摘要：供应链与物流在制造业数智化转型升级中起到非常重要的作用。本文从分析制造供应链变革的原因入手，详细阐述了“智造”供应链的三个关键变革与创新——数据驱动、灵活的网络布局以及价值重塑，深度剖析了“智造”供应链创新与变革过程中的三大挑战与三个破局路径，最后指出智造供应

供应链与物流在制造业数智化转型升级中起到非常重要的作用。本文从分析制造供应链变革的原因入手，详细阐述了“智造”供应链的三个关键变革与创新——数据驱动、灵活的网络布局以及价值重塑，深度剖析了“智造”供应链创新与变革过程中的三大挑战与三个破局路径，最后指出智造供应链将向更加柔性、智能、系统的方向演进。

2015年5月《中国制造2025》出台。十年来，中国制造业实力大幅提升，制造业供应链物流也发生了巨大变革，这篇文章正是对十年历程与成果的总结。

如今，在商业环境浪潮的起伏中，在智能制造迭代升级的狂飙中，智造供应链正以智慧引擎重构全球工业血脉，用韧性长城抵御多变时代飓风。这场关乎生死存亡的进化之战，既要用模型与算法穿透链路迷雾，更需以人性和温度融化技术坚冰。未来已来，每个组织和个人都在经历破茧成蝶的阵痛与涅槃重生的荣光。

制造供应链的变革路径概述

制造供应链经历了大批量生产到精益生产,到大规模定制、快速生产交付的转变过程，这个过程是因应制造企业的商务环境的变化，倒逼供应链主体行为不断迭代升级。

在大批量制造的年代，产品是市场需要的稀缺资源，生产强调规模效应，供应链主要围绕满足批量制造的效率要求；而精益生产时期，稀缺资源是客户（顾客），强调质量管理和降低“七大浪费”，制造供应链相适应地强调精益物流、精益供应链，降低物流成本、提高供应链效率，同时信息技术开始越来越现代化、智能化、网络化，“智造”供应链更加强调整个供应链的提质增效，满足交付体验，获得客户价值；随着数字技术和人工智能（AI）技术的不断发展并赋能给制造供应链，此时的稀缺资源主要是链路，也就是信息“网路”、决策思路及实体物流的通路。

由于制造供应链随着各项技术的推动和发展，其边界越来越宽广、链接越来越精深，表现为从单点物流到企业供应链、区域供应链、产业链供应链，甚至全球供应链。于是人们对于制造供应链寄予的期望越来越高，越来越广，越来越深，与之相关的场景设计、优化与物流技术应用也在同步迭代升级。

“智造”供应链的关键变革与创新

制造供应链发展到今天，市场要素成为了供应链的拉动和主导的动力，制造企业必须在数据的驱动下，进行消费者行为和需求分析，精确定义产品和市场交付需求，进行供应链资源调度和运作。这些庞大的数据和信息，单靠人工完成是不可想象的，而是需要供应链系统智能化升级，通过人工智能进行前瞻性的认知分析、指标分析、算法优化，实现供应链体系自主控制。为此，企业需要根据自己的核心竞争力，融入到“智造”供应链环境中，根据供应协议，调动相关资源，完成产品和服务的提供，获得客户价值。

智能制造的供应链包含更多的市场、技术和服务因素，并且已经开始具备信息化、数字化、网络化、集成化、智能化、柔性化、敏捷化和可视化等技术特性。在系统运作上，主要表现为数据驱动、灵活的网络布局以及价值重塑三个方面的重要变革和创新。

1.数据驱动实现供应链的提质增效

“智造”供应链通过数据驱动，实现从“经验决策”到“算法治理”，尽量摆脱人为因素的影响，以保证供应链体系的精确性和稳定性、可控性。

在标杆企业（汽车、家电、电子等行业）智能制造供应链中，通过大数据预测和智能算法模型，结合趋势分析和动态实时需求感知、预测和优化市场，主动了解和掌握需求；基于引导产品价值和承诺有竞争力的订单响应周期支持，通过SIOP（销售与运营计划）系统，从长周期全局的战略视角洞察产销平衡，又具备短周期灵活应对产销波动的能力；同时，结合工业互联网实时优化设备及产线的实际能力，APS（高级排程系统）对不同优先级（分类）的订单进行智能排产，推动AI赋能结合不同场景分布式计算优化；基于制造供应链大数据部署预测、库存、计划等的实时监控，以预警和调节智能供应链过程差异，应对不确定性。

（1）通过数据驱动提高预测的准确度，做好全价值链的需求管理

智造供应链通过采集历史销量、市场需求、订单等分析数据，利用统计模型以及机器学习方法，准确预测市场需求，并给生产计划决策提供数据支撑，降低积压和脱销风险。

在智能制造的供应链系统，可以通过跨企业智能预测和供应链资源规划流程，通过物联网将所有协同对象都链接起来，以对需求信息进行准确及时传递。并且可以由供应链的任何一个环节主动进行预测和协调，带动所有环节资源的实时响应。除了预测以外，销售速度、现场客户体验满意度、库存水平及补货需求等数据信息也可以通过大数据在整个企业与客户之间进行交流及传递，减少了信息孤岛的影响，有效地减少了库存成本、效率损失及运营风险。

