转载自“运筹OR帷幄”微信公众号

作者：唐隆基

 

本文旨在介绍和分析新一年生成式人工智能技术创新的发展趋势，特别是展望新一年供应链技术创新的趋势。主要包括以下几个章节:

1.展望生成式人工智能

2.生成式人工智能市场地图

3.供应链中的全球生成式人工智能市场

4.Gartner 2024 年预测：供应链技术

5.生成式人工智能的前景与风险

6.大语言模型（LLMs）与小/专业语言模型（SLMs）

7.生成式人工智能在供应链中的应用前景和展望

 

引言

新的一年2024己经来临。在过去的两年（2022-2023），正值世界的格局巨变中，新兴的技术，特别是人工智能也迎来了划时代的创新。人们肯定没有忘记 2022 年底（OpenAI推出ChatGPT）和2023年初突然席卷互联网的所有生成式AI炒作。来自 Midjourney的引人注目的图像和ChatGPT撰写的诙谐帖子充斥着我们的社交媒体。ChatGPT于2022年11月发布后，OpenAI估值已涨至290亿美元。ChatGPT迅速走红，上线5天后已有100万用户，上限两个月后已有上亿用戶。从而开启了生成式AI的热潮（见图1）。

图1：从发布到100万用户选择平台/应用程序的时间（来源：【1】）

ChatGPT的推出，迅速推动生成式人工智能的应用在敎育，媒体，工业等等各个领域和行业的应用热潮，当然也推动了供应链的AI创新。正如埃隆•马斯克所说，“生成式人工智能是迄今为止最强大的创造力工具。它有潜力开启人类创新的新时代。”2023年成了生成式人工智能从理论到实践，从实验到创造价值的元年。本文作者在2023年的四场演讲中特别介绍了ChatGPT和生成式人工智能在供应链中的应用发展趋势【2-5】。本文旨在介绍和分析新年生成式人工智能技术创新的发展趋势，特别是展望新年供应链技术创新的趋势。

 

一、展望生成式人工智能

1.1 什么是生成人工智能？

维基百科指出：生成式人工智能（英语：Generative artificial intelligence，或称Generative AI、生成式AI、产生式AI）是一种人工智能系统，能够产生文字、图像或其他媒体以回应提示工程，比如ChatGPT。产生模型学习输入数据的模式和结构，然后产生与训练数据相似但具有一定程度新颖性的新内容，而不仅仅是分类或预测数据。用于处理生成式人工智能的最突出框架包括生成对抗网络和基于转换器的生成式预训练模型。

Gartner在【6】中给出了生成人工智能的定义: 从模型中人工制品的表示中学习并生成具有类似特征的新人工制品的人工智能技术。并且如图2所示，具有如下的包含结构：

• 生成人工智能包括所有基础模型

• 基础模型包含各种大语言模型（LLMs）

• ChatGPT只是基于LLM产生的一个生成人工智能服务

图2：什么是生成人工智能（来源：【6】）

图3描述了生成式人工智能与传统人工智能的关键区别，其中最重要的区别是传统人工智能只能帮助人类提高分析的智能和实现自动化最佳解决方案，这实际上间接提高了人类生产力的水平；而生成式人工智能能直接为人类产生出新产品和生成新内容，提高人类的工作效率，也就是说它的能力是直接提高人类社会的生产力。

图3：生成式人工智能与传统人工智能的关键区别（来源：【6】）

从20世纪50年代起步以来，生成式人工智能已呈指数级增长，改变了我们所知的人工智能格局。几十年来，无数研究人员和工程师为生成人工智能的发展做出了贡献，掀起了一波创新浪潮，继续塑造我们的现在和未来。图4描绘了生成式人工智能的演变时间表。

图4：生成人工智能的演变（来源：【7】）

 

1.2展望生成式人工智能

随着企业认识到生成式人工智能在不同领域的变革潜力，生成式人工智能市场正在经历显着增长。图5中表明这项创新技术成功的数字。

图5：生成式人工智能市场及其现状（来源：【7】）

高盛研究【8】认为，生成式人工智能的突破有可能给全球经济带来彻底的变化。随着使用自然语言处理先进技术的工具逐渐进入企业和社会，它们可以在10年内推动全球 GDP增长7%（或近7万亿美元），并将生产率增长提高1.5个百分点。新一波的人工智能系统也可能对全球就业市场产生重大影响。这些进步引发的工作流程转变可能会让相当于3亿个全职工作岗位面临自动化。高盛资产管理公司在2024年展望中预计，人工智能将继续从“兴奋”阶段转向“部署”阶段。

Gartner 在其2024 年及以后的重要战略预测【9】中指出：

• 2023 年，生成式人工智能已释放出巨大的创造力和生产力潜力。

• 我们对 2024 年的主要预测表明，每次战略对话都需要包含生成式人工智能（GenAI）。

麦肯锡全球研究院在其研究报告【10】中指出: 生成式人工智能有望掀起一股强大的生产力增长浪潮，这可能会影响所有行业，并可能在我们研究的63个用例中每年为全球经济增加4.4万亿美元。……生成式人工智能时代才刚刚开始，充分认识到该技术的巨大优势还需要时间。但企业领导者应该尽快开始实施生成式人工智能用例，而不是观望，因为落后者和早期采用者之间的性能差距将迅速扩大。竞争优势将属于首先使用生成式人工智能来加速其业务优先事项、创新和公司发展的组织。

进入2024年，德勤做出了三个预测【11】：首先，我们预测几乎所有企业软件公司都将在其部分产品中嵌入新一代人工智能。其次，我们预测将会出现多种定价模式：显式按席位定价（每个用户每月或 PUPM）、基于消费的定价、混合方法、隐性定价（保留现有的任何模式，但收取更多费用）、或者免费，至少目前是这样。最后，我们预测，到2024年底，企业软件公司（除了一代AI处理能力的云提供商）的收入增幅将接近 100亿美元。

 

