摘要：生成式AI不仅让物流装备等产品更加智能，还能显著提高作业及管理的智能化水平。在生成式AI技术助力之下，物流供应链未来将被赋予“神经中枢”的新角色，从后勤支持转变为前沿竞争力，引领行业走向新的变革。

——访SAP公司大中华区副总裁、首席数字官彭俊松博士

生成式AI不仅让物流装备等产品更加智能，还能显著提高作业及管理的智能化水平。在生成式AI技术助力之下，物流供应链未来将被赋予“神经中枢”的新角色，从后勤支持转变为前沿竞争力，引领行业走向新的变革。

近两年，以大语言模型为代表的生成式人工智能（GAI，Generative Artificial Intelligence，以下简称为“生成式AI”）备受热议。2024年初，Open AI发布从文本到视频的制作工具，进一步引发业内对生成式AI的广泛讨论。

作为人工智能（AI）的一个重要分支，生成式AI是深度学习技术的重要应用方向之一，其最主要的特点在于，它能够基于复杂的算法、模型和规则生成包括文本、图片、声音、视频、代码等多种类型的新内容。在SAP公司大中华区副总裁、首席数字官彭俊松博士看来，生成式AI可以更好地挖掘、分析、处理非结构化的数据，并且可以模拟生成一些变化的场景，通过试运算和优化生成一个更加合理的结果，将成为企业智能化转型和数字化变革的重要推动力。

为更深入了解生成式AI技术及其在物流领域的具体应用与潜在价值，本刊记者日前对彭俊松博士进行了深入的专访。

彭俊松 博士

SAP公司大中华区副总裁、首席数字官

记者：首先请您介绍一下，AI技术对全球经济的影响，及其发展应用阶段是怎样的？

彭俊松：根据麦肯锡全球研究院的预测，AI技术将为全球经济带来高达25.6万亿美元的积极影响。其中来自生成式AI的贡献预计将达到7.9万亿美元，大约相当于当前全球GDP总量的8%。2032年，全球生成式AI的市场规模将从2022年的400亿美元增长为1.3万亿美元。可见，AI技术，特别是生成式AI，正对全球经济和企业价值创造模式带来巨大的影响。

AI对全球经济的潜在影响与生成式AI的市场规模

从AI技术与企业经营业务融合的角度来看，我认为可以将其发展划分为以下几个阶段：

阶段一：AI技术通过分析处理业务数据，帮助企业了解过去和当下的生产经营状况，如精准掌握库存水平、生产成本等关键指标，发挥“辅助管理”的重要作用。

阶段二：帮助拓展人在数字世界中的边界，也就是未来人在数字化环境可以做的事情，AI都可以做。

阶段三：进一步突破数字化领域，与物理世界相结合。也就是未来人在物理世界可以做的事情，AI都可以做，如AI机器人等。

阶段四：进入人类文明和机器文明共同发展、共同促进的AI文明时代，例如大家今天探讨的“人机如何共存”问题。

可以看出，伴随着这几个阶段的发展，AI技术的应用深度和广度都在不断扩展。AI技术经过约70年的发展，出现了很多重要的应用场景，包括路线规划、预测需求、自动化仓库管理、智能分拣和增强客户服务等，可以有效提升作业效率和准确性、降低成本、改善客户体验。可以说，AI技术正在各行各业迎来广泛的应用。

记者：目前，与智慧物流、智能制造结合最为紧密的人工智能技术有哪些？起到了怎样的作用？

彭俊松：在智慧物流领域，AI技术的应用相对成熟稳定，我认为大体上有5类：一是基于机器学习进行预测等相关分析。物流行业已经积累了大量数据，结合机器学习技术可实现库存水平、运输时间等的准确预测；二是基于机器视觉等AI技术实现仓库及生产线上的商品识别、员工动作识别、质量检测、辅助分拣等；三是基于机器人流程自动化（RPA，Robotic Process Automation），避免大量数据的二次录入，提高作业效率，同时降低人工录入的错误率；四是基于自然语言处理技术实现人机交互，有效缩短客户响应时间；五是基于AI技术对运输路线、资源分配、拣货路径规划等算法进行优化。

生成式AI为企业的数字化变革注入巨大潜力

在智能制造领域，AI技术伴随“工业4.0”的发展也在逐步深入，从广义来看其应用可以总结为三个阶段：

第一阶段，智能工厂建设初期，通过现场工业物联网的连接，识别出待加工产品的加工要求，并将数据与现场PLC、MES系统对接，从而获得产品的加工信息，以更加灵活地操控加工设备，实现大规模定制。

第二阶段，智能制造技术与物流技术开始紧密结合，通过AI技术来实现物流路线规划、智能分拣、智能装卸等，推动传统流水线变革为加工岛，让智能工厂开始进入更加高级的发展阶段。

