PG电子（中国）-官方网站

　　联想研究院机器学习总监范伟详细介绍了AI技术在供应链中的具体应用，通过机器学习和运筹优化提升需求预测、供应计划、库存管理和订单交付，以推动企业供应链实现卓越运营。范总的演讲提供了一场关于技术创新如何驱动企业转型的深刻洞见。

　　本文节选自联想研究院机器学习总监范伟范总在SiMPL2024第十四届供应链创新峰会暨ACE供应链创新周上做出的话题演讲分享《智驭未来：AI赋能联想供应链之洞察与实践》，以下为部分演讲内容：

　　大家下午好！我是来自联想研究院的范伟，目前担任机器学习总监一职。很荣幸能在今天的供应链峰会上，和大家分享联想运用人工智能技术赋能供应链的实践经验，希望这些内容能为大家提供有益参考，助力各自企业在未来实现卓越运营。

　　我的分享分为5个部分，首先介绍一下联想的供应链的现状，我们面临什么问题？为什么要进行数字化转型？联想的数字化转型一以贯之聚焦的事情就是打造智能供应链，那么智能供应链应该具备什么样的技术架构？有哪些落地的场景？我会重点谈一谈需求预测、物料的分配与消耗与智能排产，这些我们内部的明星项目或者叫最佳实践。最后应该还会有一些时间，我也会分享一下现在人工智能最前沿的方向大模型，智能体。AIGC这些技术如何与供应链的真实场景深度融合，解决业务的痛点，产生实际的价值。最后基于我非常浅薄的思考，对智慧供应链未来的技术方向做一个展望。

　　我们一起来认识一下联想的全球供应链，对于一家制造型的企业，供应链是绝对关键的职能部门，对前方的销售提供服务与保障，那联想销售什么呢？我们是全球最大的个人电脑生产商，同时也生产智能手机、平板电脑、服务器，还有各种智能终端，每年1.2亿的出货量卖到了全球180多个国家和地区，覆盖10亿多用户，如此规模庞大的市场，背后的供应链一定是大的，所以我们有30多家工厂遍布全球各地，有5000多供应商，核心供应商2000多，除了大它还必须是强的，所以集团每年都会花10亿多人民币投资到供应链的数字化转型上，取得了不俗的成绩。

　　联想已经连续三年位列Gartner的全球供应链榜单的前10名，我们在供应链的领导力以及ESG方面，还有智能制造方面取得了不俗的成绩，获得了IDC明晟，包括世界经济论坛麦肯锡等等的充分的认可。

　　这支不断强大的供应链在当下面临的5大挑战。换句话说，这也是我们数字化转型要聚焦的方向。比方说中美科技的脱钩，很多核心零部件，包括一些核心的工业软件对中国是限购的，我们必须得自研需求波动。联想所处的行业是消费电子的小批量、多品种、个性化订单日期明显，我们每年收到的订单80%以上，不超过5台小批量的订单。ESG国家社会的监管越来越严格，我们会关注一些低碳技术，然后经济衰退一起滞后的，各大经济体的GDP没有达到预期，大宗商品的涨价，包括物流的中断等等地缘冲突、黑天鹅事件。

　　所以说面对如此多的挑战，联想的供应链能做什么？就是拥抱各种创新的、核心的技术，用它们来苦练内功武装自己，使得我们的供应链在危机到来之前能够未雨绸缪，增加我们供应链的弹性、韧性、适应性以及智能化水平。

　　联想供应链数字化转型已经有差不多小10年，疫情前我们称为1.0阶段，聚焦的是夯实基础，知识可视，各个职能部门从采购到计划到制造到物流，再到服务，首先第一步要把所有的数据给收起来，然后基于各个部门的约定的流程规则，实现实时数据的可视化，部分的决策自动化。

　　到了疫情之后，我们进入了2.0，现在刚刚启动，聚焦的是互联互通，协同智能，把各个数据孤岛连接起来，把各个职能部门自己的小系统建立关联，实现整体的共赢，所以我们必须得再造流程，重新定义规则，把它们统一起来。数据要标准化，不仅仅是有数据，还要把它变成高质量的数据，实现全智能和完善的解决方案。这里面最大的特色就是要推动数据分析驱动的主动型的决策，帮助我们的决策者计划员能够在危机到来之前未雨绸缪，具有先见之明。

　　那么我们刚才提到要用各种前沿的技术来武装自己，这里我列了联想供应链最关注的八大创新技术，自动化就是机器人在这里，但我们还是可以归类，像互联网、区块链等等是提供数据或者说可靠性的保障。数字孪生提供一个环境，可以让我们的各种仿真的算法能够在环境中不断的进化。而高级分析人工智能更多的是聚焦模型和算法本身，如何从数据中挖掘洞见指导未来。