1.3生成式人工智能对不同行业的影响

生成式人工智能已经进入各个行业，重塑创造力、生产力和解决问题的领域。下图描绘了GenAI 对不同行业的影响。

图6：生成式人工智能对不同行业的影响（来源：【7】）

供应链是上面各个行业的重要组成部分，因此生成式人工智能必然会对供应链变革产生深远的影响。

 

二、生成式人工智能市场地图

2023年9月20日【12】发布了生成式人工智能市场地图，它是基于下面两个新趋势：

• 生成式人工智能从技术锤子演变为实际用例和价值。

• 生成式人工智能应用程序日益多模态的性质。

图7：生成式人工智能市场地图（来源：【12】）

此外，【12】还提供了一个新的LLM开发人员堆栈，该堆栈反映了公司在生产中构建生成式 AI 应用程序时所求助的计算和工具供应商。

图8：生成式人工智能基础设施堆栈（来源：【12】）

 

三、供应链中的全球生成式人工智能市场

根据市场研究公司的报告【13】, 全球供应链生成式人工智能市场规模预计将从2022 年的2.69亿美元增至2032年的102.84亿美元左右，2023年至2032年的预测期间复合年增长率为45.3%。

利用机器学习算法根据已有的数据输入生成新的、原始的输出，这被称为生成式人工智能。商品和服务的生产、分配和交付都是通过一个由组织、资产、流程和信息组成的复杂网络（称为供应链）进行处理的。它包括许多阶段，包括制造、物流和客户服务。为了优化运营、降低成本并满足消费者需求，企业必须有效管理供应链。由于生成式人工智能可以分析巨大的数据集、发现模式并产生见解和解决方案，因此它最近引起了广泛的关注。生成式人工智能可用于供应链，通过简化程序和增强决策来提高效率。

图9：供应链中的全球生成式人工智能市场（来源：【13】）

 

四、Gartner2024年预测：供应链技术

2023年10月26日Gartner Dwight Klappich等分析师发表了研究报告《2024年预测：供应链技术》【14】。该报告指出：技术被视为竞争优势的关键推动因素，领导者经常将提高自身地位视为投资供应链技术的关键驱动力。供应链技术领导者可以利用这项研究来发现未来的风险和机遇。其主要发现包括：

• 使用新兴技术支持数字供应链转型仍然是供应链组织的一项资金最多的举措。

• 推动新兴技术投资的四个主要原因是公司需要支持新的业务模式、提高流程效率/生产力、加强决策以及提高供应链弹性/敏捷性。

• 只有10%的公司认为技术不是竞争优势的来源。

• Gartner调查中近三分之一的受访者表示，技术对其业务的成功和增长至关重要。

该报告根据Gartner对新兴供应链技术的调查和预测，指出了2024年新兴技术投资的四个重点领域（见图10）：

（1）劳动力：寻找、雇用、培养和留住一线劳动力对于供应链组织来说是一个日益严峻的挑战。在2022年Gartner供应链技术用户需求调查中，1%-30%的受访者表示，劳动力限制是实现其供应链目标的三大内部障碍之一。此外，24%的受访者表示，供应链劳动力再培训是2023年资金最多的举措之一。最后，当被问及为什么投资网络物理自动化时，59%的受访者表示，这是因为他们有劳动力可用性问题。这些问题综合起来，促使人们更加关注劳动力问题，这也是今年两项预测背后的推动力：

• 首先，通过机器人实现自动化，在不久的将来，机器人的数量将与一线工人一样多。

• 其次，需要投资技术来提高员工敬业度。

（2）智能：随着供应链变得越来越复杂和不稳定，决策速度和质量仍然是供应链组织面临的首要内部挑战。这促使企业投资各种技术来改善决策，例如高级分析、机器学习和最近的生成式人工智能（GenAI），这些技术都被认为是重要且具有颠覆性的技术。34%的受访者将提高决策速度、质量和稳健性视为推动新兴/新技术投资的三大目标之一，这支持了 GenAI 将在未来几年在供应链解决方案中发挥重要作用的预测年。

（3）边缘：传感器技术、物联网（IOT）以及更快、更高带宽网络（例如本地 5G）的进步使得能够收集和利用更丰富的传感器数据集。公司正在探索包含云和基于边缘的解决方案的新解决方案部署架构。随着信息技术（IT）和运营技术（OT）的融合，应用程序供应商开始将这些世界与其解决方案中的某些功能结合在一起，这些功能最适合云，而其他解决方案最适合在边缘处理。企业不只是在思考这个问题，他们现在也在追求这个想法。在我们的 UWaN 调查中，27%的受访者表示，数字化、跟踪和管理边缘资产是他们2023年资助的三大供应链计划之一。这种趋势体现在制造运营管理解决方案中，这些解决方案很快将成为云原生和边缘驱动。

（4）安全：网络安全不再是 IT 独自关心的问题。供应链领导者越来越关注网络威胁，他们将网络安全视为组织未来五年面临的三大最重要战略威胁之一。无论是与内部供应链业务系统、为支持其运营而部署的网络物理系统（CPS）、与贸易伙伴交易相关的风险还是来自其销售和支持的数字产品的威胁，网络安全都是首要考虑因素。值得关注的一大领域是软件。现代软件是打包代码、自定义代码和开源代码的拼凑而成，随着时间的推移，网络攻击者可以发现这些代码混乱中的漏洞。这支持了我们的预测，即有一项积极的运动（由美国总统行政命令支持）通过建立可跟踪代码块的软件物料清单（SBOM）来解决此问题。

图10：新兴技术投资的重点领域（来源：【13】）

由于本文聚焦在生成式人工智能（GenAI）方面的趋势，下面将只介绍Gartner在此报告中关于GenAI的预测和趋势分析。

战略规划假设：

到2028年，25%的物流KPI报告将由GenAI模型支持。

主要发现：

• GenAI 能够从大量内容存储（例如文档、信件和文字记录）中获取真实的上下文价值。到目前为止，大量数据基本上未被利用。借助GenAI，它将为利用它的企业创造更多价值。大多数内容、数据和工作流程工作都会发生变化。

