一文读懂人工智能在供应链领域的典型应用

王建峰·2025年11月07日 14:28

一文读懂人工智能在供应链领域的典型应用

一概述

我的第一份工作是在研究生时期的暑假实习期间，从事供应链管理方面的工作。20世纪90年代末期，我在北京一个大型连锁超市工作。我的正式头衔是“装袋员”，但我的职责远不止装袋。我还要帮忙卸货、补充仓库库存、根据销售情况整理货架、把顾客买的东西搬到车上，以及清理通道偶尔洒出的液体。那时条形码、自动化和人工智能在日常零售运营中还远未普及。我当时并没有意识到，但我正在获得人生中第一次真正意义上的供应链运营实践经验。

自杂货店时代以来，很多事情都发生了变化，但供应、需求、时机和执行的基本原理却始终未变。如今，作为一名企业主、从业者和人工智能与机器学习方向的研究生，我从战略角度看待这些问题。我的研究重点是数据和智能系统如何改变价值链各个环节的商业决策。

本文旨在清晰、实用地概述人工智能和机器学习在当今市场营销和供应链管理中的应用。您将对人工智能的核心框架有一个宏观的了解，看到人工智能在市场营销和运营中实际应用的案例，并获得有关如何为未来人工智能驱动的决策做好准备的职业发展洞见。

二人工智能术语概述

在探讨实际应用之前，首先需要建立一个清晰的框架，阐明主要的AI概念之间的相互关系。这些术语在商业对话中经常被混用，但它们各自代表着不同的能力层面，如下图1所示。

图1. 人工智能、机器学习、深度学习和生成式人工智能之间的关系，

•人工智能（AI）是一个广泛的领域，专注于创造能够执行需要类似人类智能的任务的机器，例如学习、推理或决策。

•机器学习（ML）是人工智能的一个分支，它使计算机无需显式编程即可从数据中学习。与遵循固定规则不同，机器学习模型能够识别模式，并基于历史信息做出预测或建议。

•深度学习是一种更高级的机器学习形式，它使用多层人工神经网络。这种方法擅长处理复杂的高维数据，例如图像、视频和自然语言。

•生成式人工智能是一种旨在根据从大型数据集中学习到的模式创建新内容（包括文本、图像、音频甚至代码）的人工智能。ChatGPT 等系统背后的技术就是这项技术。

本文大部分内容都属于机器学习领域，如图 1 所示，机器学习还涵盖了深度学习和生成式人工智能等更高级的方法。需要理解的关键是，机器学习并非单一技术，而是一个智能谱系，从传统的统计预测模型到能够生成全新内容的强大深度神经网络，应有尽有。

三为什么人工智能现在如此重要

人工智能正以前所未有的速度被广泛应用，因为它不再被视为实验性技术，而是与企业的效率、盈利能力和竞争力直接相关。各行各业的公司都在超越试点和概念验证阶段，积极将人工智能融入日常运营，从而实现大规模、快速的决策。

人工智能的真正影响力在于其能够将预测转化为自动行动。人工智能不再仅仅生成报告或预测需求，它现在还可以触发警报、推荐补货数量、优先选择配送路线，或在供应风险演变成中断之前发出预警。这才是商业价值的真正所在：它不在于模型本身，而在于模型能够多快地影响执行。

人工智能在数据量庞大、决策可重复、信号嘈杂或快速变化的环境中尤其强大。这使其非常适合市场营销和供应链运营，因为在这些领域，需求变化、客户行为和物流状况无法大规模地进行人工管理。

与此同时，人工监督仍然至关重要。必须使用诸如平均绝对百分比误差 (MAPE)、平均绝对误差 (MAE) 和偏差检测等传统统计精度指标对人工智能系统进行持续评估，以确保其建议的可靠性和公正性。我们将在后续讨论预测时详细探讨这些指标，它们有助于企业了解模型预测与实际情况的偏差程度。最有效的人工智能系统并非完全自主，而是在人工监督下运行的决策系统，旨在增强而非取代判断。

