2023年开年，的出圈，在国内外掀起新一轮人工智能应用热潮。
上线仅5天，就收获了100万用户；推出不到两个月，用户的日活量就突破1000万；相关数据显示，截止2023年1月末，其用户月活已经突破一亿，成为史上用户增长速度最快的消费级应用App。
据相关数据统计，在中国目前AI的核心产业规模超过4000亿元，企业数量接近4000家，带动相关产业规模超数万亿元，未来还将进一步快速增加。
但不管是服装企业，还是制造业都没少吃供应链的亏。比如疫情期间面临生产原料、配套产品断供风险，库存压力剧增，原有的供应商渠道无法兼顾供应链运转效率的要求等，都让企业举步维艰。
尽管引入“人工标注数据+强化学习”的模型，可以更好地理解人类意图，协助人类完成一系列任务。可在供应链领域中，技术又该如何赋能，加速AI商业落地？
从“效率工具”到“生产工具”的颠覆性变革
在以前，大多数AI智能机器人的作用是尽可能的帮助企业提升效率、减少人力成本，尤其是在供应链端，为了更好的降本增效，各行各业都在纷纷向数字化转型。通过大数据、人工智能、5G等新兴技术与供应链各个环节的融合创新，以期创造新的价值和增长点。
以跨境电商为例，不懂英文、不熟悉海外文化以至于不了解海外消费者需求，一直都是中国企业与欧美乃至全球消费者存在的问题。但通过自主生产内容，直接降低了跨境内容的门槛和成本，比如给独立站的用户写日常问候邮件，与消费者做非投诉类对话沟通等，都可以由来完成。
不仅如此，作为一款“生产工具”，代替了更多简单重复性的工作，过去需要大量人力的组织架构可能被精兵小组所颠覆、产品和供应链的能力也变得更为重要。比如整个跨境电商行业的协作网络将发生变化，整个供应链体系面临瘦身，提高整体效率。
而对品牌商来说，了解消费者需求是必不可少的环节之一，但大部分国内品牌并不了解海外市场及消费者，哪怕依靠亚马逊等国外电商平台出海，也很难实现产品聚焦。而提供了一个低成本，了解海外消费者的渠道。不管提出什么问题，理论上都能从当前1750亿数据库中的信息，整理出对应答案，使全球电商的供需对接更加高效。
对服装企业来说，库存积压严重、净利润难以提升等问题始终难以解决。一些企业通过建立柔性供应链的方式，对消费者标签、商品标签、渠道标签体系进行建设，进而不断优化补货可得率、库销比等指标。
而借助技术，企业可以更快速的通过海量数据进行订单预测，有针对性、计划性进行生产，减少企业库存积压，并根据业务需要进行设计和内容方面的规划，帮助发现需要改进的薄弱领域。
比如在消费者端，服装品牌可以通过对消费者的身形、喜好和风格，进行自动化设计，进而完成生产，从根本上改变了传统服装行业的制造方式。与此同时，还可以在自动化生产线、自动化库存管理等方面，进行快速有效的生产和销售产品。
从B端流程的改进，到C端消费者体验，在整个供应链环节中，逐渐完成了从“效率工具”到“生产工具”的改变。据估计，到2025年人工智能生成数据占比将达到10%，未来产品有望逐步实现人机协同，使得新场景的应用更加快速，加速各个行业的智能化升级，边际效用实现增长。
减少沟通成本，促进任务协调
不管是基于人工智能、大数据还是等新兴数字技术，供应链的底层逻辑没有变，仍旧是通过链接供应链上的人、物、信息，构建一个产品设计、采购、生产、销售、服务等多环节高效协同、快速响应、动态智能的生态体系。
但这种生成式AI，可以主动产生内容，建立一个无所不知的品牌形象。现阶段的人工智能只能进行信息的筛选，无法进行决策，比如在销售环节，各行各业只能进行千人千面的推送，但无法精准掌握消费者喜好；而则可以通过互动，迅速了解消费者性格、消费习惯等信息，进行商品的配送和服务。
