【张敏】GPT变革如何解决供应链难题

 

  伴随着大模型语言时代的到来，面对人工智能（AI）带来的汹涌变革，供应链行业从业者既满怀希望，也充满担忧。

  供应链本质是流通和交换，既可以在实物商品环节进行，也可以在数据环节实现。笔者认为，如何基于数据产生新型生产力，带来生产力的升级革新，是整个行业未来二三十年需要把握的机遇，也是挑战，需要行业参与者深入思考，共同应对。

 

  分析大数据 解题管理“不确定性”

 

  当前，供应链管理正面临不确定性这一命题，需要行业积极应对，推出相应的解决策略。

  上海交通大学安泰经济与管理学院院长陈方若认为，长期以来，不确定性一直是供应链管理面临的“经典”问题，供应链下游的不确定性会在供应链上游不断放大，成为“牛鞭效应”。为了应对不确定性，在不同的时代，企业在供应链管理方面推出了各自的解决方案或是技术辅助方式，应对库存管理、需求预测、物流信息透明度、生产及时性等问题。

  而供应链管理发展至今，在人工智能和大数据领域已积累了大量技术创新，使得供应链可视度有了极大提升，同时为决策的优化提供了强有力的技术。虽然供应链不确定性问题将会继续存在，但技术发展也为企业提供了更有效的解决方案。

  作为连接供应链上下游的重要环节，国际物流领域的不确定性，对于整个供应链管理影响深远。分析大数据，辅助企业作出最优决策，是AI技术在国际物流领域能够发挥优势的一个重要方向。

  掠食龙（上海）信息技术有限公司总经理朱正滢认为，GPT技术应用发展至今，不仅对国际物流行业，而且对全产业掀起了一场产业革命。和初期的人工智能不同的是，GPT4.0技术的发展意味着人工智能已经到了泛产业化落地阶段，国际物流领域从业者需要亦步亦趋，与GPT同步发展，及时应对。

  朱正滢进一步分析，未来，数据权益问题对国际物流AI的发展显得更加重要。在过去的10年间，整个物流行业实现了大规模的大数据采集和数字化系统的研发。无论是船公司，还是货代、货主企业，都拥有了各自的关联数据库。未来5年内，预计将有更多的技术落地。也因此，如何连通各个数据源头，数据的清洗和脱敏，产生数据链的闭环和共振，数据如何加以确权和保护实现交互，甚至产生数据的落地价值和变现，也需要AI技术供应方深度考量。

 

  构建模型 解题运营决策“不智能”

 

  科技创新本质就是持续通过生产关系和生产力革命，提升供应链效率。在大数据时代，AI2.0将催生新型的数据供应链，不断丰富供应链创新的内涵与外延。

  钟鼎资本研究院院长张健认为，工业软件的本质，是将知识数字化之后，构建模型，将所有数据进行加工交换，从而帮助企业实现高效、智能运营。

  对此，中远海运科技股份有限公司（简称“中远海运科技”）董事、总经理王新波认为，从海运环节角度看，船舶在航行过程中，运营成本受到诸多外部因素影响，如港口拥堵情况、目的港所在国节假日安排、港口及海洋气象变化等因素，都会使得船舶航行和装卸作业计划发生巨大变化，港使费、装卸费、船舶能耗和碳排放随之产生变化，或可导致船公司成本上升，并难以控制。如果结合算法模型和数字化工具，设计航线、预测能耗、优化航速及进行实时监控，形成动态、智能的航线规划能力，就能帮助船公司进行预判、决策和灵活调度，使得船舶运营成本大幅减少。

  同时，伴随着全球气候环境恶化，减碳对于航运业和供应链领域而言已变得至关重要，也会直接影响全球供应链的质量和成本。因此，采用技术手段减少航运碳排放量，已成为行业关注的焦点。

  在减碳的手段上，航运业可以采用多种方式，包括使用清洁能源，用技术手段进行船舶能源改造，以及通过数智化手段减少航运过程碳排放。在数智化方面，船公司可以围绕油耗监控与碳排放计算、碳排放跟踪与能效优化、碳排放智能推演、船舶全生命周期监控4个角度开展工作，实现航运精细化管理，从而使用较低的成本，快速落地减碳措施。