• 2023年接受调查的442名首席执行官中，超过21%的人将人工智能视为未来最具战略价值的技术。

• 随着组织中 GenAI 的采用从一般用例转向更具体的用例，使用行业特定数据和特定领域或功能用例进行训练的目标模型将变得更加重要。

• GenAI 还添加了新功能并提高了虚拟助手和内容发现工具的性能，例如数据和分析（D&A）平台和洞察引擎。

近期标志：

由于 GenAI 仍然是新事物，而且供应链内的用例大多尚未经过测试，因此依赖于供应链组织内或基础技术（如运输管理系统（TMS）或仓库）内广泛开发的内部模型管理系统（WMS）。

市场影响：

当供应链领导者开始考虑GenAI用例可以在哪些方面应用或改善其业务时，他们需要评估组织的成熟度、内部能力以及数据和人才可用性。不，他们不需要 GenAI来进行 KPI 报告，但它可以取代未来创建KPI报告的手动流程。GenAI可以自动化数据分析、提供见解、实现预测分析并促进数据驱动的决策。通过将企业的所有系统集成到GenAI框架中，供应链领导者可以通过简单的查询生成KPI报告。GenAI框架可以使用大型语言模型或第三方解决方案在内部构建。公共模型的风险更大，价值也更低，因为它们不会解释内部数据集。

高度成熟的组织可能拥有开发和定制GenAI解决方案的技术、数据和人才。然而，成熟度较低的组织可能缺乏其中一项或多项要求，应考虑与其合作的技术或服务提供商的嵌入式产品。

考虑快速获胜也很重要。这是一个快速发展和变化的新空间。通过组织已使用的解决方案或技术中的嵌入式选项来利用KPI报告，并考虑适用于大多数物流功能的明显用例，以推动更快的胜利。

随着技术的成熟，供应链团队利用自己的内部资源在自己的内部数据集上构建这些模型可能会变得更加相关和现实。这将使KPI指标和报告的查询变得更容易、更可靠。

建议：

• 通过对团队进行有关潜在用例的教育，确定应用GenAI的有用用例。

• 通过了解供应链团队并就GenAI的潜在用例进行培训，获得有意义的数据驱动见解。通过更简单的KPI查询和报告来了解组织当前的挑战和额外的业务价值。

• 通过权衡公司的供应链成熟度水平与快速获胜或短期利益的机会来处理GenAI KPI 报告。在探索GenAI如何提供帮助之前，先确定正确的KPI非常重要。

• 首先查看您现有的技术堆栈，评估GenAI KPI报告的现有功能。

• 通过观察GenAI模型的进展以及未来一到两年构建模型的内部团队，评估公司是否应该加大内部资源投资。

 

五、生成式人工智能的前景与风险

Gartner的副总裁和供应链杰出顾问斯坦•阿罗诺在其文章【15】中分析了生成式人工智能在供应链应用中的前景和风险。图6指出了生成人工智能从正反两方面影响首席供应链执行官（CSCO）的优先事项：

• 生成人工智能带来的好处：

更大的领导能力

提高员工生产力

更深入的功能理解

• 生成人工智能带来的风险：

预期用途（被误导）

滥用

使用事故

图11：生成人工智能影响首席供应链执行官（CSCO）优先事项（来源：【15】）

【15】进一步指出：在技术解决方案背景下，其潜在风险和破坏可能与产品功能相关（例如，人工智能“幻觉”，又名错误信息），也可能是由意外后果（例如，用户错误和放大的人类偏见）或故意、恶意造成的该技术的使用。抵消性的好处预计将来自于领导者更深入的洞察力以及员工生产力和能力的提高。Gartner最近的一项调查显示，尽管对精确生成式AI 的适用性和风险了解有限，但近70% 的企业领导者认为收益大于风险。

虽然大多数供应链组织仍处于该技术的探索模式，但GenAI 在供应链中的一些新兴功能用例包括：

• 供应商参与和合规性：总结合同，确保持续的合同合规性并进行供应商入职/问答。

• 复杂模型的可解释性：对传统AI/ML 模型生成的推荐生产、路线规划或客户履行决策的基于文本的解释。

• 监管合规性：以简单的问答文本格式解释贸易、医疗保健和/或可持续发展法规。

• KPI和假设分析：解释供应链指标及其驱动因素。使用直观的基于文本的查询来评估如何影响它们的选项。

尽管生成人工智能使得人工智能向通用人工智能（AGI）靠近了一大步，并且充满了美好的应用前景，但它还沒有实现自我意识或还只是普遍意识的一部分。它虽然聪明，可以造福人类，但它也可以给人类带来灾难。因此认识它存在风险的一面对于我们企业制定釆用这项聪明技术的战略时尤为重要，它会帮助我们避免盲目跟风，造成不必要的损失。下面将列举一些它的风险调查和评估，以帮助企业在釆用这项技术时规避它们。

最新的年度麦肯锡全球人工智能现状调查【16】证实了生成式人工智能（GenAI）工具的爆炸性增长。同时也发现“许多组织尚未解决人工智能时代的潜在风险”。该调查显示，似乎很少有公司为新一代人工智能的广泛使用或这些工具可能带来的商业风险做好充分准备。在报告人工智能采用情况的受访者中，只有21% 的受访者表示，他们的组织已制定政策来管理员工在工作中使用新一代人工智能技术。当我们具体询问采用人工智能的风险时，很少有受访者表示他们的公司正在减轻人工智能最常见的风险：不准确。受访者提到不准确性的频率高于网络安全和监管合规性，而网络安全和监管合规性是之前调查中人工智能最常见的风险。只有32% 的人表示他们正在减少不准确性，这一比例低于表示他们减少网络安全风险的38%。有趣的是，这个数字明显低于去年报告缓解人工智能相关网络安全的受访者比例（51%）。总体而言，正如我们前几年所看到的那样，大多数受访者表示他们的组织没有解决与人工智能相关的风险。

