ChatGPT一經推出，便在全球各地掀起了如魔法般的神奇風潮。各類供應鏈廠商紛紛參與討論，希望了解如何運用這股AI之力。此外，幾乎每家供應鏈解決方案供應商也都迫切希望為自己的AI持續投資找到有力的理論依據。

任何能夠感知其環境，并采取行動以最大程度提高目標達成率的設備，都開始在這波AI浪潮當中扮演某種形式的角色。也就是說，AI方案并不是供應鏈領域的新技術，其中很多要素在某些場景下已經被使用了幾十年。只是最近以來，更多新興案例開始快速涌現。

優化旨在對供應規劃、工廠調度、供應鏈設計以及運輸計劃進行精細打磨。從廣義上講，優化可以指制定計劃以幫助企業通過最低成本實現其服務水平及其他目標。而從數學角度來看，優化則是一種混合性質的整數或線性規劃方法，用于在現實世界的約束條件下為倉儲、工廠、運輸流以及其他供應鏈資源找到最佳組合。

機器學習是指由機器獲取輸出結果、觀察其準確性并更新自身模型，循環往復以不斷改善輸出結果的方法。需求規劃引擎具有天然的反饋循環，允許預測引擎在流程當中持續進行學習。得到的預測結果則可以與實際發貨或銷售結果進行比較，供AI模型自我完善。

自21世紀初機器學習技術被用于需求預測以來，機器學習已經極大提高了預測的廣度和深度。如今，機器學習預測不僅僅是按月或者按季度進行，按周甚至按天的預測也已經成為可能。我們也開始從區域級別的產品預測轉向單家門店級別的庫存單位預測。最近一段時間，基于機器學習的需求規劃應用程序還能夠整合競爭對手的定價數據、門店流量以及天氣數據，從而更進一步增強預測能力。

我們也不再滿足于預測需求，還希望預測卡車乃至各類工廠機械何時可能發生故障(預測性維護)、提前規劃最佳庫存量與存放位置(庫存優化)并對倉儲環節的勞動力做出預測。這些預測類型能夠有效把控完成預期工作所需要的員工數量，并將結果精確到天、班次、工作乃至區域級別。此外，機器學習還可用于為倉儲工人生成工作標準。

機器學習技術(包括聚類、數據相似性及語義標記)能夠自動化實現主數據管理。畢竟如果沒有準確的數據作為依托，企業就會面臨“垃圾進、垃圾出”的尷尬局面。

在供應規劃方面，如果關鍵參數(例如供應商的交貨時間)不夠準確，那么規劃結果自然無法可靠。在這方面，機器學習亦可用于讓關鍵參數和政策保持在最新狀態，并可用于預測門店當中特定貨品的庫存單位是否供應不足。

供應鏈風險解決方案則使用機器學習和其他形式的AI對企業多層供應鏈中所涉及的具體供應商做出預測。這一點變得越來越必要，因為如果海關認為貨物當中包含可能存在強制勞動因素的風險產品，哪些這些部件與實際收貨方之間隔著數道供應關系，而且只占產品總成本中的極小部分，海關方面也會在港口扣留貨物。為了避免這種情況，托運人的端到端供應鏈預測方案將運用AI進行開放網絡搜索、分析進出口記錄、處理ThomasNet等采購平臺的數據，同時參考聯邦物流記錄及其他數據。這些預測加快了企業驗證其供應鏈的構建及擴展速度，保證使用與海關相同的技術來確定哪些貨物可能被拒絕入境。

自然語言處理用于對不同商品進行分類，由此建立起面向進出口及實時供應鏈的風險解決方案。

協調制度(Harmonized System)是一種對商品進行分類的編碼方法，也是海關識別各類商品的基礎，目前被世界各地的海關當局廣泛應用。使用正確的產品分類能夠保證企業支付正確關稅，幫助企業切實避免政府罰款并把握產品的真實到岸成本。但問題在于，產品的商業描述與國家海關關稅表中的表達方式之間存在巨大差異，因此可能導致關稅支付錯誤率高達30%。為此，自然語言處理方案與專家系統的結合，已經被用于自動化并顯著改善這一分類過程。

實時風險解決方案還使用自然語言處理來閱讀在線出版物及其他數據源，理解所讀內容，將數據情境轉化為信息，再以近實時方式報告由天氣、地緣政治事件及其他危害因素造成的供應鏈中斷。整條價值鏈中的每一步都有與之相關的搜索詞。供應商、承運商、物流服務提供商所使用的各種名稱都可作為搜索詞，且各搜索詞又與表示問題的術語相匹配——具體包括“破產”、“工廠火災”、“港口爆炸”、“罷工”等各種術語表達。因此，當文本中的“海防市”一詞與短語“港口火災”相結合時，即會觸發警報。

強化學習屬于機器學習的一種形式，能夠讓AI模型根據正面、中性和負面反饋改進其決策過程。例如，假設我們希望訓練視覺系統以識別出狗的圖像，則首先需要讓人類查看數以萬計的動物圖像。人類標注員負責將圖片標注為狗、非狗或者不確定，而后向計算機展示這些圖像。系統則先做出“這是狗”或“這不是狗”的判斷，再與人類標注結果比較以驗證結論是否正確。

無人機也可使用這種形式的AI來提高倉儲庫存的管理準確性。強化學習能夠支持無人機正確識別倉庫貨架、貨盤與貨柜，并靠近貨品掃描其條形碼。同樣的，強化學習也被引入倉儲環境下的安保攝像頭，以確保工人們在工作期間嚴格遵守標準操作程序。

同步定位與地圖構建(SLAM)允許裝置構建并更新未知環境下的地圖，同時跟蹤裝置在其中的位置。這項技術允許搬運機器人在倉儲環境下實現自主移動。

搭載SLAM技術的無人機與自主搬運機器人已經處于全面交付的早期試驗階段，更進一步打造的自動駕駛卡車則有望徹底改變物流行業的游戲規則。

雖然自動駕駛卡車當前還沒有全面落地，但也許再過幾年時間，我們就能自動將貨物從配送中心運輸至零售店面。在這個后AI時代，整個供應鏈體系都將迎來以往難以想象的嶄新面貌。