论文部分内容阅读
摘 要：随着经济全球化的发展和科技水平的不断提高，企业开始了在企业供应链方面的竞争。在人工智能技术的帮助下，各个企业可以在复杂而庞大的供应链中对他们的商业伙伴乃至竞争对手进行更加深入、有预见性和可信度的观察，使企业在供应链管理的过程中能够精简活动以及加强协作，使其变得更加高效、透明与协作，也能更好地提高物流决策的有效性和准确性。本文将简要介绍人工智能如何从需求预测的角度促进供应链提高效率、准确性，从而促进商业产业化的可行性和前景。
关键词：人工智能;供应链管理;需求预测
一、背景
供应链是由供应商、制造商、仓储、分销中心、零售商和消费者所构成的巨大网络链条，包括了从原材料采购、半成品制造、成品制造以及产品的运输与产品的销售等各个环节。而供应链管理则是一个高度集成的管理模式，跨越了多个企业和部门，以信息流、资金流和物流为线索，包含了原料采购、订单的处理、生产的计划、库存的管理、运输、销售等商品在生产和销售中的各个环节。
随着经济全球化的发展和科技水平的不断提高，企业也开始了在企业供应链方面的竞争，致力于以最低的成本、最短的物流时间，使顾客满意、向市场提供合适的产品，以取得和保持竞争优势。而人工智能技术的引入改变了组织管理、跟踪供应链中商品和服务的流动格局。在人工智能技术的帮助下，各企业可以开展更深入的、有预测性的、可靠的观察方式来检测他们的业务伙伴，甚至让竞争对手并入同一个复杂而庞大的供应链。使得企业在供应链管理的过程中能够简化活动以达到更高效透明的合作关系，便于更好地提高物流决策的有效性和准确性。
人工智能应用的发展是一个从部分辅助到逐步替代的过程。人工智能应用在生产生活中各场景下表现为：通过计算机实现原来必须由人完成的事情或者替换掉原有的方法。通过深度学习、机器学习、NLP平台、预测性应用程序接口等核心技术，在此过程中人工智能的介入程度逐渐加深，由部分辅助逐步过渡到部分替代。
从供应链的角度我们将会谈到人工智能在供应链的生产与销售环节之中需求预测的重要性以及可实施性。从产業经济来看，供应链最终的驱动力来自消费市场，消费需求拉动是供应链发展的源动力，从经济向数字化、智能化发展的趋势来看，智能供应链将会成为未来智能经济的基本组成部分。但是供应链流程设计的服务本身也是一个产品，这种基于系统和改善整体供应链流程的过程性服务产品是需要足够的投入成本以及购买能力的，这本身就为人工智能在供应链产品化落地方面设置了准入门槛。这样的门槛筛选掉了小微企业，筛选掉了小成本个体经营户，瞄准的就是大型企业，尤其是生产类的企业。在这一类企业的经营之中，供应链效率的提升会对企业经营带来扩大效应。这种高端化、定制化、高科技嵌入化平台的打造，属于过程服务与系统产品兼备的特殊产品类别。
在确定了用户主要类别之后，我们应该想的是人工智能在供应链的那几环有最明显的优化作用，通过不断迭代的算法与数据分析，我们主要从对于供应链下游端口——生产与销售链条中对于需求的预测和生产运输过程中生产流程的同步化设计与优化两点进行产品化分析。
二、需求预测
1.供应链中需求预测环节的意义
（1）对企业
①针对预测出的需求，通过调整产能（如季节性劳动力）、转包、建立库存、延期交货来实现供给管理。
②针对预测出的需求，通过短期价格折扣和促销来实现需求管理。库存积压或是库存不足大概率会带来企业的成本损失，如果准确地预测需求就可以为生产提供好的建议并且极大地减少生产过剩和生产不足的问题。
③物流与供应链中常把产品分为功能型和创新型，但是两种类型的产品并不是泾渭分明的。人工智能技术对于不同类型的产品，在进行了小范围特征识别与预训练模型的应用之后，可以覆盖预测不同类型产品的需求。提高供应链整体效率与交互程度，总体优化供应链。
（2）对用户
①减少顾客因为库存的过多或积压导致出现无处买货、物流速度慢或商品变质等问题。
②顾客的潜在需求被预见，能被及时地满足。