在实际商业环境下，智能制造的供应链过程中难免会被各种变量影响，这对需求预测计划的正常执行会有一定的影响。这就对需求管理提出更高的需求，需要在预测尽可能少的误差的前提下，兼顾预测的幅差，设置合理的应急模式和自我修正调整模式（预测的公差阈值）。根据产品的形态、工艺流程、客户需求、交货结算模式不同，反应缓冲保护区的阈值设置也会不同。

华为需求分析团队运用专业模型和工具，对需求进行快速准确的分析、分类和排序，使需求能够及时合理地分配到相应的组织和流程中处理，减少了需求处理的时间和成本。比如，在合同处理智能化方面，千万级合同处理实现智能化，5万多条商务风险可智能提示，优化内部运营效率的同时，快速应对风险。通过工程作业智能辅助，实现100多万个站点勘测与交付的智能辅助，600多万人次EHS和作业的远程智能管理，5000多万安装项的智能审核验收。

（2）从供应商评估、选择，到协同作业，通过数据驱动实现供方能力提升

智能制造供应链需要实现整个流程贯通，为此首先需要梳理供应商基础信息数据库，以建立供应商数据共享机制，比如供应商生产计划、库存信息、供应商采购单等，实现按需提供原材料，提高供应链响应速度、合作程度。

由于运营策略遵从于供应链价值导向，KPI指标也是基于整个供应链战略绩效协同分解，由此保证了所有的参数及指标的一致性，从而将计划—执行—信息—物流全流程打通，实现端到端横向及纵向的管控与协同。同时，针对订单及物料（产品）的个性化要求，优化资源再分配。

从运作层面而言，通过数据驱动形成联动，以供应链的交付计划为抓手，结合成品的物流计划，形成总体生产计划，并细分成具体的作业计划，促进供应物流计划、物流配套计划、产线工位配送计划等。同时，在各个环节、各个模块之间的协同运作过程中，不可避免会存在执行偏差、数据偏差等问题，因此智能系统进行自主调整，有目的主动降低运行中的偏差，以提升计划、信息、执行的一致性。

在现实的供应链运行过程中，通常需要评估供应商的交付能力，要求所有的供应商、分包商和物流服务提供者进行数据对接。数据传输的频率和计划时间段必须符合供应链协同平台的整体管理需求，同时满足采购零件和物料的提前期要求。

例如，美的牵头打造产业链协同平台，联接上下游7500多个合作伙伴。平台采集供方信息形成供方池，助力打造供应网络；共享研发数据，形成良好的研产衔接；协同制定销售预测，支撑供方备产备料等。通过数据共享和开放服务，强化供应链跨职能协作能力，提升产业链效率与柔性。以厨热事业部为例，通过“品质云系统”，打通供应商端、美的端的品质信息，实现供方月均出货检验报告数减少2226份，来料检验效率提升46%。在采购寻源方面，美的全球供应商云平台有超19万家供应商入驻，发布1.4万余个商机，累计报名2.2万余次、报价4.4万余次，入驻企业能迅速找到对接商机，提高了寻源效率。家电产业链协同平台接入工业设备400万台，服务近60万家企业，帮助供应链相关企业的研发设计效率提升40%，生产效率提升38%，库存积压降低5%。通过数据治理，美的数据质量得到显著提升，为全产业链协同平台的运营提供了基础数据条件，进而提升了产业链效率与柔性。

（3）数据驱动助力智能物流保障智能制造，实现有效交付

智能制造须以智能物流为基础和前提。在规划和建设过程中，越来越多的智能制造工厂将智能制造设备融入数据驱动的智能物流系统，成为流线型物流系统中数据链的关键组成部分。这种模式表现为N+1模式（N表示物流环节，1表示制造环节），通过“融合”手段实现无缝连接和协同运作。

从入厂物流开始，供应商产品（按照驱动指令）准时送货到买方过程，进入制造物流阶段，厂区内的智能物流系统确保工位物流配送精益、高效化，包括智能立体仓库、智能WMS/WCS、与智能制造设备互联的智能配送到工位、条码/RFID辨认数据、配合机器人智能化单元化包装、自动装配技术、双箱制、空容器回收、成品包装下线及制造过程中的数据化追踪；在成品阶段，智能物流确保成品的出货（包括下线直发），包括成品进入智能化仓库、智能装车算法、高速自动装柜、智能成品出货、发货计划协调、分仓流通、经销商智能仓库、全过程导航追踪；回收阶段的智能物流，包括包装材料、容器及不良品智能循环及智能追踪过程。全过程可以实现智能化的物料单元（物料的声音，Voice of Material，简称VOM）驱动整个制造物流系统。

智能物流系统包括运输、仓储、装卸搬运、包装、流通加工、配送以及物流信息管理七大功能模块的智能化升级。从信息驱动到通讯，再到控制，再到智能物流设备动态管理，实时提供更加智能的VOM控制解决方案。通过系统仿真，针对每个订单、每个物料、每个工位验证生产和物流的工艺流程，从虚拟连接现实世界。