Gartner 人工智能技术成熟度曲线。图 2（上图）显示，目前围绕人工智能的诸多热点都集中在人工智能代理和负责任的人工智能等领域，这些领域仍处于炒作曲线的顶端。但对企业领导者而言，更重要的是那些正在走向实际应用的技术。基础模型、合成数据、边缘人工智能和生成式人工智能正从实验阶段过渡到实际部署阶段。在这个阶段，企业不再纠结于人工智能是否有效，而是开始关注如何将其应用于影响预测、库存、物流和客户体验等决策中。

1.人工智能在营销中的应用

如果你曾经收到过个性化的产品推荐、与客服机器人聊天，或者好奇过 Netflix 为何总能准确预测你接下来想看什么，那么你已经体验过人工智能在营销领域的应用了。这些系统几乎在每一次数字互动背后默默运行，预测你接下来最可能的需求或行为。

图 3. 营销中的日常人工智能应用。

•个性化功能利用机器学习技术，根据您过去的行为定制您看到的内容。它会分析点击、购买记录、滚动模式和会话行为等信号，以确定哪条信息或哪款产品最有可能促成转化。

•视觉推荐更进一步，无需用户明确要求即可优化其显示内容。利用余弦相似度等方法可以将用户与相似内容进行匹配。同样的数学原理也应用于亚马逊的产品轮播和 Netflix 的“因为您观看过……”版块。

•由生成式人工智能驱动的聊天机器人已成为标准的客户触点。它们可以回答问题、推荐后续步骤，甚至全天候完成交易，并在必要时转接人工客服。事实上，聊天机器人现在是消费者直接与生成式人工智能技术（例如 ChatGPT，这也是其名称的由来）互动的最常见方式之一。

•预测分析是另一项核心营销应用，它利用机器学习模型在客户流失或营销活动效果等结果发生之前进行预测。通过比较线性回归和XGBoost 模型，可以确定哪个模型在预测销售结果方面表现更佳，并展示了即使预测准确率的微小提升也能转化为重大的战略优势。

2.营销如何直接影响供应链

乍看之下，市场营销和供应链管理似乎是两个完全独立的功能，一个侧重于创造需求，另一个侧重于满足需求。但实际上，两者紧密相连。每一项营销活动都有可能引发需求冲击，如果供应链未能预见到这种冲击，就可能导致缺货、延误、成本过高或错失收入机会。

图 4. 营销活动如何触发供应链行动

•营销活动会引发需求冲击。营销往往是先发制人的关键。成功的广告宣传、促销或产品发布可以立即刺激需求，有时甚至只需几分钟。人工智能不仅应该帮助预测这种需求，还应该在问题出现之前自动标记其对供应链的影响。

•数据是连接点。将市场营销和供应链联系起来的不是会议或部门，而是共享数据。双方必须在 SKU（库存单位）标识符、地理区域、销售渠道、日历和促销元数据方面保持一致。如果他们不使用相同的数据模型，人工智能就无能为力，因为它没有通用的语言来运行。

•KPI 的协同作用。市场营销关注的是点击率 (CTR) 和订单量，而供应链关注的是订单满足率和准时足量交付率 (OTIF)。KPI 只有与实际业务成果相符才能发挥作用。当市场营销和供应链对绩效的看法不一致时，会导致客户不满和运营效率低下。而当他们共享数据并利用人工智能将数据整合起来时，企业就能从被动应对转变为主动适应，从而获得显著的竞争优势。

如图 4 所示，供应链漏斗的运作方式与传统的销售漏斗类似。在销售漏斗中，营销活动旨在提高知名度、激发兴趣，并最终促成转化。

供应链漏斗是这一过程的运作镜像。它始于市场营销活动产生的需求信号，然后进入供应计划，接着是生产或采购，然后是物流和配送，最终是客户服务和交付绩效。

就像销售漏斗中的漏洞或瓶颈会降低收入一样，供应链漏斗中任何环节的故障都可能导致缺货、延误、成本增加或客户信任度下降。人工智能的价值在于能够连接供应链和销售漏斗，使来自顶端的需求信号能够及时指导底端的执行。

