尽管数据共享仍然构成挑战，但不少组织已经将AI之力应用到供应链管理中的两大关键领域。
供应链是个范围极广的产业概念，从产品设计起步，一路涵盖采购、制造、分销、交付与客户服务。思科AI/ML数据产品主管Devavrat Bapat表示，“在这些方面，AI与机器学习都拥有巨大的应用潜力。从现实来看，目前这一代AI已经非常擅长处理供应链管理中的两类事务。”其一自然就是预测，AI可用于预测下游需求或上游供应的震荡波动。此外，AI算法还能检测出一个或多个预示故障的前兆性事件，抢在真正影响生产质量之前就向装配线操作员发出警告。
第二点则是检查，AI可用于发现制造流程中存在的各类问题、认证材料和组件，并在整个供应链中跟踪它们的动向和变化。
最后，AI还有助于优化供应链，满足任何给定情况下的具体客户需求。可问题是，基本技术已经客观存在，接下来要做的是实现某种程度的数据共享，但这也是当今供应链最为孱弱的环节。而在探索的过程中，现有预测和检查能力已经足以为许多公司带来显著收益。
预测类用例
以全球最大的包装公司Amcor为例，其整体收入高达150亿美元，坐拥4.1万名员工和200多家工厂。其大部分市场集中在食品和医疗药品的包装领域。
该公司全球CIO Joel Ranchin表示，“您存放在冰箱中的食品和药品，有三分之一的包装出自我们之手。”当然，作为制造业中的一分子，Amcor也面临着难以准确预测、跟不上市场需求的快速变化等一系列现实难题。随着需求的波动，食品供应链中的订单趋势总在不断变化。例如，在火热的天气里，人们更愿意买瓶冰凉的运动饮料，于是相关需求会突然激增，相关包装瓶的用量可能瞬间增长10%到15%。其他类型的产品也是如此，比如渔场水产意外丰收，包装需求自然也要水涨船高。Ranchin坦言，“虽然我们一直在努力预测，但这事非常困难，没人能永远提前猜准客户的实际需求。”
而在供应链的另一端，类似的挑战也同样存在。如果Amcor无法准确预测到供应短缺，就没办法提前储备原材料。更重要的是，该公司还得提前考虑价格波动，以便在涨价之前以较低的成本囤积更多原料，或者在原料即将降价时果断收缩当前采购量。
大约一年之前，Amcor开始尝试使用EazyML，一套帮助优化客户需求和供应预测的平台。他们用过去三年的ERP（企业资源计划）数据训练这款工具，希望找出波动的变化模式。该系统会努力确定变化类别，以及不同类型的变化具体跟哪些事件有关。例如，它会检查季节性波动，观察两种/多种类型的变化是否总会同时发生，又或者各类变化间是否相互排斥。
Ranchin解释道，“我们的早期结果令人相当振奋，效果比预期要好得多。只要能够预测变化，我们就能更好地把握原材料需求，并在必要时提前补充。”
Bapat对此也深有同感。他表示预测已经在AI技术的支持下迎来了显著改进。“以往 ，很多组织依赖于共识性预测，即使用来自不同专家的加权输入来得出平均期望。”而研究表明，统计预测（即使用统计技术从历史数据中进行推断）的效果始终优于共识方法。机器智能的表现甚至比统计预测还要好，但前提是一定要使用正确的高质量数据。
制造流程检查
AI技术的另一大重要用例可以参照英特尔公司，他们需要使用光刻技术将多个芯片打印在同一片晶圆之上。距离晶圆中心位置越近，芯片的性能与可靠性往往都有保障；而靠近外圈的部分虽然依旧可靠，但大多要牺牲掉一部分性能。英特尔为此设定了质量阈值，会根据该阈值衡量芯片以确定要保留还是丢弃。然而，对晶圆进行人工检查无疑是个耗费心神且极易出错的过程。