　　以数据高级分析为例，我们一般把它分为三个层面，首先是描述分析告诉我们当下发生了什么，然后第二阶段预测分析，通过分析历史数据里面的规律模式来告诉我们未来将会发现什么，将会发生什么。到第三个阶段叫做决策分析，就是不仅告诉我们未来的趋势是什么，还要告诉决策者你应该怎么办。人工智能有60多年的历史，大家可能一般能够想到的就是计算机视觉、语音识别、自然语言处理、机器学习等等，那些技术很炫，但是它经常被诟病的一点，它是一个不可解释的黑盒模型。

　　好在现在这些技术它的精度和性能已经上升到一定的层次，在一些聚焦的领域可以达到甚至超越人的水平。那么不妨把它作为一个插件嵌入到供应链的工作流程里面。比方说产线上的自动光学检测，能够识别产品的一些瑕疵，安装的一些缺陷，它的精度远远超过人肉眼的精度。那么多技术会不会让人眼花缭乱，无所适从，在联想不存在这个问题。因为我们都是由场景和需求来驱动一个个项目，然后去找适配的技术把它定下来。

　　这里给了一个简单的例子，就是我们联想做所有的数字化转型项目，在场景式的解决方案，刚才的各种核心技术会沉淀到中间端到端的供应链控制塔里面，周边的12345是典型的一些场景，你比方说第一个场景需求预测，需求预测用了时间序列分析，机器深度学习以及AIGC等。

　　第二个智能采购与供应商高度协同分层管理，在研究供应商方面，我们积累了大量采购数据，以此判断供应商是否靠谱、交货能否准时。同时，我们还运用自然语言分析和数据挖掘技术，从外围的公开数据中入手，全方位分析供应链的 360 度画像。

　　第三个客户订单的智能化管理，我们有这么多的订单，有不同的产品数量交期和供应和客户的等级，我们完全是可以用优化的技术、运筹优化的技术来智能的决定哪些订单先执行，哪些订单需要等一等，甚至能确保特定订单的顺利落实。

　　最后一个智能物流，包括交付，仓库的选址，物流方式的选择，以及最后一公里配送到底哪个站点先下，哪个站点后下，都是一些运筹优化的技术。

　　大家可以聚焦看一下红色的条幅，黄色的文字涵盖了三大流程，第一个订单到来之前的计划阶段从需求到供应。第二个订单到了之后的交付阶段，从订单到现金。第三个围绕整个产品的是生命周期的一个优化，三大流程，和刚才八大技术，我们把它总结为两大核心的技术大类，一类称为以机器学习为代表的预测技术，它要解决的是如何降低不确定性，或者说如何通过数据、算法的手段使原来非常不确定的一些场景，变得稍微可控。我举个极端的例子，我们扔一个硬币，你在没有任何数据的情况下，就是1/2，但是如果你知道扔的一些角度，甚至他正面和反面字的纹理的不一样，还是可以通过数据的方式来做出一些更精准的预测。

　　另外一大类，以运筹优化为代表的决策技术，这个是解决多目标平衡性供应链也好，交通运输也好，甚至我们的资产配置，还有一些能源资源的分配，都涉及到不同的互相抵触的多目标，如何实现最优的平衡，传统的运筹学会解决这类问题。我们是做制造的，尤其是离散制造，我们有个概念叫bill of materials，这些component其实可以做成一个分层的管理的，我们越是顶上的第一层越关键，按图索骥，必定能够找到最佳的某一个 item，的这种核心技术，与我们关注的某一个场景的痛点的强连接。

　　在离散制造领域，我们有个 “物料清单” 的概念。其中的零部件可进行分层管理，越靠近顶层的第一层越关键。通过这种分层管理，按照既定线索，我们就能找到特定项目中最为关键的物料。这种核心技术，与我们所关注的特定场景痛点紧密相连，能切实助力解决实际问题。

　　这里有一个概念叫供应链控制塔，也就是我们后面提到的供应链大脑。这里我各举一两个案例来给大家具象化。第一个技术就是预测的技术，预测可以用在很多的场景，比如我提到的需求的预测，销量的预测，酝酿的预测，产能的预测，预测的目的就是要解决不确定性。我们的联想做预测有什么特色呢？不是简单的以数预数，以数估数，我们特点关键词就叫混合，具体体现在多个层面的 AI 混合运用。你比方说算法的混合，综合运用统计方法，机器学习、深度学习，然后大模型、小模型的混合，运行在云端，其他的GPT也可以在边缘测，你比方说在产线上我们要检测那些信号的不确定性，在边缘就解决了，然后支持与数据的结合。

　　另外就是多层级的融合，我们要做销量的预测，我们可以有各个大区，每个大区还有不同的国家，到底应该是顶层预测完了再分拆下去，还是每一个局部预测了再汇聚上去？其实没有一刀切的方法，要根据数据的分布，数据的质量和那边的形式来动态的做判断。回到我们刚才说的知识与数据结合，我举一个例子，比方说我们联想卖PC，有一部分是直达客户，但是大部分是通过渠道卖出去，至于渠道卖多少给终端客户，我们是不知道的，但是我们非常想知道，因为sell out的趋势加上渠道的库存决定了我们出货量是多少，那么我们怎么预测 sell out，我们当然可以让渠道把他们每年、每个月、每个季度卖了多少，收集上来，以数来测数，但是实际上效果非常不好，后来我们发现我们少了一些关键信息，这是销售告诉我们的，你们这些科学家应该去了解一下各个渠道返点的开通，如果能卖80台，拿5%的返点，他会去卖81台、85台、82台的，但是他绝对不会卖79台，他一定要撸到80，一旦我们掌握了这种规律，预测的精准度就能大幅提升。

