人工智能|从预测工具到战略资源:生成式人工智能如何重塑供应链与运营管理

RBV 视角下 AI 战略内涵

通用模型难构持久优势

AI 价值根植动态能力

Learning 指从数据中学习规律，包括监督学习、无监督学习、半监督学习和迁移学习，是大多数机器学习系统的基础；Perception 是理解现实世界和信息环境的能力，包括计算机视觉、语音处理和自然语言处理；Prediction 是基于历史数据和模式预测未来，包括回归、分类、时间序列预测和异常检测。

进一步来看，Interaction 强调 AI 与人以及运行环境之间发生交互，例如强化学习和人机交互；Adaptation 是系统根据新数据和环境变化持续调整模型与行为，例如持续学习和进化算法；Reasoning 则进一步涉及规划、逻辑推理和决策，即在获得信息以后判断应当采取什么行动。

论文特别强调，这六种能力通常不是独立存在的。例如一个动态需求预测系统可能同时需要学习历史数据、预测未来需求、根据新数据持续适应，并根据不同商品特征决定选择哪一种预测模型。因此，分析 AI 供应链应用时，应关注多种能力如何协同，而不是把一个应用简单归为“机器学习”。

04

生成 AI 的定位逻辑

论文认为，生成式 AI 并不是与传统 AI 完全不同的一套体系，而是在传统 AI 能力基础上的进一步增强。GAN、VAE 和 Transformer 等生成式模型能够学习复杂数据分布并产生新的内容，因此会反过来增强学习、感知、预测、交互、适应和推理能力。

学与感知能力升级

在学习方面，生成式 AI 可以创建 synthetic data。当供应链真实数据数量不足、涉及隐私或者极端风险样本非常少时，生成模型可以产生具有类似统计特征的合成数据，用于模型训练和压力测试。在感知方面，Transformer 和多模态模型进一步增强了对文本、图像和代码等非结构化信息的理解，使供应链数据来源从 ERP 中的结构化表格扩展到合同、报告、邮件、图片和自然语言。

多维运营能力赋能销

在预测方面，生成模型不仅预测一个单点结果，还可以生成多个未来情景，例如不同需求、产能和供应商表现组合，从而支持 contingency planning。交互能力则因为自然语言模型出现发生明显变化，供应链管理者可以直接通过语言与系统沟通。适应能力来自模型根据新环境持续调整，而推理能力则表现为生成多个运营情景、解释问题和辅助规划。

人工创造力之界定

论文最具有前瞻性的观点，是在六种传统 AI 能力之外加入 Creativity。作者使用 Artificial Creativity 这一概念，描述生成式 AI 根据已有数据中的模式和结构重新组合信息，从而产生新的、具有一定用途甚至出乎预期的方案。

供应链创生型应用

在供应链场景中，这种能力可以表现为生成新的市场情景、提出备选运营策略、设计新的库存或采购方案，甚至根据自然语言生成物流仿真程序。论文特别提醒，这里的“创造力”是一种功能意义上的概念，并不意味着 AI 拥有人类意义上的意识和主观创造能力。生成式 AI 的输出仍然来源于训练数据中模式的学习与重组。

GAI 与 OR 协同逻辑

这一区分非常重要。对于运筹优化而言，GAI 可以扩大候选方案和问题表达空间，但“产生一个新方案”并不意味着这个方案可行或最优。库存容量、运输能力、交货时间、成本和安全等约束仍需要数学模型、仿真或者专业人员进一步验证。因此，更合理的角色分工可能是：GAI负责生成和探索，OR负责约束、评价和优化。

二维矩阵构建框架

论文中的核心框架将七种能力与13类 SCOM 领域建立对应关系，包括需求预测、配送与运输战略、库存与仓储、流程设计、生产计划与控制、生产战略、质量管理、收益管理、销售与运营计划、调度与路径、采购战略、供应链设计以及供应链风险管理。论文中的框架图把这些领域与 Learning、Perception、Prediction、Interaction、Adaptation、Reasoning 和 Creativity 组成一个二维矩阵，其目的并不是判断每个领域应该使用某一种固定算法，而是帮助研究者和管理者识别不同业务场景需要哪些 AI 能力。

业务场景能力耦合

例如，需求预测主要依赖学习和预测，但动态选择预测模型又需要适应和推理；质量管理需要视觉感知和预测；供应商谈判不仅需要学习采购数据，还需要自然语言交互和一定的生成能力；复杂供应链风险管理则同时需要学习、预测和推理。

