市场，需要使用的技术种类远远超过一般人的刻板印象。举几个最简单的例子：

因为种种原因，每天都会出现大量运单脱落的无主包裹。它们的主人肯定不希望看到这些包裹失踪。如何在不打开包裹的前提下，高效地找回这个包裹的归属，从而继续完成履约流程？这就需要运用强大的搜索技术。 近年来跨境电商的发展速度很快，一个跨境电商包裹的生命周期可能长达一两个月；数以百万计的包裹加起来，状态数据非常庞大。所以，要基于云计算去改造数据架构，实现海量数据的高效存取。这就是菜鸟全面采用阿里云PolarDB数据库技术的原因。 上述技术，无论多么复杂、高深，在终端都要简洁易用。例如，包裹搜索功能必须让仓储物流小哥能够简便地操作。毫不夸张地说，我们能够“无感”地定时收到包裹，恰恰是复杂高深的技术在终端高效落地的结果。