ChatGPT一經(jīng)推出，便在全球各地掀起了如魔法般的神奇風潮。各類供應鏈廠商紛紛參與討論，希望了解如何運用這股AI之力。此外，幾乎每家供應鏈解決方案供應商也都迫切希望為自己的AI持續(xù)投資找到有力的理論依據(jù)。

任何能夠感知其環(huán)境，并采取行動以最大程度提高目標達成率的設備，都開始在這波AI浪潮當中扮演某種形式的角色。也就是說，AI方案并不是供應鏈領域的新技術，其中很多要素在某些場景下已經(jīng)被使用了幾十年。只是最近以來，更多新興案例開始快速涌現(xiàn)。

優(yōu)化旨在對供應規(guī)劃、工廠調度、供應鏈設計以及運輸計劃進行精細打磨。從廣義上講，優(yōu)化可以指制定計劃以幫助企業(yè)通過最低成本實現(xiàn)其服務水平及其他目標。而從數(shù)學角度來看，優(yōu)化則是一種混合性質的整數(shù)或線性規(guī)劃方法，用于在現(xiàn)實世界的約束條件下為倉儲、工廠、運輸流以及其他供應鏈資源找到最佳組合。

機器學習是指由機器獲取輸出結果、觀察其準確性并更新自身模型，循環(huán)往復以不斷改善輸出結果的方法。需求規(guī)劃引擎具有天然的反饋循環(huán)，允許預測引擎在流程當中持續(xù)進行學習。得到的預測結果則可以與實際發(fā)貨或銷售結果進行比較，供AI模型自我完善。

自21世紀初機器學習技術被用于需求預測以來，機器學習已經(jīng)極大提高了預測的廣度和深度。如今，機器學習預測不僅僅是按月或者按季度進行，按周甚至按天的預測也已經(jīng)成為可能。我們也開始從區(qū)域級別的產(chǎn)品預測轉向單家門店級別的庫存單位預測。最近一段時間，基于機器學習的需求規(guī)劃應用程序還能夠整合競爭對手的定價數(shù)據(jù)、門店流量以及天氣數(shù)據(jù)，從而更進一步增強預測能力。

我們也不再滿足于預測需求，還希望預測卡車乃至各類工廠機械何時可能發(fā)生故障(預測性維護)、提前規(guī)劃最佳庫存量與存放位置(庫存優(yōu)化)并對倉儲環(huán)節(jié)的勞動力做出預測。這些預測類型能夠有效把控完成預期工作所需要的員工數(shù)量，并將結果精確到天、班次、工作乃至區(qū)域級別。此外，機器學習還可用于為倉儲工人生成工作標準。

機器學習技術(包括聚類、數(shù)據(jù)相似性及語義標記)能夠自動化實現(xiàn)主數(shù)據(jù)管理。畢竟如果沒有準確的數(shù)據(jù)作為依托，企業(yè)就會面臨“垃圾進、垃圾出”的尷尬局面。

在供應規(guī)劃方面，如果關鍵參數(shù)(例如供應商的交貨時間)不夠準確，那么規(guī)劃結果自然無法可靠。在這方面，機器學習亦可用于讓關鍵參數(shù)和政策保持在最新狀態(tài)，并可用于預測門店當中特定貨品的庫存單位是否供應不足。

供應鏈風險解決方案則使用機器學習和其他形式的AI對企業(yè)多層供應鏈中所涉及的具體供應商做出預測。這一點變得越來越必要，因為如果海關認為貨物當中包含可能存在強制勞動因素的風險產(chǎn)品，哪些這些部件與實際收貨方之間隔著數(shù)道供應關系，而且只占產(chǎn)品總成本中的極小部分，海關方面也會在港口扣留貨物。為了避免這種情況，托運人的端到端供應鏈預測方案將運用AI進行開放網(wǎng)絡搜索、分析進出口記錄、處理ThomasNet等采購平臺的數(shù)據(jù)，同時參考聯(lián)邦物流記錄及其他數(shù)據(jù)。這些預測加快了企業(yè)驗證其供應鏈的構建及擴展速度，保證使用與海關相同的技術來確定哪些貨物可能被拒絕入境。

自然語言處理用于對不同商品進行分類，由此建立起面向進出口及實時供應鏈的風險解決方案。

協(xié)調制度(Harmonized System)是一種對商品進行分類的編碼方法，也是海關識別各類商品的基礎，目前被世界各地的海關當局廣泛應用。使用正確的產(chǎn)品分類能夠保證企業(yè)支付正確關稅，幫助企業(yè)切實避免政府罰款并把握產(chǎn)品的真實到岸成本。但問題在于，產(chǎn)品的商業(yè)描述與國家海關關稅表中的表達方式之間存在巨大差異，因此可能導致關稅支付錯誤率高達30%。為此，自然語言處理方案與專家系統(tǒng)的結合，已經(jīng)被用于自動化并顯著改善這一分類過程。

實時風險解決方案還使用自然語言處理來閱讀在線出版物及其他數(shù)據(jù)源，理解所讀內容，將數(shù)據(jù)情境轉化為信息，再以近實時方式報告由天氣、地緣政治事件及其他危害因素造成的供應鏈中斷。整條價值鏈中的每一步都有與之相關的搜索詞。供應商、承運商、物流服務提供商所使用的各種名稱都可作為搜索詞，且各搜索詞又與表示問題的術語相匹配——具體包括“破產(chǎn)”、“工廠火災”、“港口爆炸”、“罷工”等各種術語表達。因此，當文本中的“海防市”一詞與短語“港口火災”相結合時，即會觸發(fā)警報。

強化學習屬于機器學習的一種形式，能夠讓AI模型根據(jù)正面、中性和負面反饋改進其決策過程。例如，假設我們希望訓練視覺系統(tǒng)以識別出狗的圖像，則首先需要讓人類查看數(shù)以萬計的動物圖像。人類標注員負責將圖片標注為狗、非狗或者不確定，而后向計算機展示這些圖像。系統(tǒng)則先做出“這是狗”或“這不是狗”的判斷，再與人類標注結果比較以驗證結論是否正確。

無人機也可使用這種形式的AI來提高倉儲庫存的管理準確性。強化學習能夠支持無人機正確識別倉庫貨架、貨盤與貨柜，并靠近貨品掃描其條形碼。同樣的，強化學習也被引入倉儲環(huán)境下的安保攝像頭，以確保工人們在工作期間嚴格遵守標準操作程序。

同步定位與地圖構建(SLAM)允許裝置構建并更新未知環(huán)境下的地圖，同時跟蹤裝置在其中的位置。這項技術允許搬運機器人在倉儲環(huán)境下實現(xiàn)自主移動。

搭載SLAM技術的無人機與自主搬運機器人已經(jīng)處于全面交付的早期試驗階段，更進一步打造的自動駕駛卡車則有望徹底改變物流行業(yè)的游戲規(guī)則。

雖然自動駕駛卡車當前還沒有全面落地，但也許再過幾年時間，我們就能自動將貨物從配送中心運輸至零售店面。在這個后AI時代，整個供應鏈體系都將迎來以往難以想象的嶄新面貌。