图12：不准确、网络安全和侵犯知识产权是生成人工智能采用的最常见风险（来源：【17】）

另一个令人震惊的调查是人工智能基础设施联盟的报告【17】。调查显示“63%的组织因AI/ML 治理失败而损失至少5000 万美元”。该报告指出了一些与人工智能/机器学习治理失败造成的损失相关的惊人数据。根据他们对1000 多家年收入超过10 亿美元的公司的调查，近三分之一拥有现有人工智能部署的组织在未能正确管理这些系统时遭受了重大损失。

• 18%的人表示损失在500 万至1000 万美元之间；

• 19%表示损失10-5000 万美元；

• 29%的人分担损失在5000 万至1 亿美元之间；

• 24%的人报告损失在100-2 亿美元之间；

• 10%的人表示他们损失了超过2 亿美元。

总之，GenAI是另一种比核能还要强大的工具，然而核能可以为城市提供动力或摧毁城市。因此，我们的重点应该集中在如何正确使用它为人类创造价值上。

 

六、大语言模型（LLMs）与小/专业语言模型（SLMs）

在人工智能（AI）领域，似乎越大越好。像 GPT-4 这样的大型语言模型（LLM）的出现引起了人们的敬畏和担忧，因为这些巨型 AI 模型表现出了卓越的自然语言理解和生成能力。

在这些庞然大物的阴影下，一场悄然的革命正在发生。最近的研究表明，曾经被认为只是大型语言模型的垫脚石的小型语言模型，在各种应用中开始超越（或至少匹配）LLM的表现。

对能够理解和产生类人语言的人工智能系统的追求推动了LLM的发展。LLM已被证明在翻译、摘要和问答等任务中表现出色，常常超越早期较小模型的能力。然而，这些成就也存在显着的缺点，包括高能耗、大量内存需求、高昂的计算成本和大量碳足迹和水消耗。分析师估计训练像 GPT-3 这样的语言模型可能花费超过 400万美元。随着 LLM 获得更多参数，这些成本只会上升，据报道GPT-3有1750亿个参数， GPT-4有多达 1 万亿个参数。因此，想要培训具有复杂推理能力的LLM的组织必须投资更多的计算资源才能跟上。另一个主要问题是 GPU 创新的速度落后于模型大小的增长，可能导致扩展不再可行。这些因素促使研究人员探索更小的语言模型的潜力，这些模型在某些应用中可能更高效、更通用。

图13：LLM和 SLM的比较（来源：【18】）

【19】指出：小语言模型（SLM）具有可使用相对适度的数据集进行训练的优点。它们简化的架构增强了可解释性，并且其紧凑的尺寸有利于在移动设备上的部署。SLM 的一个显着优势是它们能够在本地处理数据，这使得它们对于物联网 (IoT) 边缘设备和受严格隐私和安全法规约束的企业特别有价值。

然而，部署小型语言模型需要权衡。由于 SLM 在较小的数据集上进行训练，因此与大型语言模型（LLM) 相比，SLM 拥有更多受限的知识库。此外，与较大的模型相比，他们对语言和上下文的理解往往更加有限，可能导致响应不太准确和细致。

随着生成式人工智能渗透到企业领域并且业务案例变得更加引人注目，公司将开始利用小语言模型（SLM），并使用其专有数据对其进行调整。而且随着技术的发展，SLM技术也会得到不断改善。像微软和谷歌这些模型巨头也开始了SLM的研究和实践的竞赛。

• 微软研究院正在尝试开发定制的人工智能模型，以最大限度地减少资源使用【20-21】。目前，SLM 已投入大量工作，取得了令人惊讶的良好结果。2023年年底微软先后推出Orca-X（70 亿或 130 亿个参数）系列和Phi-X（13 亿--27 亿参数）系列SLM，其中微软的新语言模型 Phi-2（27 亿参数） 在常识推理、语言理解、数学、编码和基准测试等各个领域展示了强大的性能，并且可以与更大的模型竞争，展示其在实际应用中的能力。

• Google 现在提供两种特定于领域的模型【22】：Med-PaLM 2（PaLM 2的医学调整版本） 和Sec-Palm（一种医疗保健和生命科学行业的更多客户预览版）。版本针对安全用途进行了微调。Google 最近提出的两种技术 UL2R 和 Flan 已显示出在无需大量计算资源的情况下改进较小语言模型性能的巨大潜力。

• 2023年1月，一群从事自然语言处理（人工智能的分支，专注于语言理解）领域工作的年轻学者发起了一项挑战【23】，试图颠覆这种LLM范式。该组织呼吁团队使用比最先进的大型语言模型所使用的数据集大小不到万分之一的数据集来创建函数式语言模型。一个成功的迷你模型几乎与高端模型一样有能力，但更小、更容易使用并且与人类更兼容。该项目称为 BabyLM 挑战。

总部位于英国伦敦数据分析和咨询公司环球数据（GlobalData）确定了2024可能会出现的几个趋势，其中之一是小语言模型 (SLM) 将变得更加普遍【24】。它预测 SLM 将在 2024 年超过 LLM。

生成式人工智能和LLM彻底改变了商业格局——改变了企业运营和与客户互动的方式。然而，生成式人工智能确实包括小语言模型（又名 SLM）或专用语言模型或 GPT。本文前面已指出这两类NLP语言模型都有自己的优点和缺点，因此在它们之间进行选择是生成式人工智能项目的关键决策。微软零售和消费品首席行业顾问，麻省理工科技评论全球小组成员 ，和中国工业联合会智能制造委员会委员及导师S•斯里尼瓦萨•西瓦库马尔在【25】给出了一种方法来指导语言模型的正确选择:

（1）了解大语言模型的优点和缺点（见图14）:

大型语言模型，例如 GPT-3.5 / 4.0，是 NLP 领域的庞然大物。它们是具有数百万（甚至数十亿）参数的神经网络，使它们能够理解上下文、生成类似人类的文本，并在各种语言任务中表现出色。

图14：LLM的优缺点比较（来源：【25】）

（2）了解小语言模型的优点和缺点（见图15）:

