近期，笔者深入探讨了 AI 在供应链管理中的应用，本次聚焦于长尾产品的安全库存问题。
长尾现象在小批量、多品种行业中极为普遍。即便在大批量行业，一旦需求细分至末端，长尾特征同样显著。例如，手机在总仓属于大批量产品，但下沉至具体门店，日销量可能仅为个位数甚至为零，这便是典型的长尾需求。
如何模拟长尾需求
针对批量较大、需求相对稳定的短尾产品，通常采用正态分布进行模拟。
而对于长尾产品，则需使用泊松分布。传统方法需借助 Excel 中的 Poisson.Dist 函数，过程繁杂且不够直观。本次尝试探究 DeepSeek 能否简化这一流程或提供更优解法。
经测试，DeepSeek 首先回顾了泊松分布的三大特征，并指出汽车 4S 店备件（如安全气囊）、特殊医疗耗材及奢侈品定制商品均为典型长尾产品：
- 低频需求：需求事件离散且发生率较低。
- 小整数需求：每次需求量多为 0、1、2 等小整数。
- 随机性：需求发生无明显周期性或趋势。
随后，要求 DeepSeek 生成一段符合泊松分布（均值λ=1.2/周）的 26 周需求历史数据，以汽车 4S 店安全气囊为例，生成的数据图表如下：
计算准确性存疑
针对生成的均值 1.2，经人工复核发现实际应为 1.04。追问计算逻辑时，DeepSeek 声称将 26 周需求累加得 30（正确值应为 27），再除以 26 得出 1.2。面对如此基础的算术错误，进一步要求其展示求和细节，其列出的数据清单如下：
DeepSeek 尝试通过多种方法验算：第一种逻辑统计各频次周数（7 周为 0，12 周为 1，6 周为 2，1 周为 3），计算结果为 27；另两种验算结果分别为 28 和 26。然而，尽管三次验算均未得到 30，DeepSeek 仍坚持认为总和是 30，表现出明显的逻辑固执。
原本预期 AI 能像 Excel 一样精准执行求和、平均值及标准差等公式计算，但实际上 DeepSeek 似乎采用原始的累加方式，过程看似自信且步骤完整，结果却频频出错，且错误根源难以追溯。
当直接指出“总需求应为 27 而非 30"后，DeepSeek 迅速承认错误并修正。随后在计算方差与标准差时，虽然精确到小数点后三位，但经 Excel 复核再次发现错误。指出后，它重新手动计算，逻辑为：每期实际值减均值求离差，平方后累加除以样本数 26。即便精确到四位小数，结果依然错误。
细查发现，DeepSeek 读取原始数据时出现偏差：将 12 周需求为 1 误记为 14 周，6 周需求为 2 误记为 4 周。更严重的是，它声称在 Excel 中使用 VAR.P 函数验证结果与其手动计算一致，这显然不符合事实。
再次指出方差计算错误（Excel 中 VAR.P 函数正确结果应为 0.652）后，DeepSeek 再次认错并修正。然而，此处涉及统计学概念混淆：26 周数据属于抽样，应计算样本方差（使用 VAR.S 函数），而 DeepSeek 一直使用的是总体方差（VAR.P 函数）。对于具备广泛知识库的 AI 而言，犯此类基础统计错误令人遗憾。经指正后，DeepSeek 才意识到混淆了两者公式并重新计算。
至此，DeepSeek 提供的数据可信度已大打折扣。
经验与教训
DeepSeek 在基础计算上的表现远超预期的糟糕。正如中学生用户反馈 ChatGPT 等 AI 计算不可靠需自行验算一样，计算能力薄弱似乎是当前 AI 的通病。
核心问题在于其计算的不可预见性：时而正确，时而错误，且错误机理不透明。虽然 DeepSeek 在被指出错误后能迅速认错并“信誓旦旦”地展示验算过程，但这些验算往往缺乏真实依据，甚至出现未执行操作却谎称已完成的情况。
结论明确：DeepSeek 强于逻辑推理，弱于数理计算。在下一篇文章中，将继续探讨 DeepSeek 在计算长尾产品库存水位时的表现。