就实际应用而言，智能工厂通过订单（VOM）驱动模式进行生产活动，主要根据客户化需求进行生产，单个订单最少可能只生产1～2个品种，但是整个工厂产品的品种却多达数千种乃至数万种，需要运用精益化和柔性化的生产，并且匹配模块化物流系统作为保障，以支持生产计划和物流作业计划的有效性，支持智能制造，同时保证产品零出错率。

例如，顾家家居在其位于湖北省的华中核心生产基地，采用智能物流解决方案后，物流效率提高26%；通过智能仓储管理系统，实现了从入库、存储到出库的全流程自动化操作，可承诺交付周期缩短33%，部分产品可实现7天总部闪电发货，全通路库存的周转率提升40%；以机器人替代人工完成物料拣选及转运工作，大幅减少车辆混行及人力成本投入，流水线生产人均每小时产出提升30%以上，从规划、建设到运营年平均综合成本降低近亿元；同时，减少了人工驾驶叉车取放货的安全隐患，搬运过程更加安全；仓储数字化管理水平大幅提升，智能仓储管理系统让仓储信息数字化、可视化，可快速导出仓库数据，方便业务盘点和统计。通过快速的物流配送和高效的仓储管理，整体交付效率提升了40%，客户需求满足率提升56%。如图1所示。

图1 顾家家居智能工厂物流系统

2.弹性网络布局推动智造供应链从“刚性生产”到“柔性响应”

（1）传统刚性生产存在诸多弊端

“刚性生产”是指一种相对固定、缺乏弹性的生产方式，其目的是通过批量制造提高效率、降低成本，前提是供需稳定。在复杂的多变的市场环境中，刚性生产有许多弊端，比如遇到市场需求的波动，刚性生产很难迅速调整生产规模。布局模式相对固定，生产线设备和工艺流程相对稳定，一旦要改变产品，尤其是新产品或升级换代，就需要投入大量时间、资金来改造生产线，这使得企业团队存在“路径依赖”的惰性，而面对快速变化的市场需求和技术创新，推出新产品又比较滞后，容易错失市场先机。由于生产计划相对固定，所以刚性生产就很难按实际需求来同步精准配置资源。

从保证生产效率的角度来讲，看似生产单一品种的刚性生产线生产效率“高”，但其实因为其工艺流程和节拍固定，很难根据生产的实际情况进行灵活调整，一旦某个环节出了问题，极有可能使整个生产停线，影响生产效率，同时员工在这种固定的生产作业流程中工作，对自身缺乏自主性和创造性，不利于生产效率的提高。

由于缺乏柔性和定制化能力，产品同质化严重，难以满足消费者日益多样化、个性化的需求。定制化生产需要对生产流程、设备和工艺进行灵活调整，而刚性生产的固定性使其在应对定制化订单时，成本高、周期长，甚至无法实现。越来越不具备柔性和服务的体验感，不是以客户服务为中心，在市场竞争中，产品缺乏差异化优势，容易陷入价格竞争的“内卷”的困局。

（2）柔性制造与柔性响应，重新解构了智造供应链

柔性制造具有很强的应变性和可操作性，可以迅速满足市场的需求变化，实现多品种、小批量生产。它是当前条件下生产系统可以迅速、有效应对市场环境需求和激烈竞争的先进制造模式，主要体现在以市场为导向进行弹性生产的方式。

柔性制造系统集精益生产、并行工程、敏捷制造、智能制造的生产模式的精华于一身。现代灵活制造系统可能包含上述某一或多种生产模式，而构成灵活智能制造系统的系统工程，以适应工厂的小批量、多品种、多流程、多形态、多单元的快速、协同生产。面对市场个性化、数字化、智能化的严峻挑战，柔性生产系统更需要虚拟制造和订单仿真及预警功能，即利用仿真、建模和虚拟现实等技术，提供三维可视环境，对产品从设计、研发到生产制造全程的仿真，实现在产品真正进入生产流程之前准确地预测其可制造性、可流转性，实现弹性生产、缩短交付周期。

实现柔性生产的重中之重，就是要构建一套足以支持柔性生产要求的柔性供应链物流系统，该系统具有广泛的适用性，需要满足生产需求的柔性和供应链物流系统自身柔性两个方面的要求。满足生产需求柔性，包括产品多样化、淡旺季需求波动、交付周期波动、业务场景多样性等方面；满足供应链物流系统自身柔性，包括物流系统可扩展性、物流能力柔性、可迁移性、多场景适用性等方面。

在实践层面上，离散式制造系统通过灵活的加工方法，更好地适应原材料供给的波动，适应不断变化的市场需求，有效应对临时出现的突发事件等种种内外部风险，维持生产运作的持续和稳定，提高企业抗风险能力。同时可以根据生产产品的要求，快速优化生产工艺流程、生产加工设备匹配、作业参数等因素，在同一生产线生产不同规格和型号的产品。通过AI技术自动操作和控制生产线生产过程中的原材料供应、加工制造、产品包装、运输、质量检验等环节，提高生产效率及产品质量的稳定性，避免生产加工过程中不必要的时间、库存、费用的浪费，避免人为因素带来的错误，有利于企业推动“高质量发展”。