四现代供应链面临的挑战及典型人工智能应用场景

如图 5 所示，现代供应链的运作远在顾客点击“购买”按钮之前就已经开始了。它从原材料开始，流向供应商，再到制造商，然后是分销商、零售商，最终到达消费者手中。在每个环节，信息的流动都必须像库存和运输一样精准。供应链一直以来都在应对变化和不确定性，但在当今以数字优先、全天候运行的经济环境中，这种压力更加巨大。如果供应链中的任何环节出现错位，即使是短暂的，这种干扰也会随着下游的传递而不断放大。这种现象被称为牛鞭效应，而纠正这种效应的成本也越来越高。

图5. 现代供应链面临的挑战

现代供应链面临着各种各样的压力，这些压力会影响各个层面的绩效，但有四项挑战在各行业中尤为普遍：

•复杂性源于管理多层级网络、漫长的交付周期以及供应商、地区和产品方面日益增多的限制因素。网络越全球化、越多元化，单凭人之力就越难把握全局。

•不确定性是由直接控制范围之外的因素造成的，例如促销需求激增、天气干扰、季节性变化以及牛鞭效应，在这种效应中，需求的微小变化会在上游被放大。

•速度如今已成为人们的期望，而非差异化优势。当日达或次日达正逐渐成为常态，而不断上涨的最后一公里运输成本则给盈利能力带来了巨大压力。

•可持续发展已不再是可选项。监管机构和消费者都在追究企业在排放、废物、收益和环境影响方面的责任。

由于这些挑战，企业越来越依赖人工智能来更准确地预测需求，并在问题发生之前采取积极主动的措施。这就引出了人工智能在供应链中最关键的应用之一。

1.人工智能在预测和需求规划中的应用

预测是指预测未来对某种产品或服务的需求量的过程。需求计划则将这种预测转化为实际的运营行动，例如生产多少、何时补货以及如何在不同地点或渠道配置库存。在现代供应链中，预测和需求计划都越来越依赖于机器学习，因为影响客户行为的变量数量已经远远超出了传统工具或人类直觉所能应对的范围。

图 6. 利用融合时间序列分析和机器学习的

现代人工智能预测模型通常将ARIMA或ETS等时间序列方法与XGBoost或神经网络等机器学习技术相结合。时间序列模型通过分析历史需求数据来检测季节性和周期性模式。例如，ARIMA（自回归移动平均模型）广泛用于基于历史值和近期趋势的短期预测。另一方面，像XGBoost这样的机器学习模型可以纳入促销活动、天气事件或区域需求高峰等因果特征。通过结合这两种方法——从时间序列中识别模式以及从机器学习中获取真实世界信号——企业可以更准确地预测未来需求，并提高预测的准确性。

为了确保这些模型的可靠性，必须使用既定的准确性指标对其进行评估。平均绝对百分比误差 (MAPE)以百分比形式衡量预测值与实际值的偏差，便于企业领导者理解。平均绝对误差 (MAE)以与数据本身相同的单位（例如销量或收入）表示平均预测误差。偏差衡量预测是否持续高估或低估需求，这一点至关重要，因为长期高估会导致库存过剩，而低估则会导致缺货。F1分数在预测客户流失或取消订单等事件时尤为有用，它平衡了精确率（人工智能预测风险的正确率）和召回率（人工智能识别所有真实情况的准确率）。

从实际角度来看，短期预测通常比长期预测效果更好，尤其是在波动性较大的行业。企业通常会先进行更高层次的预测，例如全国总需求，然后再将预测细化到特定地区、渠道或SKU。这种方法有助于避免数据噪声问题，并确保战略决策与更广泛的市场方向保持一致，然后再深入到战术执行层面。人工智能在这种分层预测方法中表现出色，因为它能够随着新数据的流入实时更新预测结果。