如果将用于训练物流聊天机器人，那么从计算机接收订单开始，到跟踪整个订单完成，可以实时处理订单、更新仓库位置，进一步提升仓库管理效率。
而在提高物流风险评估和管理水平方面，可以有效避免潜在冲突或已知的恶劣天气，选择最佳运输航线；帮助筛选供应商的财政实力、历史业绩、基础设施等条件，选取最佳供应商。尤其是在跨境物流层面，涉及报税、通关等诸多问题，供应商的选择就更为突出。
通过等新兴数字技的赋能，使得整个供应链的数据可以无缝访问，进一步打破合作伙伴之间的数据孤岛，弥合品牌与其外部网络之间的差距，最终实现多企业协作。让整个供应链系统变成一个更加丰富、宽广的生态，促进企业的未来发展。
比如英伟达的芯片研发，便是通过大数据等模型，自研出适合深度学习发展的 CUDA(通用冰箱计算平台)，并用GPU替代CPU成为AI训练市场的首选，最终英伟达成为了AI芯片领域的绝对霸主，并不断在下游产业链深耕，除游戏行业外在智能驾驶的底层资源支持也得到了巨大的突破。
有机构预测，未来五年，10%～30%的图片都将由AI参与生成，有望创造超过 600亿元以上的市场空间，AIGC的市场规模更是将超过万亿人民币。但目前AIGC产业化程度有限，大量业务场景并没有找到变现模式，未来也仍将长期处于商业化探索模式中。
未来的机遇与风险
尽管的爆火，在某种程度上是AI经历多年技术沉淀后的里程碑式事件，但之所以能实现如此强大的交互，离不开其背后庞大的算力支撑。
相关数据统计，的总算力消耗约为-day，按照国内落地的某数据中心为参照物，若要建成支持运行的设备，需要7～8个这样的数据中心，仅基础设施的投入就要近百亿元。
但算力又是AI的基础，要想使得AI的门槛不断提高，一方面需要巨大的投入去使用算力中心，另一方面则需要做出大模型，对高可靠、高性能、高安全的算力需求更加突出。除此之外，数据也是决定AI发展的关键因素，数据的数量和质量的差异影响则更大。尤其是在我国的供应链领域，数据来源的割裂，会影响AI模型的泛化能力和不同场景的通用化效果。
在供应链领域中，涉及的上、中、下游企业性质不同，各自的数据来源较为割裂，根据公司主营业务的不同，其采集的数据范围有限，而有限的数据采集方式，在多维度层面影响了可用于模型训练的数据质量。比如腾讯通过微信采集的是社交类数据，通过生鲜零售采集消费者行为和决策数据数据等等。
但在的中立属性和开放风格，更容易连接产业链上下游，相对于国内现有的AI机器人来说，在开放的生态建设上更具优势，远胜于任何一个单一平台公司的数据来源。可即便如此，也无法代替人类做决定。
从技术角度看，尽管实现了人工智能的通用性和高交互性，但仍不具备可思考的引申能力，需要借助人类反馈的RLHF进行训练与识别，在专业领域如医疗、物理学等方面尚不能做出专业回答。
从安全角度来看，目前还处于“可用”阶段，并没有到达“可信”阶段。一方面由于其产生的内容并非是独创性的，而是通过单词之间的关联统计关系，进而合成语言答案，内容安全性与准确性难以得到保障，另一方面则由于相关内容的数据安全与版权问题，并没有得到有效监管，仍处于灰色地带。比如用进行博士论文的相关写作等，尽管美国、欧洲等部分高校联盟已经明令禁止在学术界使用，但并未做出相关处罚。
另外，国家间的数据采集也存在诸多风险和隐患，在中国该隐患尤为显著，存在信息泄露等信息安全问题的风险。
话虽如此，但有机构表示，的影响力已经满足革命性技术的一个重要标志，可能引领大量的应用重做已有生活方式的变革。如AI接入设备，释放大量的生产力，或是改变使用传统搜索引擎的习惯，对内容产业进行革新等等。
而从长期来看，或许有可能引领科技革命，重构全球供应链格局等。
相关文章