　　再举个例子，比方说我们原来给服务供应链做预测，就是这个叫做维修站到底应该备多少备件来以备不时之需。我们当时遇到一个在东南亚地区的问题，比如说印度5~8月，始终预测不准它的显示模组，后来当地的业务就告诉我们，你们好好研究一下天气，5~8月是印度的季风季节，湿度那么大，那些带内置电路的器件故障率是相当高的，多高？他是不知道的，但是通过他这个提示，我们知道去扒取温度的信息，降雨量的信息，湿度的信息，把这些数据融合在一起，在东南亚地区的雨季，我们的预测精度大幅的提高。

　　我们再看第二个跟优化相关的应用领域。我准备了一些视频，我讲的会少一点，大家看视频应该就清楚了。在深入探讨之前，我们先来简单了解一下 “优化” 的概念。从运筹学的角度来看，优化主要涉及三大要素。首先，在供应链场景中，存在许多需要优化的目标。比方说订单的交付率、成本、运输路线、等待时间，包括产线上不同的产品之间换线的时间等等,这些都是我们需要重点关注并加以优化的业务目标，这便是优化的第一个要素。

　　第二个要素是决策变量。举个例子，当有订单下达或者明确了需求后，我们需要采购零部件用于组装。此时，就面临从 a 供应商采购还是 b 供应商采购的抉择，假设这两家供应商的零部件可相互替换。不仅如此，从 a 供应商采购的时间以及采购数量，也都需要仔细考量并做出决策。再比如排产环节，工单安排在 a 生产线还是 b 生产线，不同的选择会对生产效率、成本等产生不同影响。

　　第三个要素是约束条件。我们都知道，做任何事资源都不是无穷无尽的，都要在一定的约束条件下进行。还是拿刚才工单的例子来说，可能某款产品由于工艺、设备等原因，只能在 ABC 这几条生产线上进行生产，而无法在 D 生产线上加工，这就是一种典型的约束条件。

　　就拿零售店的情况来说，零售店只能从当地的配送中心提货，没办法从邻省调配货物，这就是一种约束条件。在满足这些约束条件下得出的方案，也就是可行解。不过，并非所有可行解都能让人满意。我们有了明确目标后，就得找出最优解。即便存在多个最优解，我们也要在所谓的帕累托前沿上找到合适的点。

　　给大家举个智能物料分配的例子。疫情期间物资供不应求，像英特尔或 AMD 的 CPU 非常紧俏，各个大区和不同客户群体，都向总部的供应链部门索要这些热门 CPU。那么，这些珍贵的 CPU 该分配给谁呢？

　　在没有智能算法时，通常采用平均分配的方式，把大家的总需求除以总供应量，假设结果是每人都能拿到 80% 的需求，表面上看大家都挺满意。然而，老板可不这么想。因为不同大区的产品利润不同，营收也不一样，而且客户的容忍程度也有差异。所以，我们得综合财务目标、公平性目标等其他目标，进行多目标优化，以此来合理分配这些 CPU，或者像显示模组这类紧俏物资。

　　本文节选自联想研究院机器学习总监范伟范总在SiMPL2024第十四届供应链创新峰会暨ACE供应链创新周上做出的话题演讲分享《智驭未来：AI赋能联想供应链之洞察与实践》，以上为部分演讲内容，如需观看全文，可扫描下方二维码

　　错过现场参会的朋友不必遗憾，大会现场采用最新视频技术进行全程摄像，音画同步高质量视听呈现，捕捉每一个嘉宾的高能分享，还原沉浸式参会体验，完整体验全体大会精彩会议内容，无限次回看，随看随停，学习随心更高效。

　　扫码注册（付费内容）或文末”阅读原文“即可观看会议视频，如有疑问请添加微信：ACE-lanna

　　特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

　　特朗普怒轰美联储：不立刻降息就毁掉美国经济！太迟先生鲍威尔遭第16次施压

　　2-1，瓜帅激情呐喊！曼城重演9320奇迹：94分钟绝杀 3连胜+升第3

　　新消费日报 泡泡玛特一季度海外收益同比增长475%-480%；安踏集团2024年可持续产品占比超30%；美团再次辟谣要求骑手“二选一”……

　　《编码物候》展览开幕 北京时代美术馆以科学艺术解读数字与生物交织的宇宙节律

　　绘王推出 Kamvas Slate 11/13 平板电脑：全贴合屏，4096 级压感有哪些PG电子游戏的经典攻略值得参考？有哪些PG电子游戏的经典攻略值得参考？