预测准确性至关重要，因为它直接决定了企业应该持有多少库存。库存过多会导致浪费和过高的持有成本，而库存过少则会导致缺货和销售损失。

2.人工智能在库存优化中的应用

库存是指企业为满足客户需求而持有的产品、材料或组件。有效的库存管理需要在可用性和成本之间取得平衡。企业既要保证有足够的库存来满足订单需求，又要避免占用不必要的资金或仓库空间。人工智能正是在此发挥着重要作用，它能够根据实际数据和持续更新的需求预测，帮助企业确定最佳库存水平。

图 7. 利用机器学习进行库存优化的人工智能应用

•按 SKU 类别学习服务水平目标。人工智能可以根据产品的重要性、周转率或利润贡献对其进行分类，并自动确定合适的服务水平目标（例如，高优先级 SKU 的可用性为 99%，而滞销 SKU 的可用性为 90%）。然后，它会根据预测误差和交货周期波动计算安全库存。

•通过多级优化降低系统总库存。人工智能不再单独优化每个仓库或配送中心，而是评估整个网络，找出存放库存的最佳位置。这种系统级视角通常可以降低整体库存成本，同时提高服务一致性。

•策略自动化。人工智能可以根据最新的需求数据、供应状况和绩效结果，每周（甚至每天）自动更新补货点和订货量。这消除了人工库存盘点的滞后性和猜测性。

•权衡曲线：缺货风险与库存持有成本。人工智能模型可以模拟不同的场景，从而确定库存持有成本与缺货风险之间的理想平衡点。这使得领导者能够充分了解财务影响后再做决策，而不仅仅依靠直觉。

优化库存只是问题的一部分。这些产品还需要高效地在全球范围内流通，才能最终到达客户手中。

3.人工智能在物流和运输领域的应用

物流是指以最高效、最可靠、最经济的方式将货物从一点运送到另一点的过程。它涵盖了从卡车路线规划、计算交货时间到防患于未然等方方面面。人工智能正在变革物流，它能够持续适应现实世界的状况，而不是依赖预先制定的静态计划。

图 8. 人工智能在物流和运输领域的应用，

•具有时间窗口和实时重新规划功能的VRP（车辆路径问题）路径规划意味着 AI 可以根据交付时间承诺不断解决车辆路径问题，并在途中出现交通、天气或新订单时立即重新优化路线。

•ETA（预计到达时间）预测利用人工智能结合实时交通状况和历史驾驶员表现，比依赖通用估计更准确地预测到达时间。

•预测性维护可监控车队和物料搬运设备，以便在故障发生之前检测到故障，从而减少停机时间并防止代价高昂的意外故障。

•码头动态调度功能使人工智能能够根据当前的拥堵情况、货运量和紧急程度，自动将卡车分配到最有效的装卸位置，从而保持作业顺利进行。

理解物流复杂性的一个方法是通过旅行商问题（TSP），这是一个经典的优化问题，它提出了一个看似简单却又异常困难的问题：如何找到一条最短路径，到达所有需要前往的地点并返回起点？难点在于，随着地点数量的增加，可能的路线数量会呈爆炸式增长。甚至连距离的衡量都变得棘手：究竟是距离、时间、燃油，还是交通风险？克劳德（Claude）使用位于佐治亚州莫罗市的科罗拉多州立大学校园周边的真实地点创建了一个交互式示例。这很好地展示了人工智能如何快速测试人类根本无暇手动探索的各种路线方案。

图 9.使用 Claude 实时生成的佐治亚州莫罗市周边真实地点，通过生成

4.人工智能在供应商和风险管理中的应用

供应商和风险管理包括评估供应商的可靠性、预测潜在风险以及确保合同条款得到遵守。人工智能通过实时持续分析绩效数据、外部事件乃至法律文件来强化这一领域，而这在规模化地进行人工分析几乎是不可能的。

图 10. 人工智能在供应商和风险管理中的应用

•供应商评分卡使人工智能能够追踪多个供应商的准时交付率 (OTIF)、百万分之质量缺陷率 (PPM) 和交货周期差异。人工智能可以持续评估这些数据，并自动标记问题，而无需按季度进行审核。