另一方面，小语言模型的参数较少，使其轻量级且资源高效。虽然它们的表现可能无法与大型同行相比，但它们也有自己的优点。

图15：SLM的优缺点比较（来源：【25】）

（3）决策树：选择正确的模型

总之，大型和小型语言模型的选择最终取决于生成式人工智能项目对语言模型的具体需求。如果您的项目需要顶级语言理解和高质量输出，那么LLM就是您的最佳选择。然而，如果资源和速度至关重要，小型模型SLM是一个明智的选择。决策树提供了一个简单的指南来帮助您进行此选择，确保您的 生成式人工智能工作既高效又有效。尤其是在语言模型的企业用例中，需要将模型建立在企业数据的基础上，而不是通常馈送到 LLM 中的庞大数据集。所以，对于所有用例，企业架构师需要真正评估哪种类型的模型适合他们，而不仅仅是遵循流行的模型。

图16：选择LLM或SLM的决策树（来源：【25】）

总之，大和小语言模型各有其长处和短处。大模型属于通用型面向社会，而小模型属于专用型面向行业。本文作者认为，让大模型由有资源实力的企业去继续推进发展，而行业/企业在采用生成式人工智能技术时追求的应该是定制的小型专业语言模型，例如供应链管理或者物流的专业语言模型。创建这类模型只限于专门的企业级行业级的语言参数，既高效又能为行业和企业迅速创造价值。

 

七、生成式人工智能在供应链中的应用前景和展望

7.1生成式人工智能的应用前景和能力

生成式人工智能的功能远远超出了简单的文本和音频生成。此外，其应用领域还在不断扩大。图17总结了生成式人工智能的应用前景和能力。

图17：生成式人工智能的应用前景和能力（来源：【7】）

7.2 生成式人工智能在供应链中的应用前景

Gartner杰出副总裁分析师Noha Tohamy 在她《开始供应链中的生成式人工智能之旅》的演讲【6】中给出了如下的图表，它总结了五大类生成式人工智能的一般可用于不同行业的能力，并指出它们如何影响到管理供应链战略。

图18：影响到管理供应链战略生成式人工智能支持的一般用例（来源：【6】）

在她的演讲【6】中还提供了若干生成式人工智能实际用例:

• 流程改进

西门子（Siemens）：在工作流程增强中使用GenAI来提高质量和解决问题。GenAI将非正式的语音数据路由解析到适当的设计、工程或制造团队。

• 流程改进-设备维护

美国钢铁公司（US Steel）：使用GenAI简化其北美最大铁矿石的60辆运输卡车的维护流程。维护团队可轻松获取信息，以解决机械问题。

• 员工生产力

沃尔玛（Walmart）：推出了My Assistant，这是一款面向员工的GenAI工具，用于加快起草、总结文档、帮助新员工入职和了解公司福利。

• 员工生产力-代码生成

梅赛德斯（Mercedes）：通过使用GitHub Copilot加快其软件开发过程，提供软件工具帮助开发人员提供实时代码建议和文档。

 

7.3 生成式人工智能 + GS1标准助力供应链和物流腾飞

负责开发和维护自己的条形码标准的非营利性国际组织GS1在【26】指出：生成式人工智能可以通过多种方式帮助供应链。AI 预测、模拟和建议可以支持自动化并提高效率。但重要的是要将这项技术视为其它供应链技术和标准，如GS1的技术和标准的合作者，才会发挥其巨大潜能。它旨在增强供应链中人员所做的有价值的工作。有鉴于此，生成式人工智能在以下领域显示出潜力：

• 沟通

生成式人工智能可以帮助全球贸易伙伴进行翻译。聊天机器人可以阅读和总结文档，以及编写消息以帮助企业协同工作。

GS1标准可以帮助简化这些沟通。独特的身份、全球认可的数据模型和可互操作的业务消息确保了整个供应链中有关产品、地点和事件的交流中来自单一事实来源的清晰度。数据和供应链信息的最佳实践和标准化也可以指导人工智能翻译、总结或创建内容。

• 数据质量

生成式人工智能可以使用模式识别来标记数据集中的异常情况。它可以生成数据来填补空白，以提高完整性或通过附加信息丰富产品数据。它还可以在与贸易伙伴共享数据之前检查并纠正错误。

GS1标准可以充当生成式人工智能创建的数据的护栏。GS1 图像规范等标准 可以作为基础，并通过最佳实践指导人工智能，以帮助生成更准确、更有用的结果。

• 库存管理

生成式人工智能可以创建显示不同供需场景的模型，以帮助管理库存。通过将过去数据的洞察应用于这些模型，它可以 推荐订单和库存水平。对于这些模型，数据质量是关键。

GS1 标准有助于使整个供应链中的产品数据保持一致。高质量的数据将为人工智能带来更好的结果。

• 弹性

生成式人工智能可以创建供应链的数字孪生/双胞胎。这些人工智能仿真可以让用户测试他们的供应链如何应对不同的中断或变化。经过历史天气模式、环境数据和供应链中断训练的人工智能可以仿真未来事件。这有助于风险评估和应急计划。

GS1 标准可以帮助企业协作创建有弹性的供应链。标准是为供应链构建丰富的交易和事件数据的基础。这些数据可以提供有关可见性、库存、性能和生命周期管理的见解。这样，公司就知道何时实施应急计划。

• 履约

生成式人工智能设计可用于物流。人工智能可以?生成优化的?履行路线。它可以从反馈中学习并动态调整。生成式人工智能还可以根据历史数据、偏好以及产品或客户属性通过推荐和替代来支持填充率。

GS1标准可用于实施人工智能生成的路线。产品、位置和实体标准对于以开放和可互操作的方式构建物流路线至关重要。

• 可持续发展

生成式人工智能可用于增强可持续性。生成式人工智能可以帮助设计新材料的产品或重新设计包装以减少使用。或者它可以为当前产品规划供应链，以尽量减少其从原材料和供应商的采购到制造和分销对环境的影响。