③短期价格折扣和促销能刺激顾客消费，充分激发顾客购买力。
2.如何做
（1）数据支撑——“线上+线下”
人工智能的技术运用到产业中有个必备的条件就是大量的数据，这也是为什么我们常说“大数据”也是人工智能的基础技术，数据资源是人工智能的三大基础条件之一。人工智能往后的运用例如模拟人脑进行预测等更高端的应用都是基于深度学习的模型训练，这正是建立在大量样本数据基础之上的。
样本数据的数量和质量，都将影响到模型拟合的程度，不能离开数据来谈论人工智能应用。在学术界的AI无疑有很多最新的应用与设计，但是产业中真正能够被应用到的人工智能技术其实只是学术界的一部分，两者之间的有效转化也是提升人工智能应用的必备条件之一。两界的数据积累差距因互联网而有所缩小但并未消除。除了计算设施以及研发经费等因素的影响，训练数据的可获得性是科技巨头，尤其是互联网巨头最明显的优势之一。虽然借助互联网的发展和普及，学术界与产业界在数据积累方面的差距有所减少，但并未消除。目前人工智能应用相对成熟的是基于社会和媒体的互联网大数据。得益于互联网、移动互联网的迅速发展，线上数据的获取难度大幅降低，每个瞬间都会有无数的文本、语音、图片和视频等非结构化数据产生，为人工智能应用的实现提供了充足的养料。
在电子信息的时代，虽然线上数据十分重要，人工智能借助算法读取线上数据的同时，为了让AI更贴近人类生活并且对人类世界的特性有一定的读取和了解，在设计抓取数据并进行分析的算法时也不应忽视线下数据的价值。同时必须承认，线下的生活以及生产场景，同样存在海量的数据，尤其是随着传感器成本的下降和物联网的推进。但线下数据存在的问题是，如何确定数据的可信度呢？ （2）模型的拟合优度需要确定多维的因子
我们期望AI能够拥有兼备人脑与环境预测、数据统计、趋势预测的功能，但是AI在初期对于供应链能够做得首先应该从数据入手，这可能需要我们在历史销售记录之中最大化地提取有效的信息以便对未来趋势进行部分刻画（我们将试图从历史销售记录中提取出有用信息，以便预测未来的销售数据。当然，理想情况下我们还可以使用其他可用的数据源，例如天气数据，作为现有数据的补充）。但我们对于AI的期待还在于对于人类未知的灾难或者是需求的特殊性进行一个短期的、有效的、迅速的预测与对策判断。这不仅需要构建算法来对历史的重大金融灾难、政治灾难等人为灾难进行因果提取，还需要从中找到人的思维容易忽略的规律来进行现实推演。
在生产过程之中可以基于历史生产数据，对于生产过程的每一个环节的产品质量状态建模。同时在生产过程中也对实时数据进行分析，通过下游的销售链实时数据和生产过程之中的产品合格比率、出品率等实时数据进行准确的监控。在生产过程中还可以对未来可能出现的故障或者是生产需求的峰值、谷点进行警示和预测性的维护建议。统计学之中的时间序列分析需要利用SPSS来建模并且进行定义，如果有足够的数据与算法支撑，我们可以乐观地估计AI可以有效地进行时间序列预测需求并对应商品的特点进行变化。
（3）预训练模型
预训练模型是使自然语言处理由原来的手工调参、依靠 ML专家的阶段，进入到可以大规模、可复制的大工业施展的阶段。预训练模型通过自监督学习从大规模数据中获得与具体任务无关的预训练模型，利用预训练模型进行的小样本训练利用迁移学习的思想冻结了用于特征提取部分网络的参数，通过调整分类网络参数来学习需求的分类标准。第二个步骤是微调，针对具体的任务修正网络，此类模型可经过微调之后，用于支持分类、序列标记、结构预测和序列生成等各项技术，并构建文摘、图片检索、视频注释等应用。与训练特征提取网络部分的数据相比，训练好的分类器需要的样本要远远少于前者，所以利用小样本进行训练的代价较小，配合下游任务可以实现更快的收斂速度，并且有效地提高模型性能，让模型基于一个更好的初始状态进行学习，对于数据稀缺的行业或者是数据获取有一定难度的产品落地有一定帮助。