•预警系统利用人工智能技术监测新闻、天气预报、港口活动和地缘政治数据，以便在潜在干扰影响运营之前发现并应对。这使得企业能够提前制定备选方案，而不是在延误发生后才被动应对。

•自然语言处理 (NLP)可以读取供应商合同，提取重要条款，例如交货周期、违约金条款或排他性限制。人工智能随后可以提醒决策者，当前绩效是否偏离了约定的范围。人工智能还会改变仓库和物流中心内部的运作方式，而速度和准确性直接影响客户满意度。

6.人工智能在仓储和自动化领域的应用

仓储是指在产品发货前，在配送中心内对产品进行存储、处理和搬运。随着订单量的增长和服务期望的提高，人工智能能够帮助自动化和优化几乎每一个步骤，从识别错误到实时协调人机协作。

图 11. 人工智能在仓储和自动化领域的应用，

•计算机视觉利用摄像头和人工智能技术实时检测错拣商品、损坏商品或库存数量错误，从而在商品到达顾客手中之前减少错误。这比使用条形码扫描器进行人工盘点有了显著的进步。

•任务编排通过根据当前需求和可用产能自动协调人类工人和自主机器人，来确定谁应该做什么以及何时做。

•任务优化通过分配优先级、管理队列以及优化任务在设施内的执行地点来改善工作流程。仿真软件可以利用机器学习来模拟不同的优化方案。

•货位优化根据ABC周转率对库存进行排序，其中产品根据销售频率分为A、B、C三个等级（A=高周转率，B=中等周转率，C=低周转率）。然后，人工智能会将周转率最高的商品放置在靠近包装或装货区的位置，以减少运输时间并提高吞吐量。

随着消费者期望的不断变化和监管力度的日益加强，环境保护已成为一项核心运营要求，而非一项附属举措。人工智能在推动可持续发展方面正发挥着越来越重要的作用。

5.人工智能在可持续发展和ESG中的应用

可持续发展和ESG（环境、社会和治理）指的是公司不仅在其自身设施内，而且在其产品的整个生命周期中如何负责任地运营。人工智能通过帮助企业更准确地衡量影响并优化流程以减少浪费、排放和材料损失，从而支持可持续发展工作。

如图 12 所示，传统的线性“生产→使用→丢弃”供应链正在向循环模式演变。循环供应链（此处基于 Shahsavani 和 Goli 的研究成果绘制）将供应链重新构想为闭环系统，产品可以重新进入循环流程进行维修、再利用、翻新或回收，而不是被丢弃。在该模型中，人工智能在确定循环每个阶段最负责任且经济可行的路径方面发挥着关键作用。

图 12. 人工智能在可持续发展中的

•按发货或 SKU 进行碳核算，可以让 AI 计算每次产品运输对环境的影响，并在做出决策之前评估减少燃料排放的替代路线。

•减少浪费利用人工智能对退货进行分类，并优先考虑哪些产品可以重新入库、回收或翻新。它还可以根据保质期预测而非静态库存规则重新订购易腐烂商品。

•循环流程使人工智能能够推荐维修、翻新或再利用方案，而不是默认丢弃。这有助于向循环供应链转型，使产品重新循环利用，而不是最终沦为废弃物。

既然我们已经了解了人工智能和机器学习是如何应用于市场营销和供应链运营的，那么让我们更深入地了解一下使其发挥作用的算法和技术。

五什么是机器学习

本文前文已将机器学习定义为人工智能这一更广泛领域中的一个层面。既然我们已经了解了机器学习的应用，那么理解其工作原理就显得尤为重要。我们不会深入探讨其中的数学或工程原理，但即使只是对底层机制有一个大致的了解，也能帮助企业领导者做出更明智的决策，提出更精辟的问题，并确保人工智能得到负责任且有效的应用。

从根本上讲，机器学习是指算法无需显式编程即可从数据中学习并做出预测或决策。该系统并非遵循固定的规则，而是通过识别训练数据中的模式来不断改进，这与人类通过观察和练习不断提高技能的原理类似。