GS1 标准可以可持续供应链设计完成后，帮助实现这一目标。标准有助于实现供应链内每个合作伙伴之间的数据共享和信任。从那里，他们可以合作实施设计。

• 个性化和客户体验

生成式人工智能通过用户反馈，可以学习、迭代并提供高度个性化的体验。例如，它可以提供专门针对客户偏好定制的产品推荐。根据客户对初始建议的反应，它可以更新和完善未来交互的流程。

GS1全球组织拥有标准化的产品信息和属性 ，生成式人工智能可以从中学习，以进一步提高其为用户创建个性化定制体验的能力。人工智能拥有的有关产品的数据越多，其根据用户反馈进行调整的能力就越强。

总之，生成式人工智能和GS1技术和标准相结合将助力供应链和物流腾飞。

 

7.4 生成式人工智能如何改变供应链运营

从本文前面的介绍可知，与分析输入以产生预定输出的传统人工智能不同，生成式人工智能可以在数据中创建新颖的模式和趋势。它可以预测不可预见的情况并提出尚未明确编程的解决方案。此外，生成式人工智能可以创建新的原创内容、预测和数据驱动的策略。例如，在供应链领域，生成式人工智能可以仿真复杂的物流网络，以预测不同条件下各种策略的结果。

供应链的生成式人工智能可以生成需求预测、优化路线并实现库存管理自动化。但它如何改变我们今天所知的供应链行业呢？让我们通过一些统计数据和示例来了解变化的范围。

毕马威（KPMG） 2023 年 3 月进行的一项调查显示【27】，77% 的受访者认为在供应链中使用生成式人工智能物流具有很高的影响力。

供应链规划中的生成式人工智能还使企业能够预测中断情况。麦肯锡（McKinsey）早在【28】中指出：人工智能使早期采用者将物流成本降低了 15%，库存水平降低了 35%。与行动缓慢的竞争对手相比，服务水平也提高了 65%。

下表描述了生成式人工智能驱动的供应链与传统供应链的区别【29】：

传统供应链运营	生成式人工智能驱动的供应链运营
反应性——传统供应链对需求变化、供应中断或物流挑战做出反应。	主动性——生成式人工智能可以在这些变化发生之前预测它们。让公司变得主动而不是被动是一个巨大的转变。
静态规划——传统的供应链运营依赖于静态规划模型，除非手动更新，否则静态规划模型不会改变。	动态优化——生成式人工智能物流引入了动态优化。它不断学习并适应新数据，实时优化运营。
手动分析——以前，数据分析通常是手动的、耗时的，并且容易出现人为错误。	自动生成洞察力——供应链的生成式人工智能可自动生成洞察力，更快、更准确地处理大量数据。
通用解决方案——传统供应链通常实施一刀切的解决方案，但这些解决方案并不是最优的。	定制策略——供应链生成人工智能可以针对每个供应链的独特挑战和机遇定制策略。

生成式人工智能之大型语言模型更具变革性的应用之一是在预测分析领域。通过利用供应链和物流运营中生成的大量数据，人工智能模型可以预测未来趋势、潜在干扰，并提出最佳解决方案。例如，语言模型可以分析过去的货运数据、天气预报和全球事件，以预测可能的延误并建议重新路由选项。这种预测能力使公司能够在问题升级之前预测并解决问题，从而实现主动而非被动的管理。

下面是【29】列举的生成式人工智能在供应链管理中的 7 大用例：

• 用例 1 – 库存优化

生成式人工智能库存管理系统采用先进的算法来优化库存水平，确保企业保持适量的库存。

这些系统可以分析历史销售数据并考虑交货时间、季节性和市场趋势等因素。生成式人工智能库存管理解决方案可以创建概率模型，根据这些数据模拟不同的需求场景。这有助于提高需求预测和库存管理的准确性。通过分析购买模式、季节性趋势和促销等各种因素，人工智能系统可以预测订购什么以及何时订购。这种方法可确保在正确的时间提供正确的产品，从而降低缺货风险。

• 用例 2 – 预测性维护

生成式人工智能物流模型通过识别表明设备故障的异常情况和模式来帮助进行预测性维护。这些模型分析振动、温度和机械声音等因素，以检测异常情况。此外，通过防止意外停机，系统保持稳定的生产流程。企业可以按时交货并保持客户满意度。这种方法不仅优化了维护操作，还延长了昂贵设备的使用寿命。在供应链中使用生成式人工智能物流有助于组织实现更高的成本效率和精确度。

• 用例 3 – 欺诈检测

通过使用生成对抗网络（GAN），生成人工智能正在成为打击欺诈的强大工具。GAN 由两个神经网络组成，即生成器和判别器，它们相互对抗。这是通过以下方式实现的：

生成器生成数据，例如图像，而鉴别器评估生成的数据是否真实。通过这个对抗过程，GAN 可以创建高度真实的数据模拟。这种对抗过程使得 GAN 非常适合识别可能表明欺诈活动的异常或模式。因此，由 GAN 驱动的供应链生成式人工智能解决方案受到处理大额交易的企业的高度追捧。

万事达卡是使用 GAN 进行欺诈检测的领先公司。他们开发了一种名为“决策智能”的系统，该系统使用人工智能（包括 GAN 等技术）来实时分析每笔交易。

• 用例 4 – 供应链风险管理

在供应链规划中使用生成式人工智能，通过分析历史数据和外部因素来查明漏洞，显着增强供应链风险管理。通过处理信息，人工智能模型可以识别风险模式并预测潜在的干扰。它甚至可以考虑供应商历史、天气模式和市场趋势。这种预测能力使公司能够制定强大的应急计划。例如，如果供应链规划模型中的生成式人工智能检测到高风险，它可以模拟对供应路线的影响。此外，它还可以建议替代采购或库存搬迁，以减少延误。