第三阶段，智能制造向着更加模块化的方向发展，类似于物流领域基于标准化，通过即插即用（PnP，Plug-and-Play）方式快速拼接快速满足复杂的场景需求，智能加工设备也通过模块化实现快速拼接组装，提高产线满足个性化定制的能力以及新产线的快速落地。在不久的将来，对于新产品的产线调整，有望做到24小时之内投产，从而对市场需求进行快速响应。

除此之外，AI技术在产线设备的预测性维护，工件加工质量的识别检测等领域也有大量应用。总的来说，AI技术与智慧物流和智能制造的结合是非常紧密的，可大幅提高作业准确性及效率，能够普遍提升20%～40%甚至更高。

记者：请您具体介绍一下，生成式AI的核心技术有哪些？

彭俊松：生成式AI是AI技术应用的一个重要分支，是深度学习技术的重要应用领域之一。

从核心技术角度来看，以目前备受关注的Open AI为例，其有两大核心技术：深度学习（DL，Deep Learning）和自然语言处理（NLP，Natural Language Processing）。

这两种技术在生成式AI出现之前便存在。“深度学习”即基于深层神经网络模型和方法的机器学习技术，特别擅长序列化数据的处理；“自然语言处理”则是通过海量文本数据的训练，帮助模型形成注意力，根据输入数据生成连续的上下文相关的文本等内容。这是传统机器学习无法达到却对业务经营特别有利的。因为在大量的干扰信息下，企业需要快速、准确地抓住要点，屏蔽与业务场景无关的信息。

因此，深度学习与自然语言处理结合，是生成式AI如今能够在工业领域大量应用的一个亮点，也是其对实际应用场景发挥显著作用的根本原因。

记者：在您看来，与其他传统AI技术相比较，生成式AI主要有哪些特点和价值？

彭俊松：从特点来看，生成式AI跟其他传统AI技术最大的区别在于，能够生成图片、文字、视频等新内容。

首先，生成式AI能够在极短时间内（甚至实时）处理大量数据，生成内容，特别是处理非标数据。例如，机器深度学习进行预测是基于历史数据建立数学模型，输入数据产生结果，这些数据往往是比较完善的，有一定长度的时间序列，有具体的需求，参数间的关系有确切的描述，但当企业所处外部环境发生突然变化时，数据是难以快速导入系统/模型中的；而生成式AI则非常擅长于快速捕捉环境变化带来的影响，快速处理未整理的、非标的、非结构化的数据，采取进一步决策并且提高决策的质量。

其次，生成式AI还擅长模拟一些变化的场景，如模拟需求波动及现场变化等，再根据这些变化进行试运算、调整和优化，生成更加合理的结果。

总的来说，生成式AI作为AI技术发展浪潮中最新的一波力量，具有特殊的应用价值，能够把以往难以实现自动化的流程自动化。同时它不是孤立存在的，而是与其他AI技术共同满足业务的需求。生成式AI的兴起以及在多模态领域的突破，正为企业的数字化变革注入巨大潜力。

记者：请您结合具体案例，重点介绍一下生成式AI在智能制造和物流供应链领域的主要应用有哪些？

彭俊松：以汽车行业为例，生成式AI的应用可覆盖产品造型、工程设计、自动驾驶、工厂设计、生产制造、市场营销、售后服务等全链条各个环节。

生成式AI的应用范围从产品智能化转向作业和管理智能化,推动企业全面转型

1.产品造型

生成式AI可以根据产品的二维设计图纸快速生成三维造型，让产品立体化，极大提升设计效率。

2.工程设计

汽车产品往往既要求强度和美观，又要求结构尽可能简单，生成式AI可以根据给定的目标和要求快速生成成百上千个结构，并且将其送至下一个环节去做产品校验、检测，从而不断完善设计，直至找到最优的设计。

3.自动驾驶

通过生成式AI，只要经过一次真实路面测试便可以延伸出各种不同场景、天气、状态、偶发事件的测试场景，生成多个样本并持续不断地进行训练，最终帮助实现自动驾驶。

4.工厂设计

生成式AI可以快速根据设计人员的意图形成仓库结构、货架布局、设备配套等图纸并用三维的方式（元宇宙）显示出来，可以极大提高工厂设计优化的效率，打造理想的数字化工厂。

5.生产制造

生成式AI可以把制造环节存在的大量业务数据，用自然语言的方式进行理解，形成直观的现场指导或者交互方式。例如，梅赛德斯-奔驰正在车辆生产中测试 ChatGPT，进行质量管理和流程优化等活动。

6.市场营销及售后服务

生成式AI几乎可以生成无限多组合的产品配置器，不再拘泥于实物打造，可以通过三维动画等方式将产品栩栩如生地展示在消费者面前。同时，生成式AI也开始应用于售后服务及维修环节，如通过车载人工智能装备了解车辆使用情况等。

总的来看，生成式AI技术的应用正逐步扩大，传统AI技术不擅长甚至做不到的，利用生成式AI都有可能实现。生成式AI的应用范围，正从产品智能化转向作业和管理智能化，推动企业全面转型。