图 13. 机器学习的三大主要类别：

• 当预期结果已知时，可以使用监督学习。人工智能通过对已标记的示例（例如历史销售额、交货时间或缺陷率）进行训练，并学习预测未来的值。这种方法常用于需求预测、预计到达时间预测和质量评分。

•无监督学习不需要预先标记结果。相反，人工智能会自行寻找数据中的结构，例如将相似的门店或SKU聚类在一起，或者检测设备传感器数据中的异常情况。这对于细分市场和在异常行为演变成问题之前就发现它们非常有价值。

•强化学习通过反复试错来做出决策，并随着时间的推移从行动结果中学习。它在不确定性较高的环境中尤其有用，例如动态定价或根据供需波动调整库存策略。

1.经典机器学习示例：线性回归

线性回归是应用最广泛、最基础的机器学习模型之一，它是一种监督学习技术，通常被用作基准模型，根据过去的行为来预测未来的结果。事实上，这正是我多年前在研究生院学习的第一种预测技术，那时“机器学习”这个词甚至还没有出现。在市场营销或供应链分析中，一个常见的例子是根据历史销售额或价格变化来预测下个月的销售额。

图 14. 使用线性回归模型

线性回归假设一个或多个输入变量（例如价格或广告支出）与输出变量（例如需求或销售额）之间存在直线关系。它遵循简单的方程y = β₀ + β₁x + ε，该方程是对代数中经典直线方程y = mx + b的重新表述。在此，β₀是截距，β₁是斜率或对输入的敏感度，x代表输入变量（例如价格），ε是误差项（模型无法解释的部分）。

如图 14 所示，模型的性能评估指标包括RMSE（预测值与实际值的平均偏差）、MAPE（基于百分比的误差，有助于业务解读）和R²（衡量模型能够解释数据中多少变异）。这些指标有助于判断模型是否足够准确，足以在实际业务决策中得到验证。

线性回归速度快、易于解释，因此至今仍广泛应用于高管仪表盘和财务建模。然而，它在捕捉复杂交互或非线性关系方面存在局限性，而像 XGBoost 或神经网络等更高级的模型往往在这方面优于它。

线性回归是一个强大的起点，但当处理众多以复杂或非线性方式相互作用的变量时，它就显得力不从心了。而现代机器学习模型则能很好地解决这个问题。

2.现代机器学习模型：决策树、提升算法和神经网络

现代机器学习远不止简单的预测模型。随着企业面临更多变量、更多不确定性和更多非线性行为，需要更高级的算法来捕捉线性回归无法捕捉的模式。三种较为流行的现代方法包括决策树、XGBoost 等提升模型以及神经网络，每种方法都适用于不同类型的数据和业务问题，如下图 15 所示。

图 15. 现代机器学习模型系列示例。

•决策树之所以受欢迎，是因为它们具有很强的可解释性。它们根据简单的决策规则（例如“如果库存 > X，则……”）将数据划分为多个分支。它们尤其适用于预测和表格形式的业务数据。

•XGBoost是一种先进的集成方法，它构建多个小型决策树并将它们组合起来以提高准确率。它尤其擅长处理结构化的供应链和营销数据，这些数据涉及多种输入因素的交互作用，例如促销活动、天气、区域行为和宏观经济信号。由于其速度和准确性，XGBoost 是数据科学竞赛中最常用的机器学习模型之一。

•神经网络在识别复杂模式方面非常强大，尤其适用于非结构化数据或基于传感器的数据，例如图像、音频或实时物联网 (IoT) 数据流。

•应用场景：通过结合营销支出、天气预报、季节性因素和宏观经济趋势等多种输入数据来预测需求。在这些场景中，像 XGBoost 这样的高级非线性集成模型通常优于线性回归等简单模型，因为它们能够捕捉变量之间复杂的相互作用。集成模型的工作原理是结合多个小型模型的优势，而不是依赖单一预测结果。

在进行神经网络的实时演示之前，了解神经网络的底层工作原理很有帮助。像 ChatGPT 这样的现代人工智能系统建立在神经网络之上，而神经网络处理的是被称为张量的数学数据结构，张量本质上就是多维数字表。