以能力导向落地 AI

这种矩阵式思路最大的价值，是改变了 AI 项目的起点。企业不需要先问“我们应该在哪里部署大语言模型”，而可以先问“这个决策目前缺少什么能力”：如果问题来自数据模式难以识别，需要强化 Learning；如果缺少实时状态，需要 Perception；如果关键问题是未来的不确定性，需要 Prediction；如果需要根据反馈实时改变决策，则应关注 Interaction 与 Adaptation；如果需要生成并比较新的行动方案，则 Reasoning 和 Creativity 更重要。

采购战略是论文中非常有代表性的生成式 AI 应用。作者分析了 Walmart 利用 Pactum AI 与大量尾部供应商开展自动化谈判的案例。系统根据采购人员设计的规则和场景进行学习，并通过文本聊天机器人与供应商互动，根据谈判反馈调整内容，从而同时体现 Learning、Interaction 以及一定程度的 Creativity。

论文还讨论了 Amazon Business 利用机器学习分析企业采购数据、识别购买模式、自动竞争性询价以及生成个性化采购推荐。这说明 AI 在采购中的角色正在从“评估哪个供应商更好”，逐渐扩展到“如何与供应商互动以及形成采购策略”。

不过，从运筹优化角度需要看到，生成式 AI 可以改善谈判交互和信息处理，却不能自动解决所有采购决策。采购数量、订单分配、价格、交货风险和供应商容量之间仍然存在明确约束。因此，未来更有价值的架构可能是 GAI 负责谈判、合同和文本交互，预测模型估计价格与风险，优化模型则决定最终采购组合。

供应链设计涉及设施、库存政策、合作伙伴和资源配置等高度耦合问题。论文引用的研究利用机器学习动态选择三层供应链中的补货政策，使系统能够根据需求变化、交货提前期和成本结构调整策略。这里 AI 的优势主要体现在 Learning 和 Adaptation，即不再始终执行一个固定设计，而能够根据环境变化更新运行方式。

供应链风险管理则更加依赖多种能力。传统模型面对需求不确定、外部冲击和快速变化时往往难以及时调整，AI 可以利用复杂数据学习风险关系、预测不同情景，并辅助制定风险响应方案。作者尤其强调，AI 的预测和推理能力有助于提高供应链敏捷性，并降低潜在的资源和成本损失。

但是论文并没有认为 AI 能够消除不确定性。相反，真正值得关注的是 AI 是否能够与供应链韧性、数字孪生以及情景分析结合，使企业更快发现变化并重新配置系统。

论文进一步把 AI 和 GAI 放入 Industry 4.0 与 Industry 5.0 的技术体系中。作者认为，AI 的能力会与 IoT、5G、Blockchain、Big Data、Cloud、Edge Computing、Metaverse 和 Intelligent Digital Twin 等技术形成协同。

IoT负责获取设备、订单和物流状态，5G增强实时连接，云和边缘计算提供模型运行基础，区块链提高供应链数据透明度与可信度，数字孪生则提供现实供应链的动态数字映射。AI在这一体系中承担学习、预测、推理和交互，而 GAI 进一步提供自然语言、情景生成和创造性方案探索能力。

论文特别提到 Intelligent Digital Twin，可以将其理解为数字孪生进一步与人工智能和人类决策结合的形态。未来管理者可能不再单独操作预测软件、仿真软件和优化软件，而是在统一数字环境中，通过 AI 与不同模型进行交互。这一思路也为随后大量关于 Agentic AI 与供应链数字孪生的研究提供了重要基础。

论文提出的管理价值主要集中在五个方面：识别 AI 应用机会、改善决策、优化流程、确定投资优先级以及培养员工能力。

       其中最值得关注的是投资逻辑。企业不应该因为大语言模型流行就全面部署，而应先识别供应链决策中的能力缺口。如果某个业务主要缺少预测能力，可以优先投资数据和机器学习；如果问题在于大量合同和文本无法快速处理，则自然语言能力更加重要；如果问题需要持续根据环境反馈调整，则需要强化 Interaction 和 Adaptation；如果需要发现新的运营策略，则可以进一步利用 GAI 的 Reasoning 与 Creativity。

      与此同时，AI 投资不能脱离人的能力建设。随着 AI 与供应链流程深度融合，员工需要知道模型如何使用、结果如何解释，以及什么时候不能接受模型建议。因此，未来供应链人员需要同时具备业务知识、数据分析能力和与 AI 协同工作的能力，而不是单纯把判断交给生成式人工智能。