自动化利用技术使人类能够完成更多的任务。将物流自动化集成到任何环境中都会带来挑战，它可以像用动力传送带替换重复流程一样简单，也可以像将协作和自主机器人引入工作场所一样复杂。随着解决方案相互关联并且流程中的其他阶段得到更好的理解，每个自动化元素的效率都会提高。使用边缘人工智能重新定义物流自动化。将AI置于网络边缘的好处必须与资源可用性相平衡，例如电力、环境操作条件、物流位置和可用空间以在边缘实施推理。系统中的网络延迟会使分拣过程变慢，但边缘计算可以消除这种潜在的瓶颈。将人工智能引入物流自动化中使用的硬件和软件将产生重大影响，并且存在越来越多的潜在解决方案。通常用于训练AI模型的解决方案不太适合部署在网络边缘；训练处理资源是服务器设计的，其中电源和内存等资源几乎是无限的。相反，开发人员正在为边缘AI部署和优化的异构硬件解决方案提供专门服务。今天，没有任何一种架构能够真正为AI应用提供最佳解决方案。这种趋势指向异构架构，其中许多不同的硬件处理解决方案被配置为协同工作，而不是在多个设备上使用相同的结构。所有设备都基于相同的处理器，可以为给定任务提供正确的解决方案或在特定设备上集成多个任务，从而提供更多可扩展性和每瓦/1优化性能的机会。从同构系统架构到异构处理需要庞大的解决方案生态系统以及在硬件和软件级别配置这些解决方案的成熟能力。这些供应商为边缘计算提供解决方案，并与他们合作开发可扩展和灵活的系统。在边缘部署AI等新技术时，“升级”底层平台（无论是软件、处理器等）的能力尤为重要。每一代新一代处理器和模块技术通常都会为在网络边缘运行的推理引擎提供更好的功率/性能平衡，因此它们可以快速利用这些性能和功率增益并减少对整个物流自动化系统的干扰。为了提高灵活性并减少供应商绑定，在硬件级别开发了一种模块化方法，允许在任何解决方案中的硬件配置中提供更大的灵活性。