3.企业实例
北京旷视科技有限公司是全球领先的人工智能产品和解决方案公司，人工智能行业的务实者和领跑者，支撑人工智能革命关键的深度学习是旷视的核心竞争力。旷视公司目前专注于算法能创造极大价值的领域：个人物联网、城市物联网和供应链物联网。旷视向客户提供包括算法、软件和硬件产品在内的全站式、一体化解决方案。
我们选取在人工智能产业化行业尖端企业——旷视公司为例，进行人工智能商业产业化的分析。旷视公司的核心技术为：（1）新一代AI生产力平台：Brain++提供的能力既能覆盖算法、算力、数据的全流程，加速开发流程，提升优化和部署效率，利用提供企业级AI解决方案;也能实现技术到价值的链接，满足各层次企业对AI能力建设的需求，让企业更聚焦于业务变革。（2）核心算法：旷视的“AI算法”以深度学习为技术，面向广泛“图像或视频”的分析和理解，以解决真实问题为向导，追求软硬结合的极致性能，向客户交付工业级的产品和服务。通过其核心技术，人工智能在供应链得到了有效地运用，以充足的数据作为信息资源的支撑，通过深度学习提高效率和安全性，从而总体优化供应链并达到供应链的市场需求预测。
旷视科技公司旗下的智慧物流园区解决方案正是企业需求预测一个非常好的实例。智慧物流园区跨越了“四堵墙”的局限，将商品的运转和场内场外车辆人员的流动等更多场景相连接，进行了更智能的调度和预测，甚至能自动决策。这个方案基于新型信息技术的融合应用，以AI技术为代表，对“库内运营和园区管理”双向优化，打造“安全、智慧、共享、绿色”的智慧物流园区解决方案。在库内运营方面，建立多种“柔性机器人和智能装备”的全面互联，配合机器人物联操作系统与智慧软件贯通，实现业务模式创新和效率提升;在园区管理方面，构建“人-车-货-库”感知和管理，针对园区内“基础设施、环境、建筑”等方面进行运维管理。
这一方案的核心优势有：
（1）轻资产投入：硬件投入较少，主要利用现有的数据采集终端。
（2）轻流程再造：现有运营流程只需要从全链路上稍加调整。
（3）高度协同：静态存储能力、动态吞吐能力、变化的订单量、实时的运营情况，都变成大量可见数据，通过智慧物流园区系统，协同子系统内部的运作，实现系统效率最优。从而提高供应链的整体效率与交互程度，优化整体物流。
（4）效率与安全并重：通过边缘计算快速判断决策，全息的感知设备减少传统感知设备的盲区，兼具数据和算法的优势以达到有效预测。
同时，该企业旗下的智慧仓储解决方案则是人工智能利用数据资源的重要实例。智慧仓储从按订单生产到即时消费、即时物流，以“智能仓储、无人配送和物流机器人”等为代表的智慧物流技术，将成为智能工厂与智能物流中心的核心要素，助力仓储、物流、制造和供应链，迈进“数字化、智能化和智慧化”。智慧仓储解决方案基于旷视新一代AI生产力平台Brain++，持续算法创新，大量通过数据化方式，赋能传统物流装备，率先打造“旷视河图”操作系统，聚合全产业链伙伴，形成智慧仓储解决方案，能有效帮助企业在仓储物流环节实现降本增效、简化管理。
这一方案的核心优势有：
（1）共享生态：通过产业链伙伴的合作简化业务场景，携手共建生态、共享信息推动供应链的合作与产业发展。
（2）全生命周期管理：面向“工业物流和商业物流”场景，提供“咨询-规划-仿真-实施-交付-运维”的全流程的服务体系，全流程标准化，通过数据化方式，实现流程再造和有序运营。 （3）人機协同，众智创新：依托平台向上延展的业务系统，向下对接兼容的智能物流设备，为物流实现全场景的智能化管理。
（4）自研创新，产权升级：坚持核心智能设备的研发与创新，依托旷视河图构建百亿智能设备的机器人物联网生态系统，更好地进行需求预测。
三、智能化仓储管理
人工智能对于优化仓储管理大致分为三个方面：
1.物流基础设施的优化