图 16. 标量、向量、矩阵和张量。标量是单个数字（0 维）。向量是一维数字列表。矩阵是二维网格。张量将这一概念扩展到三维及更高维度，将矩阵堆叠成现代神经网络使用的更深维度结构。图 16 展示了张量如何简单地扩展了我们熟悉的数学对象。标量就是一个单独的数字，向量是一维的数字列表，矩阵是二维的数字网格，而张量则是将这种结构扩展到三维或更高维度。神经网络将所有输入（例如文本、图像或传感器数据）都作为张量进行处理，因为张量使得模型能够同时学习多个变量的模式。如果您曾经学习过线性代数，那么您就已经接触过张量数学的基本组成部分。张量本质上就是用于批量计算的高维矩阵。

现在我们已经基本了解了神经网络如何使用张量来表示数据并从中学习，接下来就可以实时观察神经网络的学习过程了。谷歌提供了一个名为TensorFlow Neural Network Playground 的免费工具，它可以让你直观地观察神经网络在训练过程中如何调整权重并改进预测结果。你可以尝试不同的输入、激活函数和网络规模，而无需编写任何代码。这与 ChatGPT 等现代大型语言模型所使用的底层架构相同，只是规模要简单得多。

图 17. TensorFlow 神经网络 Playground 的屏幕截图，显示了一个实时神经网络调整其权重以对数据进行分类的过程。在图 17（上图）的示例中，模型基于两个输入特征对两种类型的数据点（分别以橙色和蓝色表示）进行分类。每条连接线代表一个权重，其粗细表示网络认为该连接重要性的程度。随着模型的训练，权重会发生变化，阴影部分的决策边界会逐渐环绕数据，学习到线性回归等更简单的模型无法捕捉到的非线性形状。每一层神经元都将数据作为张量进行处理，这正是网络识别传统模型无法识别的复杂模式的方式。实时观察这一过程是直观理解神经网络底层工作原理的最佳方法之一。

3.迁移学习和大型语言模型（LLM）

当今大多数功能强大的AI工具，例如ChatGPT、Claude、Gemini等，都是基于大型语言模型（LLM）构建的。LLM是一种神经网络，它利用海量的公共文本数据（书籍、新闻、网站、报告等）进行训练，从而学习人类语言的结构和含义。LLM之所以如此强大，是因为它们具有泛化能力，也就是说，它们能够理解并回应从未见过的句子。

迁移学习更进一步，它利用规模较小、特定于业务的数据集，对预训练的语言学习模型（LLM）进行微调。例如，迁移学习可以应用于公司财报电话会议记录、供应链合同或客户服务案例。这使得人工智能能够在保留其广泛语言理解能力的同时，仅需少量数据即可针对您的特定领域进行专门化训练。

图 18. 微调预训练 BERT 模型 (FinBERT)以对商业文本中的金融句子和非金融句子进行分类的示例。图 18 和图 19 中的示例展示了迁移学习在实践中的应用。一个名为BERT（基于 Transformer 的双向编码器表示）的大型语言模型，最初基于数十亿个公开文本样本进行训练，现在使用一个规模小得多、特定于业务的数据集进行微调。在本例中，我们使用的是FinBERT，它是 BERT 的一个版本，已经预先在诸如财报电话会议和分析师报告等财务文档上进行了训练。然后，该模型学习识别句子是否在讨论财务业绩。这样做的好处是，人工智能无需重新学习英语——它只需要调整其理解以适应特定的业务用例。

图 19. Google Colab Python notebook 的输出结果，展示了经过微调的模型对未见过的句子进行分类并分配置信度分数。图 19 展示了Python 编程代码的输出结果，Python是数据科学和人工智能领域的主要编程语言。与传统的基于关键词的系统不同，它能够理解上下文。即使没有使用明显的财务术语，例如盈利动量或营业利润率，它也能识别出财务含义。即使你不是程序员，我也强烈建议你至少学习一些 Python 知识，以便更好地理解人工智能的实际工作原理。