特斯拉上海超级工厂通过“以销定产+模块化产线”实现订单交付周期压缩至2周，供应链中断风险下降60%。当客户下单后，订单信息实时传递到生产系统，生产计划部门可以立即根据订单优先级和生产能力进行排产，避免了传统生产模式下先生产再销售所带来的库存等待时间，直接进入生产流程，加快了订单处理速度。例如，可以在35秒内生产出一辆Model Y。

特斯拉上海超级工厂采用底盘、车身等模块化设计，不同车型可以共享部分模块。在生产过程中，只需根据订单需求对特定模块进行组装和配置，就能够快速切换生产不同车型或配置的车辆。例如，通过将Model Y的压铸一体式底盘与Cybertruck的梯形框架结构分解为47个标准接口模块，配合激光导航AGV集群自动重组底盘托盘，可在28秒内完成Model Y转产Cybertruck。

（3）弹性网络布局是供应链大势所趋

弹性网络布局是一种在空间规划、资源配置、应对变化等方面具有灵活性和适应性的布局方式。它强调通过构建具有弹性的网络结构，使系统能够快速响应各种内外部变化和不确定性，以保持稳定的性能和功能。

智造供应链中资源的有效配置至关重要。弹性网络布局可以根据不同地区的资源优势、成本因素和市场需求，合理分配生产、仓储和物流资源，提高资源利用效率，降低运营成本。

同时，智造供应链面临着诸多不确定性，如原材料供应中断、市场需求波动、地缘政治（如战争、关税壁垒）、自然灾害等。弹性网络布局通过建立多个供应源、灵活的生产设施布局和多元化的物流配送渠道，使供应链在面对这些风险时能够更迅速地调整，确保生产和供应的连续性。当市场需求发生变化时，企业可以利用网络中的冗余资源或灵活的生产能力，快速调整生产计划，缩短产品的生产和交付周期，实现对市场的快速响应，满足客户的个性化需求。

面对竞争激烈的市场环境，具有弹性的智造供应链能够使企业在面对各种挑战时保持优势。企业能够更快地推出新产品、适应市场变化，从而在市场竞争中脱颖而出，赢得更多的市场份额。

联想集团在全球11个国家拥有约30家生产制造基地，通过全球供应链的弹性网络布局提升运营效率、增强抗风险能力、拓展市场机会、提升企业竞争力、推动生态共赢，在Gartner全球供应链25强榜单中位列第10，提升了企业在行业内的声誉和地位。联想集团通过“全球资源+本地交付”模式，整合全球优势资源，贴近本地市场，实现高效交付；利用大数据、人工智能等技术打造的智能控制塔技术，将决策效率提升30%，工作流程周期缩短50%；与2000多家供应商建立良好合作，其中400多家建立数字化平台，实现高效协同。

3.价值重构：从“成本中心”到“利润引擎”

面对外部商业环境的不断变化，领先的企业通常会对智造供应链的各个环节进行重新审视和优化，从顶层设计开始，提出一系列策略和措施，改变供应链的运作模式和价值创造方式，以提升供应链的整体价值和竞争力。包含不限于：优化需求规划与成本控制、精准需求预测、优化库存管理、成本精细化管理、定制化服务提高产品附加值、提高供应链透明度、强化售后服务、拓展增值服务和循环经济服务，以及加强供应链协同等方式。

（1）优化价值流程

对从原材料采购、生产制造到产品交付的全过程进行分析，去除非增值环节，如简化不必要的生产流程，减少库存积压等，同时强化增值环节，如提升产品研发和设计能力，从而提高供应链的效率和效益。

比如小米汽车通过“泰坦合金工程”在SU7的制造过程中大大简化了传统企业中通常涉及的多个生产步骤。相当于简化了72个加工工序、144个上下料点、73搬运区间，由此减少了断点、制造空间、WIP、库存区域、搬运载体、搬运设施、通道空间、管理人员等的时间、效率、质量和成本的损失。

（2）提升产品服务价值

不仅关注产品本身的质量和功能，还注重提供围绕产品的增值服务，如产品定制化、售后服务、产品全生命周期管理等，以满足客户多样化、个性化的需求，提高客户满意度和忠诚度，进而提升产品的整体价值。

美的集团2015年开始推动基于CDOC和VOC建设的OR流程，通过用户访谈、入户调查等步骤，收集用户需求并贯穿于产品开发过程，创造性地满足用户个性化需求。例如美的空调针对市场需求注重技术落地，推出全直流变频空调、无风感空调、高温杀菌自清洁空调等产品。由市场、研发、制造、服务、采购等人员组成跨部门团队，基于爆品思想的特色设计研发，运用CDOC方法论，实现产研协同，使产品开发更贴合客户需求，提高产品的可服务性等。

通过集成供应链平台（ISC）支撑全球计划与订单一体化运营，推动海外供应链工作流程合规可控，实现供方品质协同。同时，推进“黑灯工厂”建设，实现多家海外工厂总装排产在线化，提升散装件（KD件）一键下单比例，加强产研协同，通过工艺数智化平台赋能，缩短工艺路线生成周期，提升转产效率。

与供应商、客户、合作伙伴等创新合作模式，建立新型的合作关系，通过协同创新、资源共享、风险共担等方式，打破传统的线性供应链模式，形成更具弹性和竞争力的价值网络，共同创造更大的价值。例如，制造商与供应商共同研发新材料或新工艺，提高产品性能和质量，降低成本。