在智能化仓储的布局之中利用人工智能等技术在仓储、分捡、拣选、搬运等环节充分利用算法驱动的机器人替代仓储作业人员，让仓储作业完全实现智能化、无人化，提升仓储效率，在物流基础设施方面广泛应用“弱人工智能”的机器人。
2.供应链中的物流运作过程将由人工智能来计算、重建
作为供应链的重要组成部分，物流运作的速率决定了整个供应链运作过程的效率。随着人工智能技术的不断发展，物流操作过程将通过智能计算被划分为多个模块，并在算法的计算和迭代下进行重新分配。这些模块不仅相互继承，而且通过在物流过程跟踪系统中嵌入人工智能芯片，与各个模块中的各个功能点建立联系，快速计算和反映大量的物流数据和信息。物流运作流程通过人工智能的改造不仅可以使物流运作流程自动化，还同步实现了仓储分布式工作的计算与物流存储的分离。
3.促成供应链闭环的形成
智能化仓储落地的最好例子之一就是京东的供应链管理，在此方面，京东利用基于库存管理、品类管理、价格管理、供应商、销售商的协同管理等高质量数据的各种人工智能算法，实现供应链协同效率的大幅提升。人工智能可以促进企业建立智能存储平台，该平台将优化整合企业内外部资源，完善物料流程，加快物料供应链各环节的同步和速度，使整个供应链的响应活动数字化、精准化、智能化。
参考文献：
[1]罗文波，陈幼平，艾武，娄平.基于多智能体的供应链管理系统角色建模与设计[J].计算机工程与应用，2003（19）：227-229.
[2]张德海，邵培基，刘德文.面向物流服务供应链的商业智能系统设计[J].管理学报，2007（03）：288-292.
[3]肖焕彬，初良勇，林赟敏.人工智能技术在供应链物流领域的应用[J].价值工程，2019，38（25）：154-156.
[4]王钊.人工智能在物资供应链中的应用与研究[J].中国石油和化工标准与质量，2019，39（12）：167-168+170.
[5]任成元.人工智能驱动的供应链创新[J].中国物流与采购，2019（24）：34-35.
作者简介：何其（2000.08- ），女，湖南长沙人，四川大学商学院2018级管理科学专业本科在读，研究方向：城市文化产业创新、决策分析、物流与供应链等;欧阳钰霓（2000.07- ），女，湖北武汉人，中山大学岭南学院2018级国际商务专业本科生，研究方向：市场营销等
关键词：人工智能;供应链管理;需求预测
一、背景
供应链是由供应商、制造商、仓储、分销中心、零售商和消费者所构成的巨大网络链条，包括了从原材料采购、半成品制造、成品制造以及产品的运输与产品的销售等各个环节。而供应链管理则是一个高度集成的管理模式，跨越了多个企业和部门，以信息流、资金流和物流为线索，包含了原料采购、订单的处理、生产的计划、库存的管理、运输、销售等商品在生产和销售中的各个环节。
随着经济全球化的发展和科技水平的不断提高，企业也开始了在企业供应链方面的竞争，致力于以最低的成本、最短的物流时间，使顾客满意、向市场提供合适的产品，以取得和保持竞争优势。而人工智能技术的引入改变了组织管理、跟踪供应链中商品和服务的流动格局。在人工智能技术的帮助下，各企业可以开展更深入的、有预测性的、可靠的观察方式来检测他们的业务伙伴，甚至让竞争对手并入同一个复杂而庞大的供应链。使得企业在供应链管理的过程中能够简化活动以达到更高效透明的合作关系，便于更好地提高物流决策的有效性和准确性。
人工智能应用的发展是一个从部分辅助到逐步替代的过程。人工智能应用在生产生活中各场景下表现为：通过计算机实现原来必须由人完成的事情或者替换掉原有的方法。通过深度学习、机器学习、NLP平台、预测性应用程序接口等核心技术，在此过程中人工智能的介入程度逐渐加深，由部分辅助逐步过渡到部分替代。