记者：您如何看待生成式AI技术的应用潜力？有哪些典型的应用模式？

彭俊松：我认为，生成式AI未来将在以下三个领域进一步智能化：一是内嵌式应用，以人为主导，AI提供指导建议；二是Copilot（副驾驶）模式，人机协同，由AI自动在数字世界寻找合适的工具，搜索合适的数据并连接，帮助人来解决复杂问题；三是Agent模式，由AI完成大部分工作，企业绝大多数业务流程都可以使用AI技术自动化完成。

生成式AI的三种应用模式

目前这三种模式已经在国外企业得到混合式应用。以某全球零售巨头为例，在APP内输入相关需求或目的，系统会自动推送相应的产品，这是内嵌式应用。生成式AI能够更好地理解基于查询、会话的客户意图，为客户提供产品推荐类别，覆盖其潜在需求；对数千家门店的销售预测、库存等建立机器学习的元宇宙，帮助计划人员进行调度和库存优化管理，这是副驾驶模式应用。生成式AI还能帮助完成供应商供货/采购谈判过程，避免人与人谈判可能存在的贪腐和次优化问题，可以快速、公正、透明地完成上下游企业之间的协作过程，这是Agent模式应用。

记者：您认为，在物流供应链领域，生成式AI的大范围普及应用还存在哪些挑战与障碍？

彭俊松：前面探讨的三种模式，实际上也是企业数字化转型从点到面再到体不断升级的过程，只有当AI能够与企业的各个系统无缝连接，才能真正发挥其作为Copilot和Agent的功能。但这也正是困难所在。

众所周知，物流本身是服务行业，它前后连接着生产端和消费端，中间还有大量的合作伙伴，要实现端到端的物流智能化，必然需要把所涉及的所有系统连接起来，并且AI高度依赖于数据的质量，因此数据的开放性和准确性是目前的主要障碍之一。同时，大量物流数据的隐私性、合规性、安全性等，需要有数字生态来支撑，否则这些数据便无法发挥价值。此外，人员的培训等可能也存在一定障碍。

需要注意的是，生成式AI也有可能“一本正经地胡说八道”，为避免这些状况的发生，我们在企业应用生成式AI技术时通常有三个原则：Relevant相关性，要跟真实业务相关联；Reliable可靠性，数据要真实可靠；Responsible负责任，要满足AI伦理和数据隐私等标准。同时，我们也会融入知识图谱等多种不同的AI技术来进行校验。总的来说，这些方面的研究还有待不断深入。

记者：对于企业如何抓住人工智能机遇持续构建竞争力，您有哪些建议？

彭俊松：首先，企业要加快数字化转型的进程。AI技术是智能化转型，是建立在信息化、数字化阶段之后的更高层次的阶段任务。如果前两个阶段没有做好，那么数据准备的充分性、业务流程的完备性都会有极大欠缺，所以首先要加快数字化转型进程。

第二，要提前进行AI技术布局准备。AI技术的应用与别的技术不同，它没有固定的技术路线、技术方向和应用场景，而是一种更加灵活的、战术式的，且需要不断迭代、动态变化的状态。因此，企业一方面要引入AI，另一方面也要做配套的技术布局。比如将本地部署的IP系统转到云端，从而更快地跟数字化技术对接。

第三，要加强人才培养，AI有一定的民主化要求，即不应该只掌握在企业高管手里，而是让员工都能够轻松访问到相关数据，并加以利用来完成工作目标。所以人才的培养，更重要的是增强高管的数字化意识、智能化意识。AI的导入不仅是技术层面创新，更是企业的业务流程的深刻重塑，甚至是企业商业模式的改造过程，所以人的因素很重要。

记者：在各种人工智能技术的加持下，您如何看待物流供应链的未来？

彭俊松：可以说，AI正在定义物流供应链的未来。在AI技术的加持下，物流供应链不再是支撑角色，而是被赋予“神经中枢”的能力，成为前沿竞争力。

前面已经提到，物流供应链连接着行业上中下游，天生便具有连接上下游、数据采集、联动决策层和执行层的神经中枢的地位，通过物流供应链的优化调度，可以避免大量的行业不确定性。以往的数据流通是间断式的，数据的处理不是实时的，智慧能力也有限；通过包括生成式AI技术在内的各项AI技术，物流供应链的能力将进一步增强：

首先能做实时数据处理，形成情景意识，也就是根据变化实时调整，这实际上是神经中枢才具备的能力；第二，能够极大增强决策能力，不仅提供结果，同时还提供原因，以提高决策的可信度；第三，提高物流装备的智能化能力，未来物流设备之间也可以通过类似于自然语言的交互方式来形成一种更加紧密的结合体，既实现机器设备的协同，又大大提高其效率和能力；第四，随着AI的不断应用，必然会推动上下游数据的连接，打通以往的数据孤岛，推动行业生态的建立。

值得一提的是，当物流供应链具备行业神经中枢的能力之后，可能会导致一些部门的消亡，物流行业的形态有可能会随之发生改变，带来新一轮的边界调整和整个产业的新一轮变革，未来想象空间巨大。

来源：物流技术与应用杂志