供应链的生成式人工智能还可以通过生成“假设”场景来帮助制定战略行动计划。这将形成更具弹性的供应链，使公司可以最大程度地减少中断并保持运营连续性。

• 用例 5 – 物流优化

通过供应链的生成式人工智能可以提高运输效率。通过分析实时数据来优化配送路线，人工智能可确保快速且经济高效的路径。例如，物流公司可以使用生成式人工智能来管理其送货卡车车队。人工智能系统不断从各种来源获取数据，包括 GPS 交通更新、天气预报和当前位置。

通过处理这些信息，供应链的生成人工智能可以实时生成和调整路线。生成式人工智能物流解决方案正在彻底改变供应链的运输和交付方面。一个现实的例子是 UPS（联合包裹服务）的道路综合优化和导航 (ORION) 系统。ORION 使用先进的算法来分析配送路线，据报道每年为 UPS 节省了数百万加仑的燃料并减少了数百万英里的配送里程。系统处理当天的配送信息并优化每个司机的路线

• 用例 6 – 需求预测

生成式人工智能正在极大地改善供应链管理中的需求预测。通过利用先进的算法，生成式人工智能物流模型可以分析大量的历史销售数据、市场趋势和其他相关变量，以创建高度准确的实时需求模型。这些人工智能驱动的预测对于确定最佳库存水平、生产计划和分销计划至关重要，使企业能够更有效地满足客户需求。最近将生成式人工智能用于需求预测的行业示例是达美乐比萨英国和爱尔兰的案例研究。他们从传统的电子表格转向使用 Dynamics 365 进行需求预测的人工智能和分析。此举旨在提高需求预测的质量、改善客户体验并确保及时交付产品。实施后，该公司的预测质量得到了提高，并继续结合人工智能和分析技术进行需求预测。

• 用例 7 – 仓库布局优化

供应链的生成式人工智能可以通过分析影响运营效率的多个因素来增强仓库布局优化。在传统的仓库环境中，布局通常是静态的，并根据历史数据和不频繁的评估进行设计。生成式人工智能可以动态调整布局，按尺寸或字母顺序排列零件和产品。人工智能模型可以模拟各种配置及其对仓库内行驶时间的影响。例如，供应链的生成式人工智能可以识别最常访问的物品，并建议将它们放置在靠近包装站的位置。该技术在现实生活中的应用可以在亚马逊的运营中心看到。该公司一直是采用人工智能和机器人技术来优化仓库运营的先驱。

隨着生成式人工智能在供应链中的广泛应用，将会出现更多读者现在想象不到的富有变革性和价值创造的用例。

 

7.5 商业化GPT Store如何助力供应链和物流的AI应用

自OpenAI 在 2018 年推出了第一个 GPT 模型（GPT-1）后，它于 2023 年 3 月 14 日推出了生成式预训练 Transformer 4 ( GPT-4 )，它是OpenAI创建的多模态大语言模型，也是其GPT 基础模型系列中的第四个。OpenAI 表示，GPT-4“比 GPT-3.5 更可靠、更有创意，并且能够处理更细致的指令”。虽然 GPT-4 带来了一些出色的技术，但全世界都在屏息以待它的下一版本 GPT-5。直到今天，人们对 GPT-5 知之甚少。然而，OpenAI的首席执行官 Sam Altman 最近似乎暗示了 OpenAI 的下一次重大飞跃。然而它将仍然属于生成式人工智能，离通用人工智能（AGI）还有一段距离。本文不去研究生成式人工智能的发展前景，而重点关注它在供应链和物流行业的应用。OpenAI 的GPT 商店（用户可以在其中分享他们的自定义聊天机器人）在延迟了一个月之后终于01-10-2024推出。该商店是定制的GPT共享平台，它为 ChatGPT 带来了更多潜在用例，并将 OpenAI 的生态系统扩展到该公司为客户构建的生态系统之外。在 GPT 商店开业之前，OpenAI 表示，它建立了一个新的审查系统，以确保定制 GPT 符合其品牌准则和使用政策。它还更新了如何报告用户认为有害或不安全的 GPT。ChatGPT Team 按年计费时每用户每月 25 美元，按月计费时每用户每月 30 美元。

目前已有300万个专业的GPTs，实际上每个专业GPT（定制的大语言模型）就是一个专业的语言模型，即本文前面介绍的SLM。图19展示了供应链 GPT集合之一部分，而图20是物流洞察GPT的主页面。

图19：供应链 GPT集合之一部分（来源：【30】）

图20：物流洞察GPT主页面（来源：【31】）

每个供应链和物流GPT就是一个专业的生成式人工智能应用，这使得玩不起AI的中小企业也有机会应用生成式人工智能来改变和优化它们的供应链和物流业务，甚至也使个人和组织找到了一种创新的赢利模式，许多初创企业也将迎运而生。其前景一片光明。

 

7.6 供应链如何从使用生成式人工智能中受益

安永（EY）在【32】中很好全面总结了在供应链管理和运营，釆购，生产制造，以及物流四大方面，供应链如何从使用生成式人工智能中受益，本文将其放在下面的表中供读者参考学习。

