唐隆基潘永刚余少雯

( 罗戈研究院，上海 200120)

摘要：数字化供应链发展的高级阶段是供应链的数字化重塑o而人工智能是重塑数字化供应链的战略性武器o它将引领供应链走向认知和自主的 ,并且具有自适应和自愈能力的供应链的更高级阶段 ,从而帮助企业创新持续增长 ,并且在不确定环境中规避风险保持竞争优势o文章不

仅指出了人工智能在供应链中的战略意义、应用趋势和商业价值 ,而且给出了企业制定供应链人

工智能战略的参考框架o此外 ,文章还介绍了采用人工智能实现自主供应链的框架和案例o它将

帮助企业在供应链变革中采用人工智能实现新的飞跃o

关键词：供应链数字化重塑;人工智能;供应链人工智能战略; 自主供应链

中图分类号：F252. 24 文献标识码：A 文章编号：2096 - 7934 (2021) 08 - 0032 - 19

一、引言

世界供应链正处于前所未有的数字化变革浪潮之中。近年来 ,中国的供应链的数字化变革运动正蓬勃发展 ,许多企业已取得可喜的成果 ,有 10% 左右的企业已经成为了供应链数字化转型的领军企业 ,如华为、美的、联想、阿里、京东等。然而 ,成功的供应链数字化转型绝不是终

点 ,而是新的变革的起点。供应链数字化转型万里长征后的下一站是什么 ,那就是供应链的数字

化重塑[1 ]。人工智能 (AI) 将成为供应链数字化重塑的战略武器[1 - 3 ]。尽管人工智能的机遇和风险并存 ,但正如 IBM 所指出的 ,人工智能能够自然适合供应链[2 ],它将引领供应链走向认知

和自主的 ,并且具有自适应和自愈能力的供应链的更高级阶段 ,从而帮助企业创新持续增长 ,并且在不确定环境中规避风险保持竞争优势。人工智能供应链的时代已经开启。

*作者简介：唐隆基 ,男 ,湖南长沙人 ,计算机软件工程博士 ,罗戈研究院副院长 ,中国数字化学会特聘终身顾问 ,湖南大学计算机信息工程学院兼职教授 ,研究方向:数字化供应链、转型战略与物联网、人工智能、数字孪生等数字

技术 ;

潘永刚 (1983_) ,男 ,山东菏泽人 ,罗戈网联合创始人 ,罗戈研究院院长 ,研究方向:物流战略、信息化、

物流互联网平台、市场营销、无车承运人 ;

余少雯 (1989_) ,女 ,安徽安庆人 ,罗戈研究院总监 ,研究方向:合同物流、物流战略等。

32

二、用人工智能重塑供应链

(一 ) 人工智能应对供应链新的需求和挑战

供应链的古老目标是在适当的时间、地点提供合适的产品 ,这一直是一个挑战性的目标。今天 ,市场力量正在创造新的需求 ,其关键绩效指标是实际订单与预测订单和实际产量与计划产量的比率 ,这些需求超过了传统的供应链能力。主要表现在以下四个方面。

一是市场波动增加了不确定性和风险。竞争、日益严格的监管、不断变化的地缘政治格局以及价格和供应的不可预测性 ,特别是新冠肺炎疫情这样百年未遇的公共卫生事件带来的供应链中断 ,都在考验着企业在全球范围内的应对准备和经济高效运营的能力。

二是数字颠覆者正在掌控增长。在许多类别中 ,新的利基品牌通过使用数字技术提供更具吸引力和相关性的体验来挑战传统领导者。在职者正试图通过发展新的能力来追赶。

三是消费者的期望值不断提高。他们想要定制产品的超个性化体验 ,以及本地化的执行 ,包括在任何时候购买、收集和退货的能力。然而 ,现有的供应链并不是为了满足单一的客户需求而设计的。

四是全渠道参与很难实现。一些传统公司正试图重新设计他们的运营方式 ,以提供统一的品牌体验和跨所有渠道的无障碍实现。

以上这些动态正以指数级的方式增加供应链的复杂性 ,进而影响成本和风险。日益成熟的人工智能可以赋能供应链应对这些日益增长的复杂性 ,不确定性 ,增强人的认知 ,预测及计划、快速响应等能力去满足新的需求 ,以达到降本增效 ,利润增长的目的。表 1 展示了人工智能如何重塑供应链。

表 1 人工智能如何重塑供应链

供应链流程计划寻源制造交付退货使能

采用人工智能

基于市场的

实时预测

认知

采购

自动化车间操作预测性维修智能自动化仓储

具有可视性的车队管理

智能退货处理智能商业决策规则

法规遵从性

人工智能绩效响应性成本资产效率敏捷性敏捷性可靠性

为了确保能够随时随地满足客户/顾客需求 ,领先的制造商和零售商 ,如美的、亚马逊正在

设计部署以人工智能为动力的供应链。在数字化供应链中人工智能的使用正呈上升趋势 ,据

M_rkdts _nc M_rkdts 报道[4 ],事实上 ,人工智能供应链软件市场目前的价值约为 7 亿美元 ,预计到 2025 年将激增至100 亿美元以上 ,相当于每年增长约 45% 。

机器学习是供应链中采用的最为广泛和最有前途的人工智能技术之一。根据 Cr_nc Vhdw Rd.

sd_rbg 的最新报告[5 ],到 2025 年 ,全球机器学习市场规模预计将达到 967 亿美元。预计该市场在 2019_2025 年将以 43. 8% 的复合年增长率增长。大量数据的产生增加了对数据进行智能分析技术的采用率。Mdthbulos Rdsd_rbg 预计 2019_2027 年 ,全球人工智能在供应链市场的复合年增

长率为 45. 3% ,到 2027 年将达到218 亿美元 ;其中 ,预计亚太地区在整个预测期内的复合年增长率最快[6 ]。

33

人工智能之所有在供应链领域有如此迅猛的发展 ,是由于人工智能使供应链变得更快、更聪

明、更精简 ,并且人工智能对供应链变革产生的巨大商业价值。[7 ]指出将人工智能集成到复杂的生产和分销网络 (供应链) 中 ,将比任何其他技术应用产生更大的经济影响 ,并影响大量企业。麦肯锡 (MbKhnsdy) 估计 ,通过在供应链和制造业中使用人工智能 ,在从 2018 年起的未来二十年将获得1. 2 万亿 ~ 2 万亿美元的经济价值 (如图 1 所示)。麦肯锡的预测指出 ,人工智能将为供应链管理 (sCM) 和制造业增加约3000 亿美元的价值 ,以及在消费者包装商品 (CPC) 的市

场营销和销售中增加约1000 亿美元的价值[8 ]。人工智能对消费者包装商品行业供应链管理和制造业务的最大潜在价值贡献包括预测性维护、库存和零件优化以及产量优化。

图 1 2018 年后二十年人工智能将产生的潜在经济价值[7 - 8 ]