从供应链的角度我们将会谈到人工智能在供应链的生产与销售环节之中需求预测的重要性以及可实施性。从产業经济来看，供应链最终的驱动力来自消费市场，消费需求拉动是供应链发展的源动力，从经济向数字化、智能化发展的趋势来看，智能供应链将会成为未来智能经济的基本组成部分。但是供应链流程设计的服务本身也是一个产品，这种基于系统和改善整体供应链流程的过程性服务产品是需要足够的投入成本以及购买能力的，这本身就为人工智能在供应链产品化落地方面设置了准入门槛。这样的门槛筛选掉了小微企业，筛选掉了小成本个体经营户，瞄准的就是大型企业，尤其是生产类的企业。在这一类企业的经营之中，供应链效率的提升会对企业经营带来扩大效应。这种高端化、定制化、高科技嵌入化平台的打造，属于过程服务与系统产品兼备的特殊产品类别。
在确定了用户主要类别之后，我们应该想的是人工智能在供应链的那几环有最明显的优化作用，通过不断迭代的算法与数据分析，我们主要从对于供应链下游端口——生产与销售链条中对于需求的预测和生产运输过程中生产流程的同步化设计与优化两点进行产品化分析。
二、需求预测
1.供应链中需求预测环节的意义
（1）对企业
①针对预测出的需求，通过调整产能（如季节性劳动力）、转包、建立库存、延期交货来实现供给管理。
②针对预测出的需求，通过短期价格折扣和促销来实现需求管理。库存积压或是库存不足大概率会带来企业的成本损失，如果准确地预测需求就可以为生产提供好的建议并且极大地减少生产过剩和生产不足的问题。
③物流与供应链中常把产品分为功能型和创新型，但是两种类型的产品并不是泾渭分明的。人工智能技术对于不同类型的产品，在进行了小范围特征识别与预训练模型的应用之后，可以覆盖预测不同类型产品的需求。提高供应链整体效率与交互程度，总体优化供应链。
（2）对用户
①减少顾客因为库存的过多或积压导致出现无处买货、物流速度慢或商品变质等问题。
②顾客的潜在需求被预见，能被及时地满足。
③短期价格折扣和促销能刺激顾客消费，充分激发顾客购买力。
2.如何做
（1）数据支撑——“线上+线下”
人工智能的技术运用到产业中有个必备的条件就是大量的数据，这也是为什么我们常说“大数据”也是人工智能的基础技术，数据资源是人工智能的三大基础条件之一。人工智能往后的运用例如模拟人脑进行预测等更高端的应用都是基于深度学习的模型训练，这正是建立在大量样本数据基础之上的。
样本数据的数量和质量，都将影响到模型拟合的程度，不能离开数据来谈论人工智能应用。在学术界的AI无疑有很多最新的应用与设计，但是产业中真正能够被应用到的人工智能技术其实只是学术界的一部分，两者之间的有效转化也是提升人工智能应用的必备条件之一。两界的数据积累差距因互联网而有所缩小但并未消除。除了计算设施以及研发经费等因素的影响，训练数据的可获得性是科技巨头，尤其是互联网巨头最明显的优势之一。虽然借助互联网的发展和普及，学术界与产业界在数据积累方面的差距有所减少，但并未消除。目前人工智能应用相对成熟的是基于社会和媒体的互联网大数据。得益于互联网、移动互联网的迅速发展，线上数据的获取难度大幅降低，每个瞬间都会有无数的文本、语音、图片和视频等非结构化数据产生，为人工智能应用的实现提供了充足的养料。
在电子信息的时代，虽然线上数据十分重要，人工智能借助算法读取线上数据的同时，为了让AI更贴近人类生活并且对人类世界的特性有一定的读取和了解，在设计抓取数据并进行分析的算法时也不应忽视线下数据的价值。同时必须承认，线下的生活以及生产场景，同样存在海量的数据，尤其是随着传感器成本的下降和物联网的推进。但线下数据存在的问题是，如何确定数据的可信度呢？ （2）模型的拟合优度需要确定多维的因子
我们期望AI能够拥有兼备人脑与环境预测、数据统计、趋势预测的功能，但是AI在初期对于供应链能够做得首先应该从数据入手，这可能需要我们在历史销售记录之中最大化地提取有效的信息以便对未来趋势进行部分刻画（我们将试图从历史销售记录中提取出有用信息，以便预测未来的销售数据。当然，理想情况下我们还可以使用其他可用的数据源，例如天气数据，作为现有数据的补充）。但我们对于AI的期待还在于对于人类未知的灾难或者是需求的特殊性进行一个短期的、有效的、迅速的预测与对策判断。这不仅需要构建算法来对历史的重大金融灾难、政治灾难等人为灾难进行因果提取，还需要从中找到人的思维容易忽略的规律来进行现实推演。