  以数字化手段具体落到实际应用中的案例来看，自2013以来，全球航运业开始提出减碳倡议，并推出一系列标准，要求行业加快推进减碳进程后，中远海运科技融合“云、大数据和AI”技术已构建了一个航运数字新基建，并通过海量数据以及对船舶运行机理的深刻理解，构建了一个可覆盖全球主力船型的船舶失速能耗预测模型，以及一系列碳排放碳指标数字化管理工具，可以通过对船舶动态（实时速度、气象环境及装载状态等）的智能识别，实时计算并监控航运业能耗和碳排放情况，从而为企业提供智能决策。具体来说，可以通过单船航次减排、船队调度减排、碳排放智能优化等应用方式，帮助企业达成减碳目标。

 

  切分变量 解题服务标准“不统一”

 

  供应链优化的最终目的在于为客户服务，而客户的需求各有不同。如何在相对灵活的要求下创造标准化，也是需要深入研究的课题。

  个性化需求需要精细化服务，拥有附加值高和难以量化的特点，在过去通常难以建立标准化流程。但如果能够应用AI的学习网络，就可以切分各个环节并加以分析，逐点分析，多层次叠加，直至汇总并输出与之对应的标准。

  对于货主而言，国际物流中包含诸多环节，如订舱、报关、境内运输等，每一环节都催生相应产业，这些产业业态各不相同，市场多种多样，业务语言难以被跨行业理解，各自的数字化也多线发展。如何将各个环节的产业，所有数字化成果搭建为一个综合性平台，仍然有很长的路要走。

  施耐德电气中国区运输与关务总监孙利就认为，不同货主在供应链设计、所在行业的热点以及后端的能力和资源上，较为分散，寻求个性和定制化，所产生的数据无论是总量特点，还是独立特征，都各有不同。因此，企业在构建数字化模型时，如何将后端的个性化服务标准化，以更好地对接前端需求，就出现了较大矛盾。这也意味着，供应链需要获取更多、更全、更及时的数据，实现真正的有效分析。

  他举例分析说，在构建施耐德电气整个中国区的进出口海运结算大数据模型时，可能会遇到预估结果与实际收费结果不一致的问题。比如，提货费、港口作业费、保税和非保税的流程、查验费、未能及时收货产生的仓储费等，为实际收费结果带来变量。

  在这种情况下，如何把变量因素逐一切分，加入建立的模型中，使之成为可预测的因素，从而提供统一的标准，就是一个需要研究的方向。

  同时，货代企业作为供应链的重要参与方，在对接不同的货主和船公司时，同样面临标准不统一的问题。单是国际物流中的订舱这一环节，就拥有多种多样的操作流程。

  全球捷运（上海）供应链科技有限公司副总裁郭俊杰认为，对业务流程进行精细化切分，能在一定程度上建立操作标准化。但是，不同行业的客户对标准的理解和应用情况也各有不同。货代物流企业的数字化革新，需要做好更多的准备工作。

  要实现标准化操作，就需要对整个行业深入理解、分析案例、切分环节、积累经验。而在这一方面，AI因其强大的学习和迭代能力拥有巨大的优势。

  郭俊杰进一步表示，以货代物流公司为例，首先，堆场环节就存在多重变量，其作业效率对推动业务推进尤为关键。如果能够用AI打通效率低下的堵点，对仓储数据进行充分分析，优化业务操作流程，就能大幅提升运营效率。

  其次，在货物入库环节，可以通过整合数据并加以分析，提前布局。过去，数字孪生技术在这一环节尝试过搭建体系，但进展不大。未来，如果能将AI应用融入其中，充分分析，那么将对行业起到很大的帮助。

  再次，在数据连接环节，虽然国际物流尝试了多种多样的标准化，但仍面临地域差异方面的沟壑。比如，中国所有的港口码头运营商在标准化方面较为统一，但与纽约港等海外港口相对接时，标准就截然不同。因此，行业需要一些能够实现对接的技术应用，来将非标的逐一匹配。

  最后，如何进一步提高生态链接能力，在连接过程中最大限度地发挥AI的及时性、准确性优势，也需要技术供应方加以考量。

注：本文转载自网络，不代本站立场，若有侵权，请联系删除！