(二 ) 人工智能是顶级供应链战略性技术

美国著名科技咨询公司高德纳自 2018 年起每年发布八项顶级的供应链战略性技术趋势 ,

表2列举了 2018_2021 四年的八大供应链战略性技术趋势[9 ]。其中人工智能技术被连续四年选中为顶级供应链战略性技术趋势。

表 2 高德纳 2018—2021 年八大供应链战略性技术趋势

年份供应链战略性技术趋势内容

2018 人工智能 ;高级分析 ;物联网 ;智能事物 ;会话系统 ;机器人过程自动化 ;沉浸式技术 ;区块链

2019 人工智能 ;高级分析 ;物联网 ;机器人过程自动化 ;自主事物 ;数字供应链孪生 ;沉浸式体验 ; 供应链中的区块链

2020 超级自动化 ;数字供应链孪生 ;持续智能 (CI) ;供应链治理与安全 ;边缘计算和分析 ;人工智

能 ;5C 网络 ;沉浸式体验

2021 超级自动化 ;数字供应链孪生 ;沉浸式体验与应用 ;边缘生态系统 ;供应链安全 ;环境社会治理 ;嵌人式人工智能和分析 ;增强数据智能

2020 年9 月高德纳杰出副总裁Nog_ Tog_my 在其研究报告《供应链战略成熟度曲线的5 大趋

34

势》[10]中将人工智能作为五大趋势之首。从表 2 中可见 ,与 2018_2020 年不同 ,高德纳 2021 年

八大供应链战略性技术趋势没有将人工智能作为个别技术列为顶级技术趋势 ,而是将一个正在兴

起的综合性的人工智能技术 "嵌人式人工智能和分析"作为一个顶级技术趋势。2021 年这些技术趋势被选中是基于以下两个方面的因素[9 ]:助力供应链数字化转型的潜力 ;培养供应链运营

弹性/韧性的能力。

直到最近 ,人工智能计算几乎都是在数据中心、企业核心设备或电信边缘处理器上远程执行

的 ,而不是在本地设备上执行。这是因为人工智能计算是处理器密集型的 ,需要数百个不同类型

的 (传统) 芯片来执行。硬件的尺寸、成本和功耗使得人工智能计算阵列基本上不可能安装在比储物柜还小的东西中。然而远程人工智能 (或称云人工智能) 或电信边缘人工智能计算的低效和延迟阻碍了人工智能在现代数字化供应链中的应用 ,于是嵌人式人工智能 (应用边缘人工智能芯片) 应运而生。现在 ,边缘人工智能芯片正在改变这一切。它们体积更小、价格相对便

宜、耗电量更少、产生的热量更少 ,因此可以将它们集成到智能手机等手持设备以及机器人等非消费类设备中。通过使这些设备能够在本地执行处理器密集型人工智能计算 ,边缘人工智能芯片

减少或消除了将大量数据发送到远程位置的需要 ,从而在可用性、速度以及数据安全和隐私方面

带来好处。据德勤的研究报告《德勤 2021 年 TMT 预测》[11]估计 ,企业级边缘人工智能芯片市场虽然新得多 (第一个商用的企业边缘人工智能芯片在 2017 年推出) ,但增长速度更快 ,预计在

2020_2024 年间的复合年增长率为 50% 。

嵌人式人工智能和分析利用收集的数据始终是企业级技术的主要驱动力。对于供应链 ,这将包括直接向企业业务应用程序提供实时报告、交互式数据可视化以及高级分析和智能软件功能。

这技术堆栈可用于仓储。移动机器人控制或智能机器人拣选系统将利用其嵌人式分析进一步优化操作。同时该技术也可以与工业物联网结合以进一步优化供应链运营[10]。因此它不仅仅可用于

推动供应链数字化转型和重塑 ,而且能提升供应链的弹性。

表3 描述了高德纳的人工智能新兴技术和趋势的巨大影响雷达[12],该表按四个采用期 (从早期采用到主流的时间区) 和四个重要量级将人工智能新兴技术进行了分类。

表 3 高德纳的人工智能新兴技术和趋势的巨大影响雷达[ 12]

重要量级采用期

0 ~ 1 年 1 ~ 3 年 3 ~ 6 年 6 ~ 8 年

非常高深层神经网络

边缘人工智能

自然语言处理 (NLP)

云人工智能开发者服务人工智能芯片

基于转换器的语言模型

增强智能

复合人工智能

全自动驾驶

智能空间

高

高级计算机视觉智能应用程序

增强分析

人工智能开发人员和教学工具包

图形技术

人工智能市场决策智能

人工智能生成的可组合应用程序智能机器人

智能生物增强

中等人工智能基础设施和运营服务模型压缩神经形态计算

低高级虚拟助理

35

表3 中的深层神经网络、边缘人工智能、自然语言处理 (NLP)、云人工智能开发者服务、人工智

能芯片 (嵌人式人工智能)、决策智能等都是影响和重塑数字化供应链的重要人工智能技术和趋势。

(三 ) 人工智能在供应链中的应用趋势

供应链数字化转型后的下一步是供应链数字化重塑 ,也就是全面实现供应链的智能化 ,而人工智能技术将是重塑供应链和实现其智能化的关键驱动器之一。事实证明那些领先的企业 ,如华为、美的、亚马逊、阿里、京东等 ,无一不是将人工智能全面渗透供应链来加速业务的转型和提高市场竟争力。特别是 ,机器学习在供应链计划、智能物流等方面的采用已初具成效 ,并且成为

企业差异化竟争优势的关键能力。图2 是人工智能在供应链中应用趋势的图谱。它描绘了人工智

能的主要技术:机器学习 (ML)、自然语言处理 (NLP)、认知计算 (bofnhthyd bomputhnf) 和新

近发展起来的边缘人工智能及嵌人式人工智能技术 ,及其在供应链管理和物流中的应用趋势。同

时指出"人工智能 + "其它数字技术所带来的新价值创造。

图 2 人工智能在供应链中应用趋势图谱

人工智能增强日常业务活动和企业战略的潜力不仅引起了全球人民和组织的兴趣 ,而且领先

的企业已经开始快速实施。然而 ,人工智能是什么?人工智能是由机器显示的智能 ,而不是面向过程的智能 ,其学习和基于行为的能力模仿是自主的。根据《人工智能极简经济学》[13],目前这一代人工智能与科幻小说和电影中描绘的有人类智慧的机器 (它们通常被称为 "通用人工智能",或 "强人工智能") 相去甚远。今天这一代人工智能可提供预测工具 ,帮助人类完成一些

标准而又重复的工作 ,除此之外提供不了什么了。然而这一代人工智能已经成熟到改变人类生活

及商业的行动 (如图2 所示) ,它是一项重塑供应链的颠覆性技术。理解人工智能潜在应用的最简单方法是明确定义它的潜在价值。人工智能在供应链中的应用可分为两大类:一是增强功能。

人工智能可以帮助人们完成日常任务 ,无论是个人还是商业 ,都无须完全控制输出。这种人工智 36

能用于虚拟助手、数据分析、软件解决方案 ;它们主要用于减少人为偏见造成的错误。将人工智

能算法 (如机器学习) 应用于需求、风险等的预测中是在供应链中最重要的应用方向 ,它极大

提高了传统预测的精度。而预测是决策的输人 ,更精确的预测将产生更正确可行的决策。如产生最优的补货计划、最佳的库存计划和最及时的风险应对计划等。二是自动化。人工智能在任何领域完全自主运行 ,无需任何人为干预。例如 ,机器人在制造工厂中执行关键工艺步骤。在供应链领域中 ,无人仓、无人送货飞机等是典型的自动化应用。在劳动力成本不断上涨的当今 ,操作自动化无疑为企业节省了成本、提高了效率。然而全自动化还只适合于局部的场景 ,全供应链流程的自动化仍然有待人工智能和其它数字技术的进一步创新。