在生产过程之中可以基于历史生产数据，对于生产过程的每一个环节的产品质量状态建模。同时在生产过程中也对实时数据进行分析，通过下游的销售链实时数据和生产过程之中的产品合格比率、出品率等实时数据进行准确的监控。在生产过程中还可以对未来可能出现的故障或者是生产需求的峰值、谷点进行警示和预测性的维护建议。统计学之中的时间序列分析需要利用SPSS来建模并且进行定义，如果有足够的数据与算法支撑，我们可以乐观地估计AI可以有效地进行时间序列预测需求并对应商品的特点进行变化。
（3）预训练模型
预训练模型是使自然语言处理由原来的手工调参、依靠 ML专家的阶段，进入到可以大规模、可复制的大工业施展的阶段。预训练模型通过自监督学习从大规模数据中获得与具体任务无关的预训练模型，利用预训练模型进行的小样本训练利用迁移学习的思想冻结了用于特征提取部分网络的参数，通过调整分类网络参数来学习需求的分类标准。第二个步骤是微调，针对具体的任务修正网络，此类模型可经过微调之后，用于支持分类、序列标记、结构预测和序列生成等各项技术，并构建文摘、图片检索、视频注释等应用。与训练特征提取网络部分的数据相比，训练好的分类器需要的样本要远远少于前者，所以利用小样本进行训练的代价较小，配合下游任务可以实现更快的收斂速度，并且有效地提高模型性能，让模型基于一个更好的初始状态进行学习，对于数据稀缺的行业或者是数据获取有一定难度的产品落地有一定帮助。
3.企业实例
北京旷视科技有限公司是全球领先的人工智能产品和解决方案公司，人工智能行业的务实者和领跑者，支撑人工智能革命关键的深度学习是旷视的核心竞争力。旷视公司目前专注于算法能创造极大价值的领域：个人物联网、城市物联网和供应链物联网。旷视向客户提供包括算法、软件和硬件产品在内的全站式、一体化解决方案。
我们选取在人工智能产业化行业尖端企业——旷视公司为例，进行人工智能商业产业化的分析。旷视公司的核心技术为：（1）新一代AI生产力平台：Brain++提供的能力既能覆盖算法、算力、数据的全流程，加速开发流程，提升优化和部署效率，利用提供企业级AI解决方案;也能实现技术到价值的链接，满足各层次企业对AI能力建设的需求，让企业更聚焦于业务变革。（2）核心算法：旷视的“AI算法”以深度学习为技术，面向广泛“图像或视频”的分析和理解，以解决真实问题为向导，追求软硬结合的极致性能，向客户交付工业级的产品和服务。通过其核心技术，人工智能在供应链得到了有效地运用，以充足的数据作为信息资源的支撑，通过深度学习提高效率和安全性，从而总体优化供应链并达到供应链的市场需求预测。
旷视科技公司旗下的智慧物流园区解决方案正是企业需求预测一个非常好的实例。智慧物流园区跨越了“四堵墙”的局限，将商品的运转和场内场外车辆人员的流动等更多场景相连接，进行了更智能的调度和预测，甚至能自动决策。这个方案基于新型信息技术的融合应用，以AI技术为代表，对“库内运营和园区管理”双向优化，打造“安全、智慧、共享、绿色”的智慧物流园区解决方案。在库内运营方面，建立多种“柔性机器人和智能装备”的全面互联，配合机器人物联操作系统与智慧软件贯通，实现业务模式创新和效率提升;在园区管理方面，构建“人-车-货-库”感知和管理，针对园区内“基础设施、环境、建筑”等方面进行运维管理。
这一方案的核心优势有：
（1）轻资产投入：硬件投入较少，主要利用现有的数据采集终端。
（2）轻流程再造：现有运营流程只需要从全链路上稍加调整。
（3）高度协同：静态存储能力、动态吞吐能力、变化的订单量、实时的运营情况，都变成大量可见数据，通过智慧物流园区系统，协同子系统内部的运作，实现系统效率最优。从而提高供应链的整体效率与交互程度，优化整体物流。
