生成式AI技术如何帮助零售供应链抵御冲击?
当下,零售商正面临与几年之前截然不同的经济环境与地缘政治挑战。以当前的红海危机为例,据摩根大通介绍,全球30%的集装箱须经过苏伊士运河,而当地发生的运输延误正在破坏全球供应链的正常运转。
未来几个月内,全球贸易面临的全面威胁还将进一步升级。而且已经有部分零售商、制造商及其供应链合作伙伴提前发出警告,表示这将对利润率产生重大的连锁反应。例如,向来以低利润、行动快著称的服务零售商尤其会受到红海延误危机的影响。由于货运速度减缓,他们可能无法为希望购买当季流行服饰的消费者们准时提供货品供应。
红海危机绝非孤立事件
近期贸易中断只是零售商近年来面临的一系列意外挑战中的又一重大案例。据估计,单是2021年和2022年,供应链中断每年就导致企业错失1.6万亿美元机会收入。这个惊人的数字也再次强调,设计具有弹性的供应链将不再是“锦上添花”的可选项,而是决定零售商未来成功、乃至生死存亡的重要基础。
然而,目前大多数零售商仍处于仅着眼于短期的“响应模式”,例如通过转从较近的地点进口货物来避免因货船在红海地区改道而引发的交货时间延后与价格上涨。
零售商们也正在探索更多其他选项,例如推动供应来源多元化、寻找替代运输路线,以及更早批量采购商品等等。然而,现有贸易路线已经在零售商的运营体系中根深蒂固,偏离这些路线往往会带来更高的运营成本。
携手生成式AI
多年以来,人工智能(AI)一直在帮助供应链提高效率。其通过挖掘大量过往销售数据以了解“发生了什么”,而后提出“可能发生什么”的后续建议以更好地满足需求,最终通过“下一步该做什么”在几十年间帮助零售商筹划具体策略。现如今,AI家族迎来了最强有力的新成员——生成式AI。自亮相以下,人们就对生成式AI在供应链方面的潜力产生了浓厚兴趣,而其中的原因并不难理解。
生成式AI的影响力远不止于眼下的任务。从新产品开发、采购与规划、制造、物流再到今后服务,一切都可以在这项技术的扶持下焕发新的活力。
以数字孪生(基于机器、产品或流程的虚拟表示)为例,我们就能看到生成式AI相较于原有功能的强大之处。借助实时数据,数字孪生模型能够帮助零售商测试不同的响应场景,同时不会影响到现实供应链的实际日常运营。以此为基础,零售商能够迅速发现潜在问题,例如瓶颈、质量问题或者难以预见的需求变化,并在问题升级之前主动加以解决。
生成式AI还能推动供应链之内神经中枢的设计与构建。这类方案能够利用云、数据、AI与分析等手段改善透明度,帮助零售商深入了解其供应商与制造商网络,进而准确把握风险因素。
这两类应用正迅速成为检测供应链漏洞时不可或缺的组成部分。它们能帮助零售商模拟供应链在高强度负载之下的表现,并在规划过程中持续制定更为稳健的缓解计划。
供应链中的生成式AI之力
生成式AI为何会如此强大?埃森哲近期发布的报告发现,该项技术有望实现供应链中大部分流程的自动化或增强。生成式AI能够帮助供应链经理根据来自非结构化数据源(例如文本、图片、视频或事件社交媒体帖子)的情境洞察做出更佳决策。可以想见,未来我们也许可以通过生成式AI扫描大量公共在线数据源,借此识别可能影响后续需求的因素并改进预测质量。
生成式AI还能通过多种方式降低需求与容量规划方面的实施门槛。众多零售商已经为此类任务建立起成熟的传统分析解决方案,但其实际应用往往需要依托于高度复杂的信息。生成式AI能够帮助分解这些信息,以便工作人员查询建议内容并接收以自然语言形式呈现的原因阐释。
生成式AI还能提供基于聊天机器人的交互通道,借此实现见解的自动化与个性化定制。具体方式包括引入生成式AI支持的溯源与采购助手,帮助引导用户找到正确的购买渠道,支持即时取消或现货采购,并配合专家意见共同管理采购行动。
在订单配送方面,生成式AI也拥有节约大量时间与精力的潜力。例如,用于运输及出口流程的生成式AI能够支撑起强大的进口/出口文件生成器,利用大量信息自动填写出入境报关/清关文件。
这项技术还可以帮助完成与供应链相关的任务,例如范围3碳排放报告。具体方式是使用生成式AI筛选数百万行多种语言编写的支出数据,而后自动将各行条目与排放因子映射起来,借此帮助采购团队轻松完成审查。
生成式AI将推动整个供应链实现重塑
过去几年以来,零售商已经遭遇意外因素引发的多重打击,相信未来还会有更多挑战等待着该行业。这就使得为供应链建立能够抵御未来冲击的弹性,变得比以往任何时候都更加重要。
零售商们已经一次又一次证明,要想在这样一个随时需要应对库存波动、劳动力需求变化以及消费者趋势转换的行业中保持健康运营,他们天生就需要积极认识变革、理解变革、拥抱变革。如今,随着生成式AI等先进技术的迅速崛起,零售商终于有机会主动把握行情与命运,在未来持续加剧的激烈竞争中保持领先地位。
好文章,需要你的鼓励
Intuit在ChatGPT发布后匆忙推出的聊天式AI助手遭遇失败,随后公司进行了为期九个月的战略转型。通过观察客户实际工作流程,发现手动转录发票等重复性劳动,决定用AI智能体自动化这些任务而非强加新的聊天行为。公司建立了三大支柱框架:培养构建者文化、高速迭代替代官僚主义、构建GenOS平台引擎。最终推出的QuickBooks支付智能体让小企业平均提前5天收到款项,每月节省12小时工作时间。
希伯来大学研究团队开发出MV-RAG系统,首次解决了AI在生成稀有物品3D模型时的"胡编乱造"问题。该系统像拥有图像记忆库的艺术家,能先搜索相关真实照片再生成准确3D视图。通过独创的混合训练策略和智能自适应机制,MV-RAG在处理罕见概念时性能显著超越现有方法,为游戏开发、影视制作、虚拟现实等领域提供了强大工具。
马斯克旗下xAI公司发布专为开发者设计的新AI模型grok-code-fast-1,主打快速且经济的推理能力。该模型属于Grok 4系列,具备自主处理任务的能力。xAI声称其在SWE-bench评测中解决了70.8%的实际软件问题,表现优于GPT-5和Claude 4。不过模型存在较高的不诚实率问题。用户可通过GitHub Copilot等平台免费试用7天,需要API密钥访问。
MBZUAI等机构研究团队通过一维细胞自动机实验揭示了AI模型多步推理的关键限制:固定深度模型在单步预测上表现优异,但多步推理能力急剧下降。研究发现增加模型深度比宽度更有效,自适应计算时间、强化学习和思维链训练能突破这些限制。这为开发更强推理能力的AI系统提供了重要指导,强调了真正推理与简单记忆的本质区别。