（3）调整产业布局

根据市场需求、资源分布、政策环境等因素，对智造供应链的产业布局进行优化调整。例如，将生产基地向低成本地区转移，或在靠近市场的地区建立本地化生产设施，以降低生产成本、缩短交货期，提高供应链的适应性和竞争力。

比亚迪自2022年3月起停止燃油汽车的整车生产，将产业重心放到纯电动和插电混动汽车业务上，顺应全球新能源汽车发展趋势。通过与供应链伙伴推动技术研发与协同创新、不断完善品牌矩阵、全球化扩张，同时构建全球化供应链、强化成本控制，推动产业链优化。比亚迪加速海外产能布局，在乌兹别克斯坦、泰国、匈牙利、巴西等地建成12座海外工厂，在泰国罗勇府的工厂带动50余家配套企业落户，在匈牙利计划建设500座光伏充电站，随着墨西哥、印尼工厂的建设，将进一步拓展北美和澳洲市场。

依托垂直整合模式，比亚迪从刀片电池到IGBT芯片等绝大部分零部件自研自产，降低制造成本，通过规模效应摊薄研发费用。优化供应链管理，应付账款周转天数缩短至127天，提升资金使用效率。

（4）技术赋能与协同合作

运用人工智能优化物流路线和装载计划，利用物联网实时了解供应链状态，通过自动化提高仓库吞吐量，提高效率和服务水平。

图2 小天鹅荆州洗衣机工厂全连接物流系统

小天鹅荆州洗衣机工厂围绕家电行业面临的挑战，开展智能工厂全连接物流及精细化管理关键技术攻关（项目）。针对家电行业供应链与物流特有的多品种、小批量、定制化订单快速响应需求，研究了复杂产线与异构物流一体化技术，构建半成品加工产线与物流的一体化，以及组装、检测、包装一体化系统，采用多主体、多层级全连接智能物流系统的数据同步技术，实物流连通，信息流突破，消除生产环节“断点”，实现物流系统对7.5s生产节拍快速响应。开发供应商品质管控平台，研究在线品质管理技术，突破智能排程与供应商协同难点，实现300多家核心供应商来料品质管控与齐套管理。攻克了多线体齐套排产技术难题，建立高效7.5s生产节拍独有产品直发体系，形成了多线体高质量产品快速交付的创新与示范性应用，下线直发率提升至60%，产出效率提升100%。该项目创下多项行业内记录，获得2024年度机械工业科学技术奖“科技进步奖”一等奖。如图2所示。

智造供应链创新与变革过程中的挑战

1.从单点突破到系统重构的深层矛盾

单点突破往往聚焦于供应链中的某个环节或局部流程，通过改进特定的技术、设备或操作方法来提高效率、降低成本。这通常能在短期内看到明显的效果，如降低了某个环节的成本、提高了某个产品的质量等，能够快速满足企业当前的业绩考核和市场竞争需求。然而，这种局部优化可能无法与其他环节有效协同，（盲人摸象的“贪小便宜”的方式）甚至会对整体供应链产生负面影响。例如，生产环节（尤其是制造企业内部的钣金、注塑、电子、部装、电机等自制件）通过提高生产速度实现了产量提升，但可能导致库存滞留，增加了库存成本和物流压力，由于难以实现作业齐套或者订单齐套，致使整体供应链的效率并未得到有效提高。

系统重构强调自始至终的整体优化，强调从整体着眼，审视整个供应链各环节，打破部门、环节壁垒，对流程、信息、资源等进行重塑和再造。但会引发部分局部环节的调整与改变，从而产生与原有的单点突破形成的优势或固定模式的冲突。同时企业需要消耗大量的时间、资金、人力，在实施过程中会经历投入成本增加、产出效率下降等阶段，（未建立供应链战略及愿景的企业或环节部门，容易陷入“急功近利”的模式）短期内无显著经济效益，但从长远来看利于企业核心竞争力和可持续发展能力的提升，实现供应链整体优化升级。

智造供应链迭代升级至今，其本质并未有所变化（还是协同、交付与服务），但是其竞争的范式和逻辑变了，已经不是传统意义上的“现存的”、“固定的”供应链模式，而是不定的模式，是因应消费者要求而实时促进各类供应链资源组合来定义的，所以供应链不是“一条对一条的竞争”，而是随机性、碎片化、个性化，从单点突破到系统重构的模式占据了主导，而且这种从打碎、解构到重新组合的过程，充满了变数和不可预知性，加之地缘政治、灾难危害等外在因素的不可控干扰，强化了其创新与变革的挑战。

同时，众多消费者的个性化需求组合成为市场要求，掌握了市场要求的企业，将获得先发优势，从而定义了客户所需要的产品、服务或者品牌，形成生态圈的影响力，从而拉动企业对于满足市场要求的智能供应链资源计划与协调能力。这种拉动并不是固定不变的，而是动态结合的，是需要因应市场要求做的柔性化规划和虚拟仿真后形成的，而这种规划与设计的前提是对于市场的先期预见能力，这种预见能力来源于互联网和物联网的大数据收集、分析与挖掘，从而成为企业定义“何处去”的战略导向能力。