供应链的不同环节		如何从使用生成式人工智能中受益
供应链管理和运营	需求预测	许多组织正在使用人工智能来分析大型历史销售数据集、市场趋势和其他变量，以创建实时需求模型。借助 GenAI，可以创建最佳库存水平、生产计划和分销计划，以有效满足客户需求。
	计划生产	人工智能通过考虑客户变化、生产能力、资源可用性和订单优先级等因素来帮助计划生产和调度。与需求预测功能类似，GenAI可以有效地制定生产计划、安排顺序和分配资源，以最大限度地减少瓶颈并优化生产效率。
	风险管理	人工智能可用于分析历史数据、市场状况、天气模式和地缘政治事件等数据源，以识别潜在的供应链风险。但例如，GenAI 可以根据需要提示生成风险评估、场景模拟和缓解策略，而不是预先填充的仪表板，以帮助规划人员主动管理和缓解风险。
釆购	供应商管理	利用自然语言处理从供应商通信和数据点中获取见解。支持、监控和分析供应商互动；识别潜在问题；并改善供应商关系。
	釆购决策	通过分析广泛的供应商数据并生成见解来支持供应商选择过程。通过考虑供应商绩效、能力、定价和风险状况等因素，GenAI 算法可以提供建议或排名，以做出明智的决策。
	合约	通过自动从合同中提取关键信息并生成摘要或见解来辅助合同分析。审查和比较合同条款，识别风险并帮助确保合规性。通过提供数据驱动的建议来支持合同谈判和续签。
生产制造	产品设计	根据预定义的标准快速生成和评估数百种替代设计，显着加快创新过程。它可以用于从设计新的机械零件到创造更高效、更耐用或更美观的消费品等各种领域。
	预测性维护	通过从工厂车间机器收集的数据中学习，GenAI 模型可以创建新的维护计划，与设备可能发生故障的时间相关联。这使得制造商能够仅在必要时调整维护计划，减少停机时间和成本，同时延长设备的使用寿命。
	材料科学与工程	GenAI 可用于发现新材料并优化现有材料。通过处理大量有关材料特性的数据并迭代不同的组合，它可以提出具有所需特性的新材料或对现有材料提出优化建议。这可能会导致在制造业中创造出更高效、可持续或更耐用的材料。
物流	全球贸易优化	分析无数变量，包括关税、海关法规、贸易协定和运输成本，以建议最有效和最具成本效益的贸易路线和策略。这有助于公司驾驭复杂的国际贸易网络，帮助确保合规性，同时最大限度地降低成本。
	物流网络设计	考虑仓库位置、运输线路和需求模式等因素，优化物流网络设计，以生成最有效的配置。这可以缩短交货时间、降低成本并提高服务水平。
	最后一公里动态路径优化	对于物流运营来说，主要挑战之一是实时路线。GenAI 可以根据交通状况、天气和送货优先级等不断变化的因素，不断更新和优化送货或取货路线。这可以提高效率、降低油耗并提高客户满意度。

 

参考文献：

【1】Generative AI Bible，CBInsight，2023

【2】唐隆基，供应链数字化与智能物流的前沿趋势，2023第二届粤港澳大湾区制造业供应链与数字化转型峰会（广州，2023年5月11日）

【3】唐隆基，供应链的未来发展趋势和预测，2023第13届供应链|采购|制造创新峰会（上海， 2023年6月8-9日，700+， 60+%供应链及釆购总监和首席供应链官或釆购官， 355头部企业参会，其中包括华为，中兴，联想，美的，京东等）

http://www.logclub.com/front/lc_report/get_report_info/2897

【4】唐隆基，供应链的未来发展趋势和预测（食品产业），2023第五届SIAL 世界食品产业峰会和食品供应链大会（深圳，2023年8月29日）

【5】唐隆基，全球供应链的未来发展趋势，2023年中兴通讯第三届供应链战略发展论坛（南京，2023年11月10日）

http://www.logclub.com/front/lc_report/get_report_info/3875

【6】Noha Tohamy，开始供应链中的生成式人工智能之旅，Gartner Webinar，2023

【7】Anastasiya Haritonova，Generative AI Market Map: From History and State to Trends and Applications，07-06-2023

【8】Goldman Sachs，Generative AI could raise global GDP by 7%，04-05-2023

【9】Ava McCartney，Gartner's Top Strategic Predictions for 2024 and Beyond，12-04-2023

【10】The economic potential of generative AI: The next productivity frontier, Mckinsey, 06-14-2023

【11】Duncan Stewart等，Generative AI and enterprise software: What’s the revenue uplift potential?，Deloitte TMT Predictions 2024，2024年元月

【12】索尼娅•黄、帕特•格雷迪和 GPT-4，Generative AI’s Act Two，sequoiacap.com，09-20-2023

【13】Global Generative AI in Supply Chain Market report， 2023年7月https://marketresearch.biz/report/generative-ai-in-supply-chain-market/

【14】Dwight Klappich 等，Predicts 2024: Supply Chain Technology, Gartner，10-26-2023

【15】Stan Aronow，The Promise and Caution of Generative AI，Gartner，08-25-2023

【16】Michael Chui等，The state of AI in 2023: Generative AI’s breakout year，Mckinsey ，2023年8月

【17】ENTERPRISE GENERATIVE AI ADOPTION Report，人工智能基础设施联盟，2023年8月

【18】玛格丽特•劳斯, 小语言模型 (SLM) , 11-24-2023，https://www.techopedia.com/definition/small-language-model-slm

【19】Nagesh Mashette，Small Language Models (SLMs)，12-12-2023

【20】https://www.techopedia.com/slms-vs-llms，11-24-2023

【21】https://www.microsoft.com/en-us/research/blog/phi-2-the-surprising-power-of-small-language-models/，12-12-2023

【22】https://www.computerworld.com/article/3706510/ai-language-models-need-to-shrink-heres-why-smaller-may-be-better.html，09-14-2023

【23】https://www.nytimes.com/2023/05/30/science/ai-chatbots-language-learning-models.html，05-30-2023

【24】https://www.verdict.co.uk/globaldata-has-identified-several-ai-trends/?cf-view，01-12-2024

【25】S. Srinivasa Sivakumar， Large Language Models (LLMs) vs. Small Language Models(SLMs) - Choosing the Right Language Model，11-08-2023

【26】Generative AI: From buzz to business value，KPMG，2023

【27】Succeeding in the AI supply-chain revolution，McKinsey, 2021

【28】Generative AI in the Supply Chain，GS1us.org, 2023,https://www.gs1us.org/articles/generative-ai-in-the-supply-chain

【29】Generative AI Use Cases That Are Transforming Supply Chain Management, Kanerika, 11-23-2023,https://kanerika.com/blogs/generative-ai-for-supply-chain

【30】供应链 GPT集合之一部分，https://gptstore.ai/gpts/categories/supply-chain, 2024

【31】物流洞察GPT主页面，https://gptstore.ai/gpts/PAEcoJMUdi-logistics-insight，2024

【32】Glenn Steinberg等，How supply chains benefit from using generative AI，EY，01-09-2024

 

作者 |唐隆基

来源 |罗戈研究