左手采购.右手AI
有故事.有方法.有工具
2024年10月17日
2023年第56篇原创文章
总第719篇原创文章
全文2656字，阅读时间约8分钟
图片来源：2024常州国际卓越运营大会
2024年10月12日，我受邀在2024常州国际卓越运营大会的供应链论坛上发表了主题演讲：“AI驱动下的供应链优化策略与实践”。以下是演讲实录。
大家下午好！不知道现场有多少人看过这张图片。10月8日，2024年诺贝尔物理学奖炸裂发布了！为什么说“炸裂发布”呢，因为今年的物理学奖颁给了两位人工智能领域的大神，一位是美国普林斯顿大学的John J. Hopfield（约翰.霍普菲尔德），另一位是加拿大多伦多大学的Geoffrey E. Hinton（杰弗瑞.辛顿）。辛顿也被称为人工智能之父。
很多小伙伴没明白——为什么诺贝尔物理学奖颁给了人工智能领域的两位科学家？组委会是这么解释的，“他们因在人工神经网络中实现机器学习的基础性发现和发明而获得此奖项。他们的工作利用了统计物理学的基本概念来设计人工神经网络，这些网络能够作为联想记忆并能在大型数据集中寻找模式。现在这些网络在各个领域都至关重要，已经推进了物理学研究，并成为日常生活的一部分，例如在面部识别和语言翻译等领域的应用。”
我随后查阅了相关资料，发现了更多两位教授获奖背后不为人知的故事。
霍普菲尔德教授在1982年发明了霍普菲尔德网络，这种网络非常擅长存储和重构信息。它模拟了大脑从相关联的记忆中找到线索的过程，能在接收到部分或扭曲的输入信息时，还原出最接近的原始信息。霍普菲尔德网络利用物理学中的自旋系统能量的概念，通过寻找节点之间连接的值来进行训练，使得保存的图像具有较低的能量。当网络接收到不完整或扭曲的图像时，它会逐步更新节点的值，从而找到最接近输入图像的保存图像。这一发现为递归神经网络的发展铺平了道路，并对解决优化问题产生了深远的影响。
辛顿教授在1985年提出了玻尔兹曼机，这是一种能够自主学习数据模式的网络。它使用统计物理学中的玻尔兹曼分布来识别数据中的特征，成为了现代深度学习网络的基础。辛顿的研究虽然属于人工智能领域，但其背后所依赖的统计力学原理和系统优化思想，完全符合物理学中复杂系统处理的理念。
他们的工作展示了物理学与计算机科学之间如何交汇。霍普菲尔德利用他的物理学背景，创造出了一种新型的神经网络——霍普菲尔德网络。这种网络能够模拟人脑记忆的方式，帮助计算机通过不完整的信息来重构整体图像。而辛顿，启发自19世纪物理学家玻尔兹曼的理论，发明了玻尔兹曼机，这是一个能够更好地识别和学习数据模式的神经网络模型。这些发明不仅在AI领域产生了巨大影响，也成为了多个领域研究工具，比如在物理学中研究新材料的特性。
总结一下，霍普菲尔德和辛顿的工作展示了物理学原理如何被应用于理解和模拟大脑处理信息的方式，从而推动了人工神经网络和机器学习领域的发展。他们的研究不仅在人工智能领域产生了革命性的影响，也在物理学等多个学科中发挥了重要作用，这是他们获得诺贝尔物理学奖的重要原因。
说说我自己的感受，物理学和人工智能的结合实际上是一个探索世界本质的过程。物理学试图解释自然界的现象，人工智能处理的则是信息和数据。将两者结合，我们不仅能模拟和理解物理世界，还能创建新的、高效的解决方案。
大家可能还记得今年2月OpenAI发布的Sora（见下方视频介绍）。在Sora技术白皮书中，OpenAI表示，Sora并不是一个简单的视频生成器，他们的终极目标是要把它打造成物理世界的模拟器。为了实现这个目标，诸如Sora这样的人工智能应用就需要真正理解物理世界的客观规律。
今年的诺贝尔物理学奖将颁给了人工智能领域的科学家，或许，明年或后年的诺贝尔物理学奖就可能直接颁给AI了！
这表明人工智能确实太强大了，其中一个表现是，它能够做很多我们认为不可能的事。问大家一个问题：你认为你有机会与年轻的自己出现在同一段视频里，并且能亲切互动吗？大多数人回答“不能”。
但是有了AIGC——生成式人工智能，这个不可能就变成可能了..