京东的首个无人仓库也是全球首个全流程无人货仓 ,坐落在上海市嘉定区。这个物流中心包

括四个作业系统 ,分别是:收货、存储、订单拣选和包装。存储系统由 8 组穿梭车立库系统组成 ,可同时存储商品6 万箱。整个无人仓分为三个主要区域:"人库 + 分拣 + 打包"区域 ,仓储区域和出库区域。无人仓中 ,操控全局的智能控制系统为京东自主研发的 "智慧"大脑 ,仓库

管理、控制、分拣和配送信息系统等均由京东开发并拥有自主知识产权 ,整个系统均由京东总集成。无人仓的智能大脑在0. 2 秒内 ,可以为计算出 300 多个机器人运行的680 亿条可行路径 ,并做出最佳选择。智能控制系统反应速度 0. 017 秒 ,许多心理学专家对人的生理反应时间做过实

验 ,结果都测得大于 0. 1 秒 ,也就是说 ,无人仓智能大脑的反应速度是人的6 倍。

人工智能在供应链中应用的另一个发展趋势是供应链物流供应商[3 ],如领先的第三方物流

企业也开始把人工智能应用于第三方物流。2020 年 9 月北美领先的第三方物流提供商 Kdnbo Lo.

fhsthbs 宣布推出达芬奇人工智能 (D_ Vhnbh AI) ,该产品可提供涵盖整个供应链的高级分析功能。

该创新产品使解决方案能够产生预测见解 ,从而推动规定性行动 ,改变供应链。达芬奇人工智能是 Kdnbo 数字化转型战略的基础组成部分 ,它积极提供定制解决方案 ,以实现供应链中的智能可见性和透明度。例如 ,在仓库运营中 ,达芬奇人工智能可用于主动管理数量波动 ,从而改善库存管理并评估市场波动 ,从而制定理想的劳动计划。在物料搬运领域 ,该产品可以从影响维护的所有因素中预测设备故障 ,以节约时间和提高生产率。为确保按时交付 ,达芬奇人工智能主动预测所有模式和运营商之间运输网络中的服务故障。在整个供应链中 ,达芬奇人工智能可以提供认知见解 ,以使客户能够在问题发生之前进行预防。达芬奇人工智能已经在为其客户运营中每年节省了超过100 万美元。

此外 ,从图 2 中可见人工智能在供应链中一些新的应用趋势 ,如 EcfdAI 和嵌人式人工智能

的应用 ,以及人工智能算法所推动的算法供应链及其应用 ,例如新近发展的算法供应链技术:

(1 ) 利用人工智能和机器学习的算法优化供应链:如运输的路径优化 ,减少空车率 (详见唐隆基和潘永刚的相关研究:《供应链零碳转型综合研究报告》[14]) 等。

(2 ) 算法供应链计划技术 (算法 sCP 或 AsCP) :算法供应链计划技术使用卓越的机器学习算法组合和高级分析技能来提供业务洞察力 ,并使企业能够做出长期规划决策。据德勤报告[15], 算法供应链计划技术的五个受益领域是:收人提升、利润率改善、货架可用性 (0sA) 改善、库

存减少和营运资金减少。基于德勤对 100 多个成功案例的分析 ,算法供应链计划技术帮助企业将销售额提高了 3% ~ 5% ,利润率提高了 2% ~ 7% ,货架可用性提高了 99% 以上 ,库存减少了

25% ,营运资金减少了 20% ~ 30% 。

(3 ) 算法统一定价规则 (AUPR) 优化:基于机器学习的解决方案通过优化制定的定价策略

实现了程序化广告拍卖收人的最大化。这种独特的尖端解决方案可自动执行统一定价规则 37

(UPR) 管理并优化广告单元级别的价格。

根据麦肯锡公司最近的一项调查[16],供应链和制造是最有可能通过使用人工智能节省成本

的两个部门。该调查询问了数百名受访者 ,问题为公司从人工智能中获得的好处及其关于组织的影响。

调查发现 ,64% 的受访者认为制造领域的成本降低 ,而 61% 的受访者认为供应链规划成本

降低。该报告表明 ,供应链成本的降低是更好的支出分析和更好的网络优化的结果。报告指出 ,

制造成本的降低是优化 "产量、能源和产量"的结果。

人工智能是数据被吸收而学习、分析和适应的软件。人工智能解决方案可以理解复杂的概念、解决复杂的问题并做出复杂的决策。某些形式的人工智能模仿人脑 ,随着时间的推移不断学习和进化。首席执行官们希望供应链领导者为数字业务做好准备 ,并想知道他们打算如何开发能力并利用人工智能等先进技术来创建灵活、敏捷和响应迅速的数字供应链。

企业的首席供应链官可以通过以下四种方式帮助企业的供应链团队开始使用人工智能。

一是确定企业要解决的重大问题以及应该把握的重大机遇。这些问题和机会可能是人工智能可以在企业内产生重大影响的领域。

二是让企业的团队有机会进行研究并了解人工智能功能为其他企业带来的好处。

三是使企业的团队立即开始使用专门构建的嵌人式人工智能解决方案。衡量结果 ,为更多人工智能驱动的解决方案构建业务案例。鼓励团队探索他们现有的解决方案 ;有可能存在未充分利用的可用人工智能功能。

四是专注于企业的人工智能人才 ,这也是最重要的部分。培训他们 ,让他们积累经验并探索人工智能可以增加价值的领域。

将人工智能引人供应链运营可以推动企业的业务走向未来_利用自动化、优化供应链规划

和评估多种场景结果 ,以增强企业对决策的信心。为人员、流程、数据和解决方案打下坚实的基

础 ,并利用专门构建的、行业领先的供应链技术 (例如 Blud Yoncdr 提供的技术) ,可以积累企

业的专业知识并加速企业在人工智能成熟度曲线上的提升。

三、高德纳人工智能成熟度模型

由于真正了解人工智能的人才极稀有 ,就是在数字企业中也如此 ,因此评估人工智能的价值

以及如何建立人工智能战略是极为棘手的。2019 年高德纳发表了《CI0 人工智能指南》[17]。该指南指出:人工智能的常见定义侧重于自动化 ,因此往往无法明确 IT 和业务领导者可以获得的机会。高德纳将人工智能定义为应用先进的分析和基于逻辑的技术 (包括机器学习) 来解释事

件、支持和自动化决策 ,并采取行动。人工智能可以增强人类分析预测和决策的能力 ,因为它可以对信息进行分类 ,并以比人类自己完成的速度更快、数量更多的方式进行预测。这正是人工智

能能为企业和供应链产生价值之所在。通常 ,人工智能用于增强现有的应用程序和流程。例如 ,

它可能会自动执行决策或对复杂数据进行分类 (如图 2 所示)。这两个例子传统上都需要人工干

预 ,因此会增加成本。但人工智能使企业能够加速这一过程。

要用人工智能来重塑企业和供应链 ,必须要有清晰的人工智能战略。为帮助企业制定战略 , 高德纳建立了如图 3 所示的人工智能成熟度模型。企业和供应链组织可根据该模型来衡量自已处在哪一个级别。

38

图 3 人工智能成熟度模型[ 17]

如图 3 所示 ,高德纳将人工智能成熟度分为五个级别 ,从意识到转型。组织在尝试扩展成

熟度曲线时面临许多不同的障碍 ,许多组织都在努力扩展整个业务的收益。如今 ,大多数公司都

处于第 1 级 :意识_他们的业务仅从人工智能中略微受益。很少有公司处于第 5 级 ,而且很

少有公司准备好并有能力在其每个流程中集成人工智能。在图 3 的每个阶段 ,公司都有不同的人

工智能方法:

级别 1 :意识 (_w_rdndss )。这个阶段的公司知道人工智能 ,但还没有完全使用它。这些公

司可能对实施人工智能感到兴奋 ,他们经常说的比他们知道的多。他们为如何在他们的业务中使

用人工智能制定想法 ,而不是战略。

级别 2 :活跃 (_bthyd )。这些公司正在非正式地使用人工智能。他们正在 Jupytdr notdaook (一种免费、开源、交互式网络工具) 中试验人工智能 ,并且他们可能已经将 TF. js 库 (一个 J_y_sbrhpt 机器学习库) 中的一些模型实现到他们的流程中。

级别 3 :运营 (opdr_thon_l )。这些公司已将机器学习纳人其日常职能。很可能 ,他们有一个

ML 工程师团队。他们可以维护模型或创建数据管道或版本控制数据。他们建立了机器学习基础

设施 ,并使用机器学习来协助一些信息处理任务_ 因此使用人工信息处理方法来衡量价值。

级别 4 :系统 (systdmhb)。这些公司正在以一种新颖的方式使用机器学习来颠覆商业模式。

通常 ,意识阶段的炒作可以说它们具有颠覆性 ,但 1 级和 4 级公司之间的区别在于 ,4 级公司脚

踏实地 ,拥有坚实的机器学习基础设施。

级别 5 :转型 (tr_nseorm_thon_l )。这个级别的公司普遍使用机器学习。利用机器学习和信息处

理做分析和决策 ,从而优化运营 ,降本增效是为客户提供的价值。在这个阶段的公司依靠人工智能来为业务做重大的繁重工作。谷歌是一家信息处理公司;F_bdaook 对状态帖子和广告进行排名;亚

马逊、Ndtelhx、Ydlp 向用户推荐产品、电影和餐馆。所有这些公司都使用机器学习来调整自身的算

法 ,调整自身的产品供应 ,优化自身的系统基础设施 (即 Ndtelhx 在特定时区的低延迟体验)。

高德纳人工智能成熟度模型可用作制定人工智能战略的基础参考框架:①可依据该成熟度模

型确定组织处于潜在增长曲线的哪个位置。②根据人工智能成熟度确定组织人工智能战略的关注

点 (如表4 所示)。③管理层沟通分析并决定需要采取哪些步骤来实现组织达到更高阶段的人工

智能成熟度。④无论组织在地图上的哪个位置以及它必须走多远 ,必须确保战略具有高度适应性 ,并有足够的实验空间。

39

表 4 根据人工智能成熟度的关注点[ 18]

成熟度等级组织特征关注点

级别 1 :意识

特别人工智能兴趣团队早期人工智能兴趣 ,有炒作的风险 ;

利用现有资源进行勘探 ;

确定的第一个人工智能用例

级别 2 :活跃

人工智能实验室实验 ,尤其是数据科学 ;

早期试验:如虚拟助理 ,或预测 ;

成功的人工智能概念验证

级别 3 :运营

人工智能卓越中心生产中的人工智能:可衡量的价值 ;

人工智能实践社区 (如卓越中心) ;

企业数据与人工智能平台战略 ;

项目成倍增加

级别 4 :系统

混合人工智能组织人工智能无处不在 ,具有颠覆性 ,需要组织变革 ;

对劳动力、角色和技能的重大影响 ;

企业 C 级高管拥有人工智能伦理、政府和风险管理的所有权

级别 5 :转型

连续人工智能编排创建新产品和业务线 ;

人工智能集成到每一个流程、产品和服务中 ;

人机协同

四、供应链数字化重塑的人工智能战略

(一 ) 人工智能时代的竞争

因为人工智能系统会思考和互动 ,所以它们总是与人相比。但是 ,尽管人类在并行处理 (模式识别) 方面很快 ,而在顺序处理 (逻辑推理) 方面却很慢。计算机已经在狭窄的领域中掌握了前

者 ,而在后者方面则非常快。就像潜水艇不游泳一样 ,机器以自己的方式解决问题并完成任务。

没有处理能力的进一步飞跃 ,机器将无法达到通用人工智能。各种不同类型的问题解决能力的组合 ,这是人类智能的特征。例如 ,当今的自动驾驶汽车并没有表现出我们认为的常识 ,例如放弃游览以帮助掉下自行车的孩子。但是 ,如果正确应用 ,则人工智能擅长快速、智能和彻底地执行许多业务任务。

人工智能不再是选修课。对于公司而言 ,弄清如何结合人类和计算机彼此的优势以创造

新型的人机 (人 + 人工智能) 竞争优势至关重要。在人工智能时代 ,竞争优势正在演变:人工智能不会浪费传统的竞争优势资源 (如地位和能力) ,而是对其进行了重组 (如表5 所示)。

因此 ,公司需要动态地了解其优势。例如 ,位置优势通常集中在相对静态的方面 ,这些方面

可以使公司赢得市场份额:专有资产、分销网络、客户访问权和规模。这些信念必须在人工

智能世界中重新想象。公司要利用传统优势 + 人工智能的综合优势或由人工智能改进的传统

优势来创造新型的人机 (人 + 人工智能) 竞争优势。

40

表 5 利用人和机器的双竞争优势[ 19]

竟争优势的未来来源人机器

特殊区域 (做别人做不到的事) ·有才能的员工

·商业生态系统 ·数据访问

·数据和技术生态系统

学习和执行 (融合开发与探索) ·敏捷的工作方式 ·机器学习

柔韧性 (接受不断的改变) ·适应性组织

·AI 驱动的工作适应和培训 ·可扩展的中央系统

·分散的代理

(二 ) 供应链数字化重塑的人工智能战略

人工智能给企业带来了新的竟争优势 ,但这种优势仅仅影响到公司的运营层面 ,还是会改变

公司的战略。《人工智能极简经济学》[12]的作者指出以下三个因素决定对人工智能的投资将上升到公司战略决策 (而不仅仅是运营决策) 的层面。

一是必须存在战略困境或两难的权衡。例如亚马逊在改变传统的先买后寄的模式为先寄后买时的困境在于 ,先寄后买可能会产生更多的销售额 ,但同时也会带来更多消费者想要退货的情况。因此没有技术上的变革 ,新的模式很难成功。

二是某个问题可以通过减少不确定性来解决。对于许多零售商来说 ,销售预测的不准确带来的供应链不确定性是头痛的问题。对亚马逊的先寄后买模式来说 ,人工智能能帮助预测到如果将货物送到客户家门口会发生什幺 ,那么就可减少退货率 ,提高销售额。

三是公司需要一台能够降低不确定性、改变战略两难平衡的预测机器。对亚马逊而言 ,一套非常准确的客户需求模型加上人工智能算法或许能让先寄后买的商业模式变得值得一试 ,以求达到销售额增长的收益超过退货成本。

基于以上三个因素 ,亚马逊将人工智能上升到公司的战略层面。人工智能作为亚马逊的供应

链战略使它获得了在零售领域无人比拟的竟争优势。

不是所有了解和应用人工智能的企业都把人工智能作为企业的战略。2019 年《MIT 斯隆管理评论》和波士顿咨询公司 (BCC) 联合开展的全球人工智能的调研 ,2555 名受访者来自 29 个

行业 ,97 个国家。该调研还访问了 17 位多个行业大企业中负责人工智能项目的高管。该研究成

果发表在研究报告《赢在人工智能:战略 ,组织行为与技术三位一体》[20]中。该报告根据受访者的人工智能成熟度 (如图 3 所示) ,对人工智能概念和工具的理解 ,以及人工智能的应用水平 , 将其分成四组 (如图4 所示)。