英特尔高级副总裁兼CTO Greg Lavender表示，“我们使用AI技术来选择合适的高质量芯片，这样我们就能加快芯片生产速度，并让投放市场的芯片拥有更佳质量。当然，我们还尝试用AI解决其他问题。比如，英特尔拥有数百名AI软件工程师，可以向CTO直接报告。他们日常工作中的重要部分，就是对我们的制造流程进行检查和测试。此外，他们还为英特尔开发了产品内置的很多AI功能，很多用户对此可能根本没有留意。”
一个典型用例就是英特尔提供恶意软件测试，借此帮助OEM客户保障安全。比方说运行在英特尔笔记本平台上的威胁检测技术（Intel Threat Detection Technology）。当Windows系统在执行代码时，该项技术会检查CPU中的指令流，并使用自适应学习签名算法查找与恶意软件签名相匹配的异常迹象。一旦找到匹配项，该工具就会拦截或阻止恶意软件，并通过警报提醒Windows Defender当前设备上发生了感染。
Lavender表示，“威胁检测技术内置于我们的所有客户端CPU之上。这些感染可能通过供应链渗透进来，而在最终产品被组装起来之后，发现并将其解决的唯一方法就是使用我们的工具。过去几年来，我们一直在提供这些AI工具。如今世界范围内关于大语言模型的讨论掀起热潮，所以关注AI工具的朋友也越来越多。”
根据思科公司Bapat的介绍，检查是供应链管理中的一大重要组成部分。如果能在产品设计过程中采取正确步骤，检查的难度也将显著降低。他解释道，“如果能在产品设计过程中嵌入仪器以生成检测数据，借此监控设备中的实际流量，那企业就能节约下大量成本。以往的产品物料清单和劳动力负担成本往往非常高昂，而其中的主体大多是产品质量保证和监管开销。而如今，AI已经能帮助我们将成本不断压缩至更低的水平。”
产品优化
预测和检查当然很重要，但除此之外，AI在根据特定客户需求进行供应链定制时，同样能发挥重要、甚至是极为关键的作用。Bapat在设计AI算法时就切实体会到了这一点。思科当初的AI项目开发和部署耗费了9个月时间，但大家最终惊奇地发现，这样的方案居然还得再做大量调试和优化才能正常工作。回想整个过程，Bapat意识到无论技术本身有多么先进，如果不先搞清楚最终用户是谁、他们要怎么使用技术方案，那一切预期结果都只能是天方夜谭。他还提到，虽然高层管理团队的话语权最重，但他们往往并不是最终用户的主体。
“从那以后，我就一直强调无论是在销售还是供应链管理工作当中，都必须在起步之初就对基础业务建立起良好认知。只有明确理解了实际需求，我们才能规划好后续的数据与AI应用路线。”
Bapat认为，这一理念在供应链管理中也同样适用。“如果你真正关注最终消费者，就应该利用AI对其进行细分、对齐，并结合应用环境厘清实际需求。之后再回归供应链设计，我们才能发现其中的不同成本元素：劳动力、生产、税收、库存，并做统一优化。”
他还补充道，一旦针对供应链流程进行了优化，接下来就可以部署并实施质量预测与维护，再据此逆推至采购环节。
“这也就是大家常说的，供应商是合作伙伴、而非竞争对手。”
说到这里，细心的朋友肯定意识到数据共享的难点所在——整个供应链在本质上是由多家独立企业组成的，各方至少出于三个理由而不可能顺畅共享数据。首先，各方可能拥有与一家或多家合作伙伴存在竞争的业务线；第二，各方可能分别是一个或多个相互竞争的供应链中的组成部分；第三，各方会对自身信息严格保密，借此增强在谈判桌上的话语权和影响力。
所以尽管目前这一代AI技术已经能够优化甚至是定制供应链，保证以适当的价格将适当的产品交付给适当的客户，但正因为缺少数据共享这个前提，一切的一切还只能停留在理论可行的阶段。
Bapat最后总结道，“这实际也可以看作是一种技术缺失，即需要一种技术来帮助各方组织放心将部分数据与合作伙伴共享，同时保证涉及核心利益的关键部分不致泄露。要想达到这样的理想效果，我们可能还需要5到10年的发展周期。”