（4）效率与安全并重：通过边缘计算快速判断决策，全息的感知设备减少传统感知设备的盲区，兼具数据和算法的优势以达到有效预测。
同时，该企业旗下的智慧仓储解决方案则是人工智能利用数据资源的重要实例。智慧仓储从按订单生产到即时消费、即时物流，以“智能仓储、无人配送和物流机器人”等为代表的智慧物流技术，将成为智能工厂与智能物流中心的核心要素，助力仓储、物流、制造和供应链，迈进“数字化、智能化和智慧化”。智慧仓储解决方案基于旷视新一代AI生产力平台Brain++，持续算法创新，大量通过数据化方式，赋能传统物流装备，率先打造“旷视河图”操作系统，聚合全产业链伙伴，形成智慧仓储解决方案，能有效帮助企业在仓储物流环节实现降本增效、简化管理。
这一方案的核心优势有：
（1）共享生态：通过产业链伙伴的合作简化业务场景，携手共建生态、共享信息推动供应链的合作与产业发展。
（2）全生命周期管理：面向“工业物流和商业物流”场景，提供“咨询-规划-仿真-实施-交付-运维”的全流程的服务体系，全流程标准化，通过数据化方式，实现流程再造和有序运营。 （3）人機协同，众智创新：依托平台向上延展的业务系统，向下对接兼容的智能物流设备，为物流实现全场景的智能化管理。
（4）自研创新，产权升级：坚持核心智能设备的研发与创新，依托旷视河图构建百亿智能设备的机器人物联网生态系统，更好地进行需求预测。
三、智能化仓储管理
人工智能对于优化仓储管理大致分为三个方面：
1.物流基础设施的优化
在智能化仓储的布局之中利用人工智能等技术在仓储、分捡、拣选、搬运等环节充分利用算法驱动的机器人替代仓储作业人员，让仓储作业完全实现智能化、无人化，提升仓储效率，在物流基础设施方面广泛应用“弱人工智能”的机器人。
2.供应链中的物流运作过程将由人工智能来计算、重建
作为供应链的重要组成部分，物流运作的速率决定了整个供应链运作过程的效率。随着人工智能技术的不断发展，物流操作过程将通过智能计算被划分为多个模块，并在算法的计算和迭代下进行重新分配。这些模块不仅相互继承，而且通过在物流过程跟踪系统中嵌入人工智能芯片，与各个模块中的各个功能点建立联系，快速计算和反映大量的物流数据和信息。物流运作流程通过人工智能的改造不仅可以使物流运作流程自动化，还同步实现了仓储分布式工作的计算与物流存储的分离。
3.促成供应链闭环的形成
智能化仓储落地的最好例子之一就是京东的供应链管理，在此方面，京东利用基于库存管理、品类管理、价格管理、供应商、销售商的协同管理等高质量数据的各种人工智能算法，实现供应链协同效率的大幅提升。人工智能可以促进企业建立智能存储平台，该平台将优化整合企业内外部资源，完善物料流程，加快物料供应链各环节的同步和速度，使整个供应链的响应活动数字化、精准化、智能化。
参考文献：
[1]罗文波，陈幼平，艾武，娄平.基于多智能体的供应链管理系统角色建模与设计[J].计算机工程与应用，2003（19）：227-229.
[2]张德海，邵培基，刘德文.面向物流服务供应链的商业智能系统设计[J].管理学报，2007（03）：288-292.
[3]肖焕彬，初良勇，林赟敏.人工智能技术在供应链物流领域的应用[J].价值工程，2019，38（25）：154-156.
[4]王钊.人工智能在物资供应链中的应用与研究[J].中国石油和化工标准与质量，2019，39（12）：167-168+170.
[5]任成元.人工智能驱动的供应链创新[J].中国物流与采购，2019（24）：34-35.
作者简介：何其（2000.08- ），女，湖南长沙人，四川大学商学院2018级管理科学专业本科在读，研究方向：城市文化产业创新、决策分析、物流与供应链等;欧阳钰霓（2000.07- ），女，湖北武汉人，中山大学岭南学院2018级国际商务专业本科生，研究方向：市场营销等