有些系统更进一步，采用检索增强生成（RAG）技术，人工智能不仅依赖于训练期间学习到的知识，还会主动从可信来源实时检索外部知识，然后再生成响应。谷歌的 NotebookLM 就是一个很好的例子。

图 20. Google NotebookLM 示例，用于创建供应链管理教科书的思维导图。在图 20 的截图中，我上传了 Wisner 等人的教材《供应链管理原理：平衡方法》（第 6 版），NotebookLM 自动生成了该教材的思维导图。您可以上传PDF 文件、教材、课堂笔记或研究论文，人工智能会根据您提供的原始资料进行总结、回答问题，甚至创建思维导图和记忆卡片等学习工具，所有这些都基于您自己的原始资料，而非开放的互联网。

六市场营销与供应链：人工智能的统一视角

要理解人工智能如何创造真正的商业价值，我们需要将市场营销和供应链视为一个相互关联的决策系统，而不是两个独立的部门。市场营销创造需求，供应链满足需求，而人工智能则负责实时同步这两者。图 21 所示的分层模型改编自 Angela Iorio 和 Cristina Autino 于 2025 年发表在 Tools Group 上的一篇文章，该文章阐述了现代人工智能架构如何将从客户意图到运营执行的每一个决策连接起来。

图 21. 统一人工智能视角下的营销需求信号如何直接流入供应链计划和执行。在分层模型的顶层，点击率、营销活动效果、网站流量和预购意向等营销需求信号被实时捕捉为意向信号。这些信号随后被输入到人工智能需求预测层，该层结合机器学习和时间序列建模，预测不同产品、地区和时间段的需求变化趋势。

一旦生成预测数据，人工智能会自动将其传递到供应链计划层，该层会根据每日甚至每小时的频率做出生产、采购或分配的决策。之后，人工智能会驱动物流执行，根据交通状况、劳动力可用性或仓库拥堵等实时限制因素，持续优化运输、路线规划和订单履行能力。

最终形成了一个闭环智能系统，营销部门不再盲目开展营销活动，供应链也不再反应迟缓。人工智能能够让业务的两端在同一时间基于相同的数据进行协作，从而更快、更高效地做出决策，并大幅减少摩擦。

七新兴趋势：人工智能驱动的供应链的未来发展方向

自从我当年在当地杂货店当“供应链管理”装袋员以来，我们已经走了很远的路。那时候，速度和准确性意味着把罐头放在最下面，鸡蛋放在最上面。如今，我们已经看到人工智能如何改变市场营销和供应链执行，但创新的步伐并未放缓。新一代智能系统正在涌现，它们超越了预测和自动化，朝着模拟、自主决策以及真正的人机实时协作迈进。

图 22. 现代供应链控制塔和规划系统中的新兴人工智能趋势

•数字孪生是真实供应链的虚拟副本，可以模拟港口关闭、供应商延迟或需求激增等中断情况。它们可用于在实际发生任何事件之前测试“假设”应对措施，并帮助规划人员在不影响实际库存或客户服务的情况下评估新策略。我们经常在营销活动方案的 A/B 测试中使用数字孪生。

•GenAI 智能体能够更主动地进行规划工作，例如总结风险、制定采购建议，并根据运营数据创建标准操作流程。与传统人工智能仅在被提示时才做出响应不同，智能体人工智能能够自主运行，通过监控实时数据，在管理者提出要求之前就标记问题甚至启动操作。

•视觉模型通过分析照片或视频流来检测损坏、核实数量、标记错拣商品或自动生成缺货索赔。这些模型就像一台始终在线的视觉检测员，以机器般的速度运行。

•LLM Copilots允许规划人员以对话的方式与供应链系统进行交互。规划人员可以询问“为什么本周 3 区的库存水平下降了？”或“显示下个月最有可能缺货的 SKU”，并获得清晰易懂、完全基于公司内部数据的答案。前面提到的 NotebookLM 系统也以类似的方式为学生和教师服务，允许他们直接与教科书或参考资料对话，就像拥有一个随时可用的智能私人导师一样。