我不知道大家看完这段视频有什么感受，欢迎留言。思考一下，当人工智能能够模仿物理世界时，创造“数字孪生”就容易多了。下表显示了传统数字孪生技术和AI创造的数字孪生技术在创建方式、时间周期和投入资源三个方面的不同特点。
我今天演讲的主题是：“AI驱动下的供应链优化策略与实践”。演讲分为四个部分：
首先，我们看看微观世界里供应链的挑战。其次，我们将讨论AI如何赋能供应链。接着，讲讲AI赋能供应链的三步走。最后，独家推荐三本相关书籍。
下面进入第一部分：供应链的挑战。
时间的缘故，这里我不讨论供应链宏观世界的挑战。比如，全球供应链正在大国博弈的背景下重构，供应链的多元化布局让“All buy from China”变成了“China+N”，“在岸生产”、“近岸外包”与“友岸外包”大行其道，地缘政治冲突加剧了供应链的不确定性，等等。
相反，我希望带着大家看看微观世界里供应链的三个挑战。让你看了感觉有抓手，可实操。
第一、需求预测与库存管理
行内人士都知道，在供应链的世界里，
“需求永远是不清晰的，
预测永远是不准确的，
库存永远是管理不好的”。
例如，有时候用户往往难以明确表达他们的购买需求，采购很为难——到底想买什么呢？
预测总是不准确是个通病了。这不仅仅因为市场总是在变化，客户总是在“改口”，还有大家都可能躲不过去的“牛鞭效应”（点击阅读：）。
至于“库存永远是管理不好的”这件事，有了三年非凡的经历，估计在座的各位都深有同感吧——要不就是你要的货，我没有；要不就是你不要的货堆积如山。
我看到大家频频点头，哈哈，深有同感，又深受其害！
第二、供应链是“黑盒子”
这里说的“黑盒子”指的是飞机上的一个装置。主要特点是平时沉默是金，不出事我就“不说话”。所以你也不知道它在做什么。一旦“说话”（输出数据和信息）就一定是出事了。大概率是因为飞机失事了，对吧？这听起来是不是很恐怖！？
管理不好的供应链就有这个特点，它让你说不清、测不准、看不透。这都是供应链透明度，或者叫可视性太差惹的祸。
举个例子，你们通常有几级供应商体系？
假设你有三级，一级是组合件，二级是关键产品，三级是非关键产品。能管理到三级供应商的企业少之又少。问题来了，如果你只管理一级供应商（假设是40家），而不知道二级供应商（假设是200家）和三级供应商（假设是400家）的状态，这就是个巨大的、潜在的风险。（点击阅读：不管理的供应商就一个字：duang~）
而管理更多供应商就需要更多人手，现在的经济形势+人力成本那么贵。“既要又要还要也要更要”的模式看来行不通。
第三个挑战是采购寻源。
一方面，用户的需求量越来越大，需求的内容越来越多元化、个性化，同时，供应商数量也在不断增加，信息量如雪球般越滚越大。
另一方面，随着有些公司开始上马AI，你们不仅仅是在跟你的同行竞争，同时也在跟AI竞争。于是，挑战越来越大，如何实现高效精准的寻源变成了一项新的考验。
——未完待续——
新课表来了，内容迭代了通过腾讯会议交付，课后有7天回放。添加小助理咨询详情
延展阅读
版权声明：“卢山说AI精进”个人公众号的文章均为本人原创。未经本人许可，禁止进行转载、摘编及复制等任何使用。如需转载、引用或者有其它意向，请事先通过本公众号后台等方式申请并获得授权。原创文章中的部分文字、图片源于网络，如有任何问题请联系本公众号。
