Al赋能,业内首例,国控广东物流药械视觉复核项目以智提效
2022年12月,由国控广东物流和旷视联合研发的“药械自动识别和数据采集系统”在国控广东物流佛山物流中心进入运作使用。在药械收货环节,该系统通过“人机协作”,数秒内就能完成单批产品的多轮信息复核和数据自动采集,实现高准确率的同时,整体工作效率提升超50%。
对此,国控广东物流总经理梁颖康表示:“国控广东物流佛山物流中心的视觉复核项目,是医药行业首例通过Al视觉识别技术解决药械全流程信息采集与识别的应用案例。这套药械自动识别和数据采集系统,不仅有助于提升我们的核心竞争力,还将为提升物流管理能力、员工工作效率和客户服务水平等提供保障。”
技术创新成焦点,Al视觉识别为药械信息管理提供新思
当前,受供给侧改革,以及集采、行业监管日趋规范严格等政策、市场因素影响,医药行业的高质量发展势在必行,也对医药制造和流通企业提出了更高要求。技术创新成为企业实现成本可控、供应链优化和高质量发展的主要突破口。
药品和器械的信息管理是医药仓储管理的重中之重,系统需准确无误地记录相应批号、生产日期、有效期等关键信息,以确保使用安全。以往作业模式中,药械出入库环节依赖传统的人力作业方式进行信息管理,耗时耗力。
国控广东物流一直致力于将科技与传统业务结合提出创新方案,通过技术创新实现高效、高准确度的药械信息管理,提高生产力。在本次系统研发中,国控广东物流应用旷视开发的Al视觉感知解决系统,通过加载视觉识别设备实现药械外包装的信息识别,提高生产效率。
效率提升50%,国药与旷视共创药械信息管理数智化升级
作为医药物流行业重点企业,国控广东物流承接了几十万种药械SKU,药械入库前需复核包括厂家、名称、规格、批号、生产日期、效期等十多项信息,对效率和精度要求高。为了能更好地应对复杂的现场业务场景,并做到超高识别准确率,双方进一步研发了药械自动识别和数据采集系统。
国控广东物流通过分析药械库内信息管理需求,设计了前端应用子系统,可对药械图像进行备案、信息提取和归类对比,确保每个环节信息一致,对每件产品的入库物流、信息流进行精准管控。旷视则提供视觉模块、信息系统接口和相应的硬件设备,完成图片中文本检测、图片矫正、OCR识别和处理,为前端系统提供服务,共同实现视觉模块与WMS的无缝对接、系统运作效能最优化。
为了提高Al识别的准确率,双方工程师驻场开发和支持运维,不断收集数据,观察调整设备,共同探讨优化药械包装文字的匹配方案,不断提升方案的识别准确率和易用性,目前识别准确率已达到99%。

药械信息识别和采集流程的前后变化
双方还将Al技术与业务流程相结合,通过药械自动识别和数据采集系统,配合单据复核、实物复核、人工复核等多轮复核手段,满足医药行业的超高准确率要求。该系统投入使用后,国控广东物流佛山物流中心的药械信息复核工作效率提升了50%。
未来,国控广东物流将在三个方面继续发力,一是整体的物流网络规划覆盖更广大的地域,持续扩充物流节点,向二、三级城市乃至乡镇下沉;二是加大信息化建设投入,实现物流网络高效运营;三是采用更多的自动化物流技术,实现仓储、运输以及末端网点的作业自动化,特别是采用Al控制的设备来提升整体物流运作的自动化水平。通过持续探索医药物流创新模式,加快企业高质量发展,助力国药一致加快数字化服务升级的步伐,进而推动行业加快技术与物流的深度融合,用科技为医药流通产业注入支撑力。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。