从图 4 可见 ,只有20% 的领先企业真正理解人工智能的价值并走在其应用的前沿 ,也只有这些企业认识到人工智能是公司战略的需要 ,将其作为公司的战略之一。报告指出大多数的受访企业认为人工智能既是战略机遇也是战略风险 ,而领先企业都认为战略机遇大于风险。他们在人

工智能人才、组织、技术方面有更大的投资。中国的领先企业在人工智能领域展现出更广阔的视

野与战略。他们比外国受访企业更可能设定宏大的人工智能目标 (分别为 79% 、37% ) ,并将人

工智能用于许多领域 ,以助力降本增效、业务增长、新产品和服务的开发。华为、京东、菜鸟、美团等人工智能领先企业把人工智能作为他们的供应链数字化重塑战略 ,把人工智能应用到供应链的所有重要领域 ,如供应链计划预测 ,智能仓储 ,智能配送运输等。

41

图 4 组织/企业理解采纳和应用人工智能程度的分类[ 18]

如图 5 所示 ,就大多数的受访中国企业来说 ,他们比外国受访企业更认为战略风险大于战略机遇 ,但中国领先企业认为人工智能对收人的影响更大。

图 5 风险增大对收入的影响依然存在[ 18]

注 :被归为战略风险与机遇一类的受访者既包括赞同或非常赞同人工智能是战略风险与机遇的人群 ,也包括只把人工智能

视为战略风险的人群。

人工智能应用的风险主要来自人们对人工智能的认知不够 ,同时也来自人工智能应用的挑战。特别是在复杂的供应链领域 ,尽管人工智能 ,如机器学习在预测方面、库存管理、仓库机器人自动化等方面己取得成功 ,但是仍然存在很多挑战。过去二十年 ,订单履约过程的大部分环节都实现了自动化 ,然而履约中心仍然雇用了大量员工。虽然自亚马逊 2012 收购 Khy_ 后 ,供应链

履约中心实现了货到人的自动化 ,然而需要工人对货物进行分拣 ,把各种不同货物放在不同的运

货箱 ,由传送带送到它的下一站。正如《人工智能极简经济学》指出的 ,"人类将继续在履约定单的过程中发挥作用 ,是因为我们在抓握方面 (伸手把东西拾起来 ,放到别处) 有着相对更好的表现。迄今为止 ,这项任务没有实现自动化。"

由于非结构化货品种类繁多 ,形状尺寸各异 ,使得目前人工智能技术难以实现自动从货架上抓取和拣选货品。然而那些敢于应对挑战的领先企业才可能获得最大的战略优势。亚马逊就是迎

战人工智能在供应链领域应用的典范。它不仅最早在履约中心引人货到人机器人技术 ,而且自

2016 年起 ,每年举行亚马逊分拣挑战赛 (Am_zon Phbkhnf Cg_lldnfd) [21],聚焦于非结构化履约中

42

心的自动化分拣 ,激励全世界优秀的机器人和 AI 团队共同解决这个自动抓取的难题。尽管有来

自麻省理工大学等研究机构的顶尖团队 ,加上世界顶级的工业机器人装备 (分别来自百特、莫托曼、优傲、ABB、PR2、B_rrdtt Arm 等 ) 积极参与 ,然而迄今为止 ,他们仍未找到一个工业级的解决方案。其根本原因是目前人工智能仓库机器人在面临非结构化的无限个 "如果" (仓库分拣有数量无限的 "如果") 时 ,它不仅要识别对象 (分析图像) ,还要预测合适的角度和抓力 ,

以便抓取而不损坏货品 ,这实际需更高精度的机器预测 ,而目前的仓库机器人还做不到。然而 , 人们还在继续努力找寻解决方案 ,例如采用深度学习提高对抓取货品的识别能力 ,还有采用强化学习来训练机器人模仿人类分拣 ,以教会机器人做自动分拣。笔者相信在不远的将来 ,人类一定

会实现仓库机器人分拣自动化 ,从而把分拣工人从繁重的劳动中解放出来。

(三 ) 供应链人工智能战略制胜指南

由于人工智能在供应链方面的潜在战略优势 ,许多公司都卷人了应用人工智能于供应链的竞

赛。然而大多数公司对投人产出结果感到不满意。这是由于当前许多公司并没有完成供应链的数

字化转型 ,缺乏应用人工智能的数字基础。这表现在以下几个方面:①以企业为中心。②需要大

量昂贵的规划师。③在流程的每一步和供应网络的每个节点运行复杂的引擎。④通常与其他功能或合作伙伴冲突。⑤由于这些系统在本地进行了次优化 ,因此错过了隐藏在网络中的巨大机会。

⑥处理陈旧的数据 ,从而推荐错误的决策。⑦使用与现实世界无关的简化、过于简化的问题模型

这些限制严重抑制了人工智能投资回报率。

此外 ,公司今天的表现如何?例如 ,典型的零售/快消品供应链仍有 60 ~ 75 天的库存。该店

的平均服务水平约为 96% ,促销商品的服务水平远低于 80% 的范围。休闲餐饮市场的库存量约为 12 ~ 15 天 ,浪费率较高 ,销售成本较高。所以 ,除非人工智能能够对这些指标产生重大影响 , 否则它根本无法实现其承约的投资回报。问题是 ,今天的大多数系统都缺少能让人工智能实现其价值所需的关键要素。其中最重要的就是人工智能所需要的尽可能多的优良数据。

人工智能可以为供应链管理者带来巨大的好处 ,但考虑到当今现代供应链的多样性和动态

性 ,以及诸多不确定性 ,成功应用人工智能的前提是它必须基于坚实的基础。0nd Ndtwork 在它

的研究报告[22]中提出了人工智能在供应链中取得成功的 8 个关键要素可以作为供应链人工智能战略制胜指南 (如表6 所示)。

表 6 人工智能在供应链中取得成功的8 个关键要素

关键要素关键要素描述解读和解决方案

获取实时数据要改善传统企业系统与旧的批量计划系统 ,新的人工智能系统必须消除陈旧数据的问题。如今 ,大多数供应链都试图使用几天前的数据来执行计划 ,但这会导致供应链次优化的决策失误 ,或需要用户手动干预来解决。没有实时信息 ,人工智能工具只是更快地做出错误的决定供应链数字化转型 ,物联网先行。在供应链物理设备及物流中广泛采用物联网技术 ,并且具有获取外部实时数据的能力。

访问社区 (多方 ) 数据任何类型的人工智能、深度学习或机器学习算法都必须具备访问企业外部数据的能力 ,或者更重要的是 ,获得查看与您的贸易社区相关的数据的权限。建立一个供应链协作网络 (sCCN)

或者多企业供应链业务网络。一个多方网络 ,将所有贸易伙伴与实时、单一版本的真相联系起来 ,是至关重要的。

43

关键要素关键要素描述解读和解决方案

访问社会 (多方 ) 数据除非人工智能工具能够看到最前沿的需求和下游的供应 ,以及供应链中所有相关的约束和能力 ,否则结果不会比传统计划系统好多少。不幸的是 ,在 99% 以上的供应链中 ,缺乏可见性和对实时社区数据的访问是一种常态。不用说 ,要想让人工智能工具成功 ,这一点必须改变

