齐心集团CTO于斌平：用AI赋能供应链各环节

12月1日消息，在2023亿邦产业互联网年会上，齐心集团CTO于斌平发表了题为《AI赋能的数字供应链实践分享》的演讲。他指出，AI正在快速改变世界和商业模式，为传统供应链带来新的解决方案。同时，他倡议产业供应链领域同行们一起构建行业商品大模型，降低产业链成本。

大家好，我是齐心集团的数字化负责人于斌平。

随着AI的出现，尤其是近几年生成式AI的出现，快速地改变着整个世界和我们的生活方式，甚至是商业模式。AI具有一些非常好的解决方案，可以解决传统供应链甚至传统数字供应链无法解决的问题。今天我想借此机会与大家分享一下齐心集团在这方面的实践经验，并与大家共同讨论。

首先，请允许我介绍一下齐心集团。齐心集团成立于1991年，2009年上市，是B2B集采领域解决方案的提供商和云视频解决方案的提供商。经过创始期、拓展期、快速发展期、服务转型期等，我们现在正在经历数字化转型期，通过企业服务平台为客户提供服务。

01

产业互联网格局正在形成

今天的主题是产业互联网，我想简单分享一下消费互联网和产业互联网的对比。过去的十几年、二十年，消费互联网非常兴盛，侧重于消费者体验，只要商品便宜、体验好就可以了，但是消费互联网的市场格局已经形成。相比之下，产业互联网的格局才刚刚开始，主要涉及的主体是企业，注重的是降本增效。

我们对产业互联网的特点进行了总结，它有几个特点，包括服务实体企业、底层逻辑是供应链管理等。现在产业供应链运营有三种主要模式：第一，联盟运营，撮合交易，核心是数字化超级运营平台；第二，共享经济；第三，以自营模式为主，挖掘价值，核心是数字化供应链，齐心集团致力于在这个领域中发展。

我们理解的数字化供应链的核心有几个方面：连接、服务、数字化和数智化。简单来说，我们给供应链上所有企业提供价值，无论是服务商、生产商、品牌商、供应商还是客户。以前我们是通过产品和服务提升价值。现在通过大数据和人工智能的技术赋能，能够更好地满足他们的需求。

02

用企业数据训练AI 为数字化供应链赋能

齐心数字供应链的模型是以齐心企业服务平台为核心，连接两端：一端是供应商，包括生产商、品牌商和服务商等；另一端是客户，我们主要服务央国企和中大型企业。在供应链的需求、寻源、采购、履约、验收、结算、售后和数据等方面，我们过去主要是通过业务服务实现，现在全面转型为以智能化和数字化为主的数智化服务。我们总结这一模式为"数字驱动、AI赋能"。

我想通过这张图来展示齐心的数字供应链全景图。刚才提到的数字化转型的核心是为企业提供服务，我们有各种各样的客户，每个客户的需求都不同，每个客户使用的系统和应用数据格式也不同。那我们如何更好地服务和连接他们呢？我们是通过企业服务前台。这个服务前台是一个逻辑化的、自动适配的平台，能够满足企业和供应商的各种需求，无论是系统、数据格式还是其他要求，只需要很少的工作量就能够适配他们的需求。

举个例子，我们可以在10个工作日内，为客户提供一套非常复杂的、从合同到订单、再到履约和结算的全套服务解决方案，完成与客户的对接。另外，我们的SaaS商城可以在三天内完成企业个性化的服务商城搭建。之所以能够提供如此个性化、多样化的适配能力，是因为我们有齐心的能力中后台，包括业务中台、大数据平台和管控后台等等。

谈到AI赋能，就不能离开大数据。齐心的大数据平台和通常所说的大数据平台有什么不一样呢。我们的大数据平台将行业相关的数据集中起来，许多企业建设数据平台的目的是制作报表，无法发挥数据的实际价值。而齐心则将大数据平台作为AI训练的输入源，采用AI技术进行供应链优化、商品推荐、订单和物流等方面的训练，从而建立了一个大数据智能服务平台。我们有了这样一个大数据服务平台，才能说AI给供应链赋能。

03

从智能系统到自动化仓储AI实际应用案例

下面分享几个具体案例：

第一，订单的智能调配。我们在做供应链的（企业）大家都清楚，由于客户遍布全国甚至全世界，最理想的服务方式是在每个地方建仓，这样才能为客户提供最快速的服务。然而，这在现实中是不可能的。同时，最好的方案是将所有商品都备足库存，显然在To B行业中这也不可行，因为多余的货物会导致资金过多积压。因此，商品的补货预测、采购、库存分布、甚至供应链线条上的补货等都需要系统进行计算，以往都是基于人工经验和简单规则，现在使用基于AI深度学习技术的计算方法。

第二，社会化供应链中的算法。在供应链线条上，企业除了自有仓库，还有社会化仓库比如供应商的仓库。根据算法的计算结果，可以决定例如货物是从自有仓库中提取还是从供应商的仓库中提取，以及选择怎样的方式进行运输，是拆分运输还是整合进行运输等。AI算法会结合客户要求的履约时间、成本、毛利、质量等因素，综合决策货物的送货来源、出货地点以及运输方式等。