这种不可预知性的“拉动”，使得（智造供应链）如何实现早期掌握市场要求和节奏，变得尤为重要。重构后的供应链关注要点可能不再是库存和计划，而是预测和热销产品（爆款）的定义，以及消费者行为分析与数据挖掘。

在传统智能制造供应链中，技术创新仍是主要手段，企业通过对新生产技术、物流技术等的引入，提高供应链的效率，增加竞争力。系统性重构供应链不仅需要技术创新，对管理观念、管理模式、管理方法等方面也需要重构。而企业管理思维、模式等随着企业发展有较强的惯性和路径依赖，短时间内难以适应系统性重构对管理变革的需求，从而出现技术创新跟不上管理创新的状况，使得供应链系统性重构的效果打折扣。

未来的竞争，不是正面竞争，而是跨界模式、“聚核”模式（集中多种核心能力）的竞争，竞争对手不可见、创新型产品和服务不断迭代升级、产品生命周期越来越短、供应链技术不断升级。

如果不“未雨绸缪”，制造企业供应链很可能面临“未来已来，过去未去”的窘境。

2.场景设计、技术创新与落地之间的距离较大

（1）智能制造物流场景设计并不完善，影响技术创新

前期规划设计不当，导致不同系统集成度低，设备接口不畅。部分企业对于物流作业场景（系统性）认知不足，对物流IE、工位物流、智能包装单元、物流齐套率和齐套计划、下线直发（比率）、物流流量计算等直接忽略，“主观臆断”直接采购不同品牌、不同时期的物流设备，采用“分包”、“低价中标”方式，导致物流设备之间作业逻辑、通信协议和接口标准不一致，导致物料在运输、仓储、分拣等环节转换时容易出现卡顿，降低物流效率。同时也造成了生产管理系统、仓储管理系统、物流配送系统各自为政，数据不能实时交互、协同的问题，极易导致信息孤岛和影响生产整体决策调度。由于缺乏场景设计，对于部分依然需要人工介入的物流环节，如货物的分拣、码放等，也未提出（人工）与自动化系统对接界面与标准，直接造成综合效率低下和物流系统作业的稳定性问题。实际运行中虽有数据分析和预测技术，但对于复杂的物流场景，如多订单同时处理、插入紧急订单等情况很难实现快速做出最优决策。

由于前期方案决策时，主要是单维度决策（考虑因素过少），导致系统“过于标准化”，柔性化程度不够，难以适应产品多样性。当产品种类和规格发生变化时，物流系统的调整（升级）成本高、周期长，无法快速适应不同产品的生产物流需求。同时，应对突发情况能力弱，面对如设备故障、订单突然增加等突发情况，缺乏灵活的应对机制，容易导致物流中断或延误。

比如在冰箱制造企业中，门体与总装线工位物流的配合，一直是零部件物流的痛点和难点，采用积放链技术后，大大简化了人工作业，提高了效率和精准度，缩减了空间的浪费，如图3所示。

图3 某冰箱企业的门体积放链系统

（2）技术跃迁与成本压力的平衡难题

技术跃迁短期会使成本大幅增加，但效益需一定时间才能显现，企业会因为财务压力较大而对企业技术改造的积极性有所动摇。智能制造依赖于5G、AI、物联网、智能物流等先进技术，因而升级的技术成本高。例如建自动仓库（AS/RS）就需要几百万乃至几千万元的资金投入，通常中小企业很难承担这么大的资金压力。另外，政府虽然通过“智能制造专项”等方式提供部分资金支持，但企业一般也需要自己出资来承担改造成本的70%以上。且技术迭代周期较短（例如AGV的导航精度已由原来的厘米级发展到现在的毫米级），这就要求企业要不断跟进以达到相应的提升，从而承受长期的财务压力。

企业自主研发新技术或与科研机构合作，都需持续投入资金支持研发工作，承担研发失败风险。物流系统运行中，要保证技术系统稳定可靠，需投入资金用于维护、升级，应对技术漏洞、安全威胁和性能优化。

此外，懂先进供应链、物流技术和管理的复合型人才稀缺，企业需高薪聘请，增加人力成本。

（3）数据孤岛、AI赋能与系统集成的复杂性

数据孤岛源于系统异构。智造供应链的各个环节存在众多的信息系统，如MES、SRM、WMS等，不同厂家开发系统数据格式、数据存储、通信协议不一致，导致不同系统间的数据无法打通，形成数据孤岛；同时也存在企业内部各部门为了满足自身需求，对于各自收集的数据自建数据库，没有统一的数据库管理和共享机制，如销售关注客户订单数据，生产关注生产进度数据与产品质量数据，生产制造过程的仓储、运输、生产等环节的数据在不同系统形成数据割裂，产生孤岛。例如某汽车零部件工厂集成后的WMS仍需将数据手工导入ERP，效率提升率不超过20%。智能制造要求将不同环节、不同阶段、不同系统之间的数据打通，但由于智能制造的平台，不同厂商的设备PLC、SCADA接口不兼容等原因导致设备互联的困难，不同系统的集成费用可高达项目投资总额30%～40%。部分企业由于系统集成的失败，不得不放弃智能化改造。