支持全网目标功能人工智能引擎的目标功能或主要目标必须是以尽可能低的成本提供消费者服务水平。这是因为终端消费者是真正的制成品的唯一消费者。如果我们忽视这一事实 ,贸易伙伴将无法从优化服务级别和服务成本中获得全部价值 ,这一点显然很重要 ,因为增加消费者的直接销售推动了每个人的价值。决策算法的进一步丰富应支持企业级跨客户分配 ,以解决产品稀缺性问题和单个企业业务策略。因此 ,人工智能解决方案即使面临供应链的约束 ,也必须支持全球消费者驱动的目标

使用人工智能代理来识别和预测消费者的消费模式。此外 ,智能人工智能代理生成需求预测 ,并实时与实际需求进行比较。当存在显著偏差时 ,代理做出调整预测的决定 ,而其他代理则调整补充。然后 ,考虑到变更的成本和传播影响 ,他们会将这些调整在整个供应链中实时传播给贸易伙伴。

决策过程必须是增量的 ,并考虑变更的成本在一个网络社区中实时地重新规划和改变执行计划会在社区中造成紧张。在不权衡变更成本的情况下 ,持续的变更会产生比节约更多的成本 ,并降低有效执行的能力。人工智能工具在作出决策时必须考虑变更成本与增量收益的权衡任何决策都伴随着成本 ;

采用增量分析:是一种业务中用于确

定替代品之间真实成本差异的决策技术

决策过程必须是连续的、自我学习和自我监控的在一个多方、实时的网络中 ,数据总是在变化。可变性和延迟是一个反复出现的问题 ,执行效率不断变化。人工智能系统必须不断地观察问题 ,而不仅仅是周期性的 ,而且应该在不断地学习如何最好地

设置自己的策略来调整自己的能力。学习过程的一

部分是衡量 "分析"的有效性 ,然后应用所学知识

构建认知系统 ;

使用学习代理 ;

自我学习 ;随着经验提高 ;

适应生态系统的变化

人工智能引擎必须是自主决策引擎只有当算法既能做出智能决策 ,又能执行决策 ,才能获得显著的价值。此外 ,它们不仅需要在企业内部执行 ,还需要在适当的情况下跨贸易伙伴执行。这需要您的人工智能系统和底层执行系统来支持多方执行工作流使用代表决策规则和智能算法的数字孪生代理/助理 ;

自主决策 ;

其他时间担任决策支持助理

人工智能引擎必须具有高度可扩展性为了使供应链在从消费者到供应商的整个网络社区中得到优化 ,系统必须能够非常快速地处理大量数据。大型社区供应链可以拥有数百万甚至数亿的库存地点。人工智能解决方案必须能够快速的 ,大规模的做出明智的决定可扩展的人工智能算法 ;

扩展现有算法来处理非常大的数据集 ;

可扩展的人工智能基础设施

44

关键要素关键要素描述解读和解决方案

必须有一种让用户参与系统的方法人工智能不应该在一个 "黑匣子"中运行。用户界

面必须让用户看到决策标准、传播影响 ,并使他们能够理解人工智能系统无法解决的问题。用户 ,无论类型 ,必须能够监控和提供额外的输人 ,以在必要时推翻人工智能决策。然而 ,人工智能系统必须驱动系统本身 ,并且只能在例外情况下与用户接触 ,或者允许用户在用户请求时添加人工智能可能不知道的新信息

建立让客户参与的数字平台

多年的人工智能用于供应链的经验表明表4 中 8 个成功要素缺一不可。忽略任何一个要素 , 都将会得平庸甚至错误的结果 ,但若能够在人工智能用于供应链时认真考虑所有要素 ,则确实可以获得世界一流的结果和较高的人工智能投资回报。

五、自主和近乎自主的未来供应链

无人车、无人机、无人仓、无人站、配送机器人等 "无人科技"正成为电商、外卖、物流的新宠儿 ,在人工智能及其它新技术的重构下 ,"低头下订单 ,抬头收快递"的生活方式正在成

为可能。自主交付产品的概念正逐渐成为现实。虽然在到达无人为或近乎无人为干预的供应链之前要克服许多障碍 ,但有许多工业实例表明这是可行和实用的。人们似乎从自主交付看到了自主和近乎自主的供应链 ,即无人干预或近乎无人干预的供应链未来可期。

图6 从以下三个维度描绘了一个数字化供应链成熟度模型。

图 6 数字化供应链成熟度模型

(1 ) 人工智能优势和价值:可视化供应链和前瞻性供应链基本上还在描述性和传统预测性

分析供应链阶段 ,无人工智能优势。智荐式供应链是智能供应链的初级阶段 ,已开始采用人工智能机器学习算法做预测和规定性分析决策。自主学习供应链是以人工智能驱动的供应链 ,具有自学习、自修复和自适应的功能。人工智能优势的价值在于使供应链达到计划精准、运营高效、成本最低、库存最优、风险最小的要求。

45

(2 ) 差异化和自动化:从左到右 ,自动化程度由低到高 ,自主学习供应链将达到从计划 ,

生产 ,交付端到端的全或近乎全自动化。

(3 ) 自主性和人工干预性:每个阶段 ,由低到高 ,自主性从低到高 ,人工干预性由高到低。

自主学习供应链有最高的自主性和最低的人工干预。

尽管自主学习供应链听起来非常酷 ,理论上也似乎可以做到 ,但完全自主实现端到端的供应

链是否可行、是否必要 ,业界有许多争议。这实际上是关乎在供应链中 ,人工智能是否比人更胜

任 ,能完全代替人的工作?实际上 ,目前在供应链中使用的自主技术是非常有限的。托运人、承

运人、供应商以及供应链中的其他人员已经集成了自主技术多年 ,以提高效率和安全记录。诸如 ERP 和 MRP 之类的某些系统用于通过识别组装产品所需的零件来控制制造。实际上 ,当今许多现代汽车、卡车和 sUV 汽车都是完全自动组装的。还有其他组织 ,例如亚马逊和其他大型零售

商 ,它们使用自主技术从较小的容器中提取零件或商品 ,进行包装并准备运输。

一些可以自动提高效率的特定组件和设备包括:①零件拣选设备。这些机器读取传感器和条形码以识别组装或运输所需的组件。②机器人拣选:已经有几种自动叉车和其他自动设备用于从钢铁和其他仓库中拣选产品。③运输设备:有些自动驾驶车辆 (通常在仓库中) 用于在整个仓

库中运输设备和物资。

这几乎是当前所拥有的全部供应链自主能力。就机器人拣选而言 ,对于非结构性物品 ,目前的自主学习能力还无能为力 ,人仍然比机器更强。

笔者认为真正意义的全自主供应链只适应于某些供应链场景 ,对于整个供应链来说 ,近乎自主学习和人机智能组合的供应链是未来理想的自主学习供应链。本文所指的自主学习供应链将指这种模式。在此 ,近乎自主学习是指一切可由人工智能主导的自主学习技术代替人在供应链中的工作时采用自主学习技术。当然如果供应链中的所有工作都能被自主学习技术所代替 ,那就是理想中的自主学习供应链。尽管目前这还只是供应链业界的一个愿景 ,已经有一批领先企业在冲刺自主学习供应链的高峰。

美国著名的供应链解决方案提供商 JDA 于 2019 年收购了人工智能技术公司 Blud Yoncdr ,其

新的公司战略就是打造自主式供应链。Blud Yoncdr 的一项自主供应链的需求调研报告指出受访

供应链管理者的五条主要反馈意见 (如图 7 所示)。

自主供应链需求的五条主要反馈意见[23]

Blud Yoncdr 的调研报告指出 ,在运营干扰不断的情况下 ,汽车企业需要考虑所有可能的危机对策。保持敏捷性 ,专注于运营和供应链优化项目并提前规划复苏路径 ,是业界必须要坚持的