供应链自动推荐模型分为三个阶段：首先将所有数据输入到大数据仓库中并进行标记（打标签）；然后进行特征和模型计算，最后预测并自动输出结果。结果影响供应商选择、商品质量选择、库存选择、订单选择以及路线规划等。

前面分享的是供应链案例，接下来分享的是商品标准库的建立：上午丁总详细介绍了京东墨卡托体系，做的非常好。对于To B行业而言，商品标准库的建立非常困难。

首先，To B行业的商品种类繁多，不同企业的商品需求也各不相同，单个企业建立起这个商品目录非常困难。同时，商品的来源各异，有客户、企业自己、上游供应链以及整个行业。这样的多样性导致了很多企业都有自己的商品数据筛选库，但系统无法自动识别这些库中的商品。过去，一些企业采取的做法是加入人工识别的环节，后来又加入了一些技术逻辑，但这些手段已经不能满足需求。许多商品描述中还包含定语和广告词，这为商品标准库的建立增加了许多干扰因素。目前我们结合AI技术比如语义搜索、意图识别等，商品标准库的建立已取得了明显成果，同时我们也在尝试用大模型技术来更快速地解决这个问题。

接下来是招投标报价场景。在To B行业中，客户通常会发送一份报价单，可能包含几千条甚至几万条数据。传统的做法是人工筛选和匹配，查看库存中是否有相应商品，需要人工进行匹配，这样的工作量和复杂度非常大。而我们通过AI系统，可以自动寻找相似或相同的商品，自动匹配相应的SKU，并通过成本、质量和模型匹配价格，快速报给客户。所以AI实现降本增效是实实在在的，简化了客户和企业的操作流程。

还有就是智能仓储场景。自动化仓储对于大家来说并不陌生，过去的仓储以工控机、单片机、微电脑控制为主，主要应用于工业领域。我在2018年去西雅图和亚马逊交流的时候得知，他们的仓库作业有70%到80%是由机器学习为主的自动化操作完成的。他们的系统能够自动识别货物品类和包装大小，并自动匹配包装箱，他们有专门的数据科学家研究计算货物与包装箱的尺寸匹配问题。当时我感到非常惊讶，也意识到我们的技术差距很大。

但令我欣慰的是，这方面国内也已经取得了进展，齐心集团核心的仓库有跺码机、AGV机器人和四向车，这些设备大部分已经采用了最新的AI视觉识别技术，摄像头可以自动识别箱子的尺寸、所属类别以及应该放置的位置，还能够规划车辆的行进路线。与传统的工控完全不同，这种方式可以大大提高效率和准确率。我们已经在核心仓库进行了应用，在仓库利用率、拣货的准确性、拣货效率提升上效果非常好。

再接下来分享一下RPA。过去，RPA和人工智能没有太多关联，它们主要使用爬虫技术和页面抓取技术。但现在RPA和AI的结合更加深入，RPA在抓取信息之后会进行很多自动化处理。今天参会嘉宾以企业老板和高管为主，实际上一线操作人员的工作复杂度和难度很高，RPA解决的就是这些问题。目前我们已经应用了100多个RPA，效果非常好。主要的应用场景包括财务、人力资源、采购、客服和信息技术等领域。

举个例子，对账单和银行单据的下载，下载之后自动进行收入和收款匹配，同时还与发票进行勾稽处理等。在RPA中加入一些AI算法进行自动匹配，最终得出结果。另外还有一些客服和一些系统应用。所以，通过RPA可以非常方便地实现数据的交互。

04

AIGC为企业内部提效 已着手搭建商品大模型

最后，我想和大家分享一下AIGC（生成式人工智能）以及我们在大模型领域的一些应用。首先，让我们来看一下这位名叫“心心”的数字人（播放视频）。这个数字人是我们与百度合作开发的，它的内容由文心一言生成，核心特点是内容、表情和口型完全贴合，跟真人一样。

我们主要将其应用在电商直播、商品介绍、客服领域。我想主要分享的是我们运用大模型技术，对数字人进行了公司所有规章制度和流程的训练。员工可能经常遇到公司有很多不同的规章制度，需要咨询财务、人力资源、行政等部门，他们可能给出不同的答案，还需要查阅资料，非常繁琐。通过使用大模型训练，这个数字人可以回答任何规章制度相关问题。

GPT4.0的功能比较强大，它真的改善了人类的工作。举个例子，对于某个表格的分解，有时候需要人工判断，但是这个数字人可以用语言告诉你正确答案。这就是我们使用AIGC和大模型的应用领域。

我们正在进行的一个项目是训练商品大模型。刚才提到的标准库和客户报价单，我们都已经应用了一些大模型技术。但面临的难题是如何利用AIGC开发出一个针对B端行业的商品大模型。使用AIGC的好处是，原本需要查询和咨询的商品信息，通过AIGC可以直接得到结果，提高了企业的运营和客户服务效率。

AIGC和大模型技术真的在颠覆人类工作方式，大家一定要相信AIGC的价值。以前的AI技术已经被称为AI1.0或传统人工智能，AIGC是AI 2.0，它正在改变我们商业模式和生活模式。

在构建商品大模型的过程中，我们遇到了几个挑战：一是商品种类繁多，一个企业无法独立完成；二是商品的标准和规范各不相同，AI需要了解不同数据规范和使用规范；三是单一企业的应用效率有限。

 

0