很多企业导入AI赋能智造供应链系统，但是，一直以来，人们以为AI赋能智造供应链就是RPA采集数据、数据ETL、应用数理统计/ML/DL预测后续走势，然后根据走势决策，这本质上是相关性分析（以历史推断未来）而已。由于对AI的认知不够，AI与数字化之间的交互处理不合理，导致“用AI的方式，补数字化的课”。一方面，AI模型需要大量高质量的数据进行训练才能准确预测。但在制造供应链中，数据可能存在不完整、不准确、不一致等问题，影响AI模型的预测性能。另一方面，制造供应链的业务场景多样，不同环节对AI的需求和应用方式不同，需要构建可以表征因果路径的机理模型，从而推动AI决策，而不仅仅是相关性分析。例如，在需求预测中，影响参数需要考虑市场趋势、季节因素等；在库存管理中，要结合生产计划、采购周期等。这就要求AI技术能够针对不同场景进行定制化开发，增加了AI赋能的复杂性。另外，AI技术与智造供应链中的其他技术，如物联网、大数据等需要深度融合才能发挥更大作用。但这些技术在发展阶段、技术标准等方面存在差异，融合过程中会遇到技术兼容性、数据交互等问题。

在实践中，支撑AI的四大要素是：数据、算力、模型和算法。数据来源与逻辑梳理主要基于统计学习、机器学习（ML/DL）、机理建模（系统动力学）三个层级多维度展开，在数据梳理的时候，强调“数据不足模型补，模型不精大数据补”，模型和大数据双驱动。如图4所示。

图4 AI智能赋能智造供应链逻辑

模型（比如BASS扩散模型）的稳定性不仅依赖方程本身的适定性，更需与供应链实时数据、运营规则深度耦合。而且，AI赋能的智造供应链模型需具备“动态进化”能力——数据不足时，用供应链经验规则补足；数据冗余时，用机器学习“降噪”提炼。所有参数的模型理论上都可以参数自学习（动态验证和自我进化），但是在一个从历史数据中训练得到的固定模型中，再怎么进化也跑不出模型的机理限制、数据限制。所以，企业供应链计划应机理建模为先，然后机器学习，最后统计方法补充，这是AI赋能智造供应链和其他领域的本质区别。传统供应链优化通常是机器学习和统计方法优先，没有足够的懂供应链原理的专家知识来机理建模。

所以，AI赋能的智造供应链会从解决问题转向定义问题。在这个新阶段，Evaluation（模型评估）会比Training（模型训练）更重要，这对人们“学习能力”提出挑战。

除了系统集成的“结构性风险”之外，系统集成后会有诸如数据泄露、网络攻击等更大程度上的安全风险。由于系统本身复杂性增加，一旦某一个环节发生故障，将可能波及整个供应链系统，这对供应链的可靠性保证提出了更高的要求，故系统集成的难度以及复杂程度会加大。

3.智造供应链人才断层与组织适配的双重瓶颈

在当今快速变化的市场环境中，由技术变革、产业结构调整与组织惯性之间的冲突所引发的双重压力，致使制造供应链面临人才断层的结构性矛盾与组织适配不足的系统性障碍。数字化转型（包括AI赋能）对具备跨领域知识背景（涵盖智能制造供应链、工业物联网、大数据、供应链机理模型构建、机器学习、模型逻辑分析等）的供应链工程技术专家需求极为迫切。这类专业人才需要承担供应链系统与平台的研究与构建、风险防控，以及供应链相关模型、技术、工具、方法的研究、设计与开发任务。他们不仅要研判经济形势对供应链发展的影响，还需制定供应链体系的长期规划与战略布局，识别并满足供应链体系构建、优化与再造的需求，并持续完善供应链的网络化、数字化及智能平台模型，开发相应技术和工具及实施规范，最终形成供应链工程项目的整体方案与实施计划。

然而，当前企业在此类高端人才的引进与培养方面均面临严峻挑战：外部挖掘需投入大量资源，内部培养则需2～3年才能见效；传统教育体系主要针对机械工程、物流管理等单一学科，导致技能供需错配与代际传承断层。制造业平均薪酬普遍低于互联网行业约28%，传统工作环境与Z世代对弹性与多样化的期望相冲突，致使多达92%的工程专业毕业生将制造业列为末位择业选项。

与此同时，传统管理与组织模式难以有效支撑智能供应链的发展需求：科层制与敏捷化的冲突、信息系统“分仓”造成的数据孤岛以及文化与考核机制的滞后，均削弱了供应链的柔性与协同效率。各部门在产品个性化与生命周期缩短的背景下各自为战，难以形成体系化的供应链模式，导致流程冗长、库存积压、成本高企、风险增大。部分企业依旧沿用“经验驱动”，从而忽视数字化与算法工具的应用价值，造成系统闲置率高、资源浪费严重。上述结构性与组织性障碍的叠加，不仅增加企业创新试错成本，还削弱了供应链在全球化竞争中的优势，显著降低企业的核心竞争力与盈利能力。

破局路径

如上所述，当前困境的本质是工业文明向数字文明跃迁中的阵痛。突破瓶颈需要构建顶层设计、技术应用、人才发展、组织变革的多维度螺旋创新体系。跳出简单的“头痛医头、脚痛医脚”的单点思维，避免“跟风”模式，避免盲目引进技术，避开单纯的人才引进（或减员）或组织调整思维。这既是挑战，更是制造供应链转型的历史机遇。