几项工作。汽车企业有较高的自主供应链需求。该报告还提出了发展自主式供应链的四个关键阶

段 (如图 8 所示)。

46

图 8 发展自主式供应链的四个关键阶段[23]

Blud Yoncdr 发展了一个以智能控制塔为核心的智能自主供应链的系统 (如图9 所示) ,它包括可见性/监控 ,网络/边缘感知 ,内外协同 ,编排 ,决策 ,分析六大功能 (其中编排即供应链编排 ,是当今供应链网络流程管理的新兴数字技术 ,详见唐隆基 (2021) 的相关研究[24])。它

已成功用于某些零售和制造供应链。智能自主供应链将供应链知识和 AI 技术相结合 ,充分利用可用的大量信息 ,极大增强了人类用户的能力 ,特别是应对供应链不确定性 ,如新冠肺炎疫情造成的供应链中断风险。

图 9 Blue Yonder 智能自主供应链[25]

安永是一家有名的咨询公司。该公司在其研究报告《数字时代如何重塑供应链》[26]中提出了实现卓越安永综合集成数字计划 (IDP) 的五个阶段的方法 (如图 10 所示) ,其中第五阶段就是基于认知和人工智能的自动化 ,机器人流程自动化的自主供应链计划 (熄灯计划)。它应该是

自主供应链的核心部分。

自愈供应链是自主供应链的重要部分。一个优秀的供应链解决方案提供商 Khn_xhs 最近在自 47

图 10 实现卓越安永综合集成数字计划的五个阶段的方法[26]

愈供应链方面取得进展 ,其解决方案谋求以自动化方式消除供应链设计性能与实际性能之间的差

距。利用人工智能和机器学习的进步 ,自愈供应链 (sHsC) [27]可以监控系统的不同 "组件", 看看它们的真实世界性能是否与计划中的预期性能匹配 ,即 "按设计"状态。这样做的话 ,制

定计划者和其他人将有能力帮助他们的供应链自我修复。一旦能够根据实际供应链能力制定计划 ,自我修复的供应链最终将能够补救特定的问题 ,例如需求意外激增、供应商的特定订单延迟交付 ,甚至包括飓风和海啸等宏观事件。

自愈供应链的承诺在于提高用于生成供应链计划的数据质量 ,以及随后这些计划质量的改

进。对于经验丰富的供应链专业人士来说 ,这一机会并不令人意外。数据质量问题一直困扰着供

应链计划和执行:当供应链计划系统接收到低质量的数据时 ,垃圾输人和垃圾输出是一个恰当的

描述。数据质量问题是自愈供应链概念的一个关键方面。通过使用自愈供应链的人工智能和机器

学习功能来解决数据质量问题 ,可以解决通过人工智能/机器学习半自主运营供应链的更广泛问题。

为了进一步推动以客户为中心的供应链 ,需要新形式的数据的一个重要方面 (如图 11 所示 )。因此 ,自愈供应链所需的数据既存在于公司内部 ,也存在于公司外部。这些数据可以是高

度结构化的 ,比如 ERP 数据 ,也可以是高度非结构化的 ,比如物联网设备数据、天气数据和客户情绪数据等。将所有这些数据从其无数的来源中收集起来 ,本身就需要一些重大的技术突破 , 而这样做是人工智能所需的一个重要的基础要素。自愈供应链必须通过数据管理和治理来不断完善自我 ,让人工智能发挥其关键作用。

图 11 自愈供应链的潜在数据源[25]

48

六、结论

(1 ) 市场力量正在创造新的需求 ,其关键绩效指标是实际订单与预测订单和实际产量与计

划产量的比率 ,人工智能帮助供应链满足市场和客户新的需求。

(2 ) 弄清如何结合人类和计算机彼此的优势以创造新型的人机 (人 + 人工智能) 竞争优势

至关重要。在人工智能时代 ,公司要利用人工智能 + 传统优势 (人 ) 的综合优势或由人工智能

改进的传统优势来创造新型的人机 (人 + 人工智能) 竞争优势。

(3 ) 三个因素决定对 AI 的投资将上升到公司战略决策 (而不仅是运营决策) 的层面:①必

须存在战略困境或两难的权衡。②某个问题可以通过减少不确定性来解决。③公司需要一台能够

降低不确定性、改变战略两难平衡的预测机器 (人工智能)。

(4 ) 人工智能在供应链中取得成功依赖于 8 个关键要素。

(5 ) 人工智能和其他自主技术造就自主和近乎自主供应链。

参考文献：

[1 ]唐隆基 . 供应链的数字化重塑 [EB/0L ]. (2021 - 02 - 08 ) [2021 - 07 - 10 ]. gttps://mp. wdhx.

hn. qq. bom/s/yf4cPfjgwrysI1m0EAYqxf.

[2 ]唐隆基 . 不容忽视的 8 大战略性供应链技术趋势 [EB/0L]. (2019 - 09 - 27) [2021 - 07 - 10 ]. gt. tps://mp. wdhxhn. qq. bom/s/rhM0l Jm - 4Tol4wKuB9Cnf.

[3 ]唐隆基 . 全球物流的人工智能创新格局 [EB/0L]. (2020 - 12 - 26 ) [2021 - 07 - 10 ]. gttps://

mp. wdhxhn. qq. bom/s/0Z7fC7jkwCEmuKYoVbew5A.

[4 ]M_rkdts _nc M_rkdts. Arthehbh_l hntdllhfdnbd hn supply bg_hn m_rkdt wortg 10 ,110. 2 mhllhon UsD ay 2025 [EB/0L]. [2021 - 06 - 10 ]. gttps://www. m_rkdts_ncm_rkdts. bom/PrdssRdld_sds/_h - hn - supply - bg_hn. _sp.

[5 ]Cr_nc Vhdw Rdsd_rbg ,M_bghnd ld_rnhnf m_rkdt shzd wortg $ 96. 7 Bhllhon ay 2025 l CACR:43. 8% [EB/ 0L]. (2020 - 01 - 13) [2021 - 07 - 10 ]. gttps://www. prndwswhrd. bom/ndws - rdld_sds/m_bghnd - ld_rnhnf - m_rkdt

- shzd - wortg - 96 - 7 - ahllhon - ay - 2025 - - b_fr - 43 - 8 - fr_nc - yhdw - rdsd_rbg - hnb - 300985428. gtml.

[6 ]Mdthbulos Rdsd_rbg. Arthehbh_l hntdllhfdnbd hn supply bg_hn m_rkdt ay bompondnt (pl_teorms ,soluthons) tdbgnolofy (m_bghnd ld_rnhnf ,bomputdr yhshon ,n_tur_l l_nfu_fd probdsshnf) ,_pplhb_thon (w_rdgousd ,elddt ,hnydntory m_n_fdmdnt) , _nc ay dnc usdr - floa_l eordb_st to 2027 [EB/0L]. [2021 - 06 - 10]. gttps://www. mdthbulousrdsd_rbg. bom/procubt/

_rthehbh_l - hntdllhfdnbd - _h - hn - supply - bg_hn - m_rkdt - 5064.

[7 ]How AI hs sprd_chnf tgroufgout tgd supply bg_hn [EB/0L]. [2021 - 06 - 10]. gttps://www. dbonomhst. bom/

spdbh_l - rdport/2018/03/28/gow - _h - hs - sprd_chnf - tgroufgout - tgd - supply - bg_hn.

[8 ]C0LUMBUs L. shzhnf tgd m_rkdt y_lud oe _rthehbh_l hntdllhfdnbd [EB/0L ]. (2018 - 04 - 30 ) [2021 - 07 - 10 ]. gttps ://www. eorads. bom/shtds/louhsbolumaus/2018/04/30/shzhnf - tgd - m_rkdt - y_lud - oe - _rthehbh_l - hntdllh. fdnbd/ ?sg = 259878b4eed9.

[9 ]唐隆基 . C_rtndr 2021 年八大供应链技术趋势 [EB/0L]. (2021 - 06 - 28) [2021 - 07 - 10]. gttps://

mp. wdhxhn. qq. bom/s/fwbCoU00wgsowYjLe6cdxf.

[10]T0HAMY N. 供应链战略成熟度曲线的 5 大趋势 [R ]. Conndbthbut:C_rtndr ,2020. [11 ]Ddlohttd. Ddlohttd TMT prdchbthons 2021 [R ]. Zurhbg :Ddlohttd ,2021. [12]安东尼 J. 布拉德利 . C_rtndr 推出人工智能新兴技术雷达 [Z ].

[13 ]ACRAwAL A ,CANs J ,C0LDFARB A. Prdchbthon m_bghnds :tgd shmpld dbonomhbs oe _rthehbh_l hntdllhfdnbd

49

[M ]. H_ry_rc :H_ry_rc Bushndss Rdyhdw Prdss ,2018.

[14]唐隆基 ,潘永刚 . 供应链零碳转型综合研究报告 [R ]. 上海:罗戈研究 ,2021. [15]扬 ·巴拉特卡 . 算法供应链计划 [EB/0L]. [2021 - 06 - 10 ]. gttps://www2. cdlohttd. bom/bz/dn/p_.

fds/cdlohttd - _n_lythbs/soluthons/_lforhtgmhb - supply - bg_hn. gtml.

[16 ]Mbkhnsdy & bomp_ny. Cloa_l AI surydy:AI proyds hts wortg ,aut edw sb_ld hmp_bt [EB/0L]. (2019 - 11 - 22) [2021 - 07 - 10 ]. gttps ://www. mbkhnsdy. bom/ed_turdc - hnshfgts/_rthehbh_l - hntdllhfdnbd/floa_l - _h - surydy - _h -

proyds - hts - wortg - aut - edw - sb_ld - hmp_bt.

[17]PANETTA K. CI0 人工智能指南 [EB/0L ]. (2019 - 02 - 05 ) [2021 - 07 - 10 ]. gttps://

www. f_rtndr. bom/sm_rtdrwhtgf_rtndr/tgd - bhos - fuhcd - to - _rthehbh_l - hntdllhfdnbd/.

[18 ]BENNETT T. 0rf_nhs_thons _rd sthll strufflhnf to profrdss p_st PoCs eor AI [EB/0L]. (2019 - 10 - 31) [2021 - 07 - 10 ]. gttps ://wghbg - 50. bom/orf_nhs_thons - _rd - sthll - strufflhnf - to - profrdss - p_st - pobs - eor - _h/.

[19]CERBERT P ,JUsTUs J ,HECKER M. Compdthnf hn tgd _fd oe _rthehbh_l hntdllhfdnbd [R ]. Boston:Tgd Bos.

ton Consulthnf Croup ,2017.

[20]MIT - BCC. 赢在人工智能:战略 ,组织行为与技术三位一体 [EB/0L]. (2019 - 10 - 15) [2021 - 07 - 10 ]. gttps ://slo_nrdyhdw. mht. dcu/projdbts/whnnhnf - whtg - _h/.

[21]C0RRELL N ,BEKRIs K E ,BERENs0N D ,dt _l. An_lyshs _nc oasdry_thons erom tgd ehrst Am_zon phbkhnf bg_lldnfd [J ]. IEEE tr_ns_bthons on _utom_thon sbhdnbd _nc dnfhnddrhnf ,2018 ,15 (1 ) .

[22 ]0nd Ndtwork. Tgd 8 kdys to _bghdyhnf subbdss whtg _rthehbh_l hntdllhfdnbd hn supply bg_hn [R/0L ]. gttps://

www. shpotr_. ht/wp - bontdnt/uplo_cs/2017/10/Tgd - 8 - Kdys - to - Abghdyhnf - subbdss - whtg - Arthehbh_l - Intdllhfdnbd -

hn - supply - Cg_hn. pce.

[23]Blud Yocdr. 打造自主式供应链 ,加快企业发展 [EB/0L]. [2021 - 06 - 10]. gttps://aludyoncdr. bom.

[24]唐隆基 . 供应链网络流程管理技术新浪潮:供应链编排 [EB/0L]. (2021 - 07 - 02) [2021 - 07 - 10 ]. gttp ://www. lofblua. bom/eront/lb rdport/fdt rdport hneo/222.

[25]陈亮 . 自主学习供应链:第22 届中国零售业博览会演讲 [Z ]. 2020 - 11 - 19. [26]安永 . 数字时代如何重塑供应链 [Z ]. 深圳:深圳高科技供应链研讨会 ,2019 - 10 - 24.

[27]CREENBAUM J. Khn_xhs 自愈供应链报告 [EB/0L]. [2021 - 6 - 10]. gttps://www. khn_xhs. bom/shtds/

cde_ult/ehlds/khn_xhs - sdle - gd_lhnf - supply - bg_hn - josg - frddna_um. pce.

The Reshaping of Digitalized supply Chain by Artificial Intelligence

TANC Lonf - jh ,PAN Yonf - f_nf ,YU sg_o - wdn

(L0C Rdsd_rbg Insthtutd ,sg_nfg_h 200120)

Abstract :Tgd _cy_nbdc st_fd oe tgd cdydlopmdnt oe chfht_l supply bg_hn hs tgd chfht_l rdhnydnthon oe supply bg_hn. Ar.

thehbh_l hntdllhfdnbd hs _ str_tdfhb wd_pon to rdsg_pd tgd chfht_l supply bg_hn. It whll ld_c tgd supply bg_hn to _ ghfgdr st_fd oe bofnhthon _nc _utonomy ,whtg _c_pthyd _nc sdle - gd_lhnf _ahlhty ,so _s to gdlp dntdrprhsds hnnoy_td _nc frow bonthnuously , _yohc rhsks _nc m_hnt_hn bompdththyd _cy_nt_fd hn _n unbdrt_hn dnyhronmdnt. Tghs p_pdr not only pohnts out tgd str_tdfhb shf. nhehb_nbd ,_pplhb_thon trdnc _nc bommdrbh_l y_lud oe _rthehbh_l hntdllhfdnbd hn supply bg_hn ,aut _lso fhyds _ rdedrdnbd er_md. work eor dntdrprhsds to eormul_td supply bg_hn _rthehbh_l hntdllhfdnbd str_tdfy. In _cchthon ,tgd p_pdr _lso hntrocubds tgd er_mdwork _nc b_sd oe ushnf _rthehbh_l hntdllhfdnbd to rd_lhzd _utonomous supply bg_hn. It whll gdlp dntdrprhsds _copt _rthehbh_l

hntdllhfdnbd to _bghdyd _ ndw ld_p hn tgd rdeorm oe supply bg_hn.

Keywords :chfht_l rdhnydnthon oe supply bg_hn ;_rthehbh_l hntdllhfdnbd ;supply bg_hn _rthehbh_l hntdllhfdnbd str_tdfy ;_u.

tonomous supply bg_hn