1.重新梳理制造供应链的发展策略与达成路径

既然商业环境、技术支撑以及客户需求模式有所变化，那么，不妨在发展的同时，重新思考“未来供应链”所需要的策略和路径，以优化简化发展模式。

企业需要站在“智造供应链未来发展与竞争的范式”的角度思考现在。供应链战略关注的不是公司当前的供应链状况，而是公司未来期望达到的状态。“所有过往，皆为序章”，需要承前启后地探索一套最优的路径，推动企业业务顺势介入、强力发展。

智造供应链的愿景和策略既有利于协调企业供应链从单点突破到系统重构的深层矛盾，应用基于模型的系统工程（MBSE）来规划、构建和达成相关子项目。通过“以终为始”的逻辑来梳理和牵引制造供应链迭代升级，避免“路径依赖”循环论证和不同经验带来的认知差异矛盾，又有利于通过供应链战略绩效倒逼不同部门KPI（局部利益与整体利益）的一致性，避免不同部门、环节、人员做“布朗运动”，从而保证供应链组织的“向心力”和作业同频，更有利于让决策团队，依据供应链策略达成需求，来选择相关的供应链、物流技术，减少无谓的认证、辩论、内卷与犹豫，提高决策有效性和效率。MBSE逻辑如图5所示。

图5 智造供应链的MBSE模型

2.提高技术认知、规划与协同应用能力

“最好的技术”来源于最佳的实践案例。单纯的讨论某一种技术的优劣是没有价值的，企业只有进行先期的场景规划、技术协同、管理经营、模拟仿真，才能够论证该技术的有效性和投资收益。规划与技术应用的终极目标是为了有效运营。

一般而言，制造供应链、物流技术的应用，首先是要解决下线直发所拉动的供应链资源调度与实物到货（到岗），由此涉及到主生产计划（ERP）、详细的排产计划（APS）、物流计划以及物料到货的（订单）作业齐套率，关键落点在于工位物流的实现。而工位物流不仅涉及到产线、生产设备、作业人员、机器人，还涉及到上下（道）工位（工序），以及物料的包装和上线模式，甚至要细化到作业员工、机器人（从包装容器中）的取料动作、加工（如装配）作业空间和作业方式，颇具细节的“技术要求”，正是智能制造（通常被忽略）的难点和技术选型的依据（和投资收益）所在。如果能够进行先期的场景规划、技术认证和运营协同的话，应该有利于各类技术，如机器学习、AI作业调度与智能化排程、（货到人）齐套分拣技术、多作业节点的空中物料输送技术、AGV配送等，从而支撑智能工厂供应链、物流体系的有效性和稳定性，可以更好地规避传统制造物流的痛点和断点，而不是仅仅单点的改善。如图6所示。

图6 某链条车间规划与技术应用协同

3.人才淬炼与组织协同

避免“经验模式”的供应链物流认知，要组织培训与学习，提升对智造供应链的认知水平，邀请制造供应链、物流(技术与咨询)专家进行培训，讲解制造供应链、物流新知识，包括物联网、大数据、人工智能(AI)在物流中的使用方法；鼓励员工参与行业沙龙、网上课堂，获取行业趋势、最新技术等；需要安排员工到供应链物流技术规划、建设及应用水平较高的优秀制造企业考察，学习经验，借鉴模式，查找不足，认清差距，明确方向。定期组织内部学习分享会，分享物流技术类知识内容、心得体会与优秀案例。构建知识与经验共享交流平台，实现知识共享与交流。

成立部门之间联合的供应链管理小组，负责任务协调，打破部门壁垒，齐心协力完成物流技术的应用推广。理清各部门在供应链系统重构中的权责关系，实现充分的沟通与协同，尽量杜绝多部门责任不清、相互推脱的问题。引入物流技术应用情况的监督、评价机制，及时收集相关数据并测算物流技术应用的效能水平。依据评价结果适时调整、优化物流技术的应用方式和流程，不断提升协同应用水平。

结论与展望

传统供应链的核心痛点源于工业化时代“规模优先”思维的惯性。在智能制造时代，唯有通过数据驱动、网络化协同与柔性化改造，方可重塑供应链体系。当前，在5G、AI与IoT等技术加持下，企业可望实现质效双提升；同时，在政策驱动与全球竞争的双重作用下，供应链正逐步迈向数字化、智能化与韧性化。然而，技术成本与数据安全、人才断层等因素仍构成现实瓶颈，亟待通过供应链策略协同、技术规划与认证，以及完备的人才支撑体系加以化解。基于此，未来的智造供应链将愈加柔性、智能与系统化，并在持续的技术融合与政策红利的助推下，形成“智慧联动+安全可靠”的双重竞争力优势。

正如达尔文进化论所言：“生存下来的并非最强者，而是最适应变化者”。对于企业而言，唯有在技术投入、组织变革和生态协同之间取得平衡，方能在全球竞争中占据先机，持续推动制造供应链的迭代升级与价值创造。

来源：物流技术与应用杂志