AI 不是锦上添花,是必需品
一场直播,两个视角,把「AI 在供应链的应用与价值」讲到了决策现场
「芯片只够覆盖 60% 的订单,你先给哪个工厂?」
「供应商说下周能交货,你信吗?如果他交不了,你什么时候会知道?」
「突发风险来了,你有多久可以反应?」
这三个问题,不是课堂上的假设题,而是 11 月 12 日晚「链见」直播里被摆到台面上的真实业务场景。
当晚 19:30–20:30,联想集团供应链 AI 首席架构师 朱思语与 Blue Yonder 大中华区解决方案总监 陈亮,一个从超大规模制造企业的落地实践出发,一个从全球供应链软件厂商的能力框架出发,回答了同一个问题:AI 到底怎样在供应链里产生价值?
因为直播间听众过于热烈的交流及提问,预告的一小时,最终聊成了接近 100 分钟的完整分享与交流。这篇回顾把两位嘉宾的核心观点、关键数据和 PPT 原片整理出来——没赶上的同事,看这一篇,或者直接拉到文末回看。
4200 亿的供应链,为什么 AI 是必需品
从规模讲起,因为规模本身就是最难的那道题
朱思语先用一组数字把「供应链的复杂度」摆了出来:4200 亿年营收规模、600+ 产品家族、2000+ 全球供应商、5 大全球制造基地;再往下一层,是 500 万+ 订单行、10 万+ SKU、6 个月+ 关键部件交期、7 层+ 平均 BOM 层级。
这样的规模里,任何一个局部异常都会沿着 BOM 和供应网络层层放大。她的结论很直接:「AI 不是锦上添花,是必需品」「AI 不是工具,是数字大脑——它真正参与供应链的决策」。
规模即挑战,挑战即驱动力。
MARS:把业务问题变成可计算的决策
联想把智能供应链里的 AI 应用收敛成一套叫 MARS的方法论:
M · Modeling 建模——把供应链业务问题转化为可计算的数学模型,定义决策变量、约束条件与优化目标;A · Algorithm 算法——根据问题类型选算法路径,「选对比用好更重要」;R · Reporting 报告——让 AI 的决策结果可解释、可追溯,计划员能看懂「AI 为什么这么说」;S · Simulation 模拟——在真实决策前模拟不同方案的结果与风险。
四步串起来,是「问题建模 → 算法求解 → 仿真验证 → 决策输出」的闭环。里面最值得记的一句是:把后悔留在决策前。
三个场景,三组硬指标
方法论之后是落地。朱思语按「约束明确求最优 / 有规律做概率预判 / 场景开放做推理生成」三类问题,对应到运筹优化、机器学习、生成式 AI 三个真实场景:
订单交付准确率 +5.4%
需求满足率 99.8%,协同效率 +30%
最抓人的是第一个场景的业务设定:关键芯片只够覆盖 60% 的订单,多工厂、多策略、多维度约束,人工分析要 3 天。MARS 视角下,先做多工厂供需关系图谱化建模,再用运筹优化引擎在全部约束下求最优解,输出「最多出货 / 最公平分配 / 综合最优」三种模式并可做方案对比——决策时间被压到 10 分钟。
第二个场景回答「供应商说下周能交货,你信吗」。做法是三层架构:多源特征工程(含外部风险事件标注与归因)、分品类模型集成、预测解释与模拟——不只给一个概率,还要拆开「延迟风险」来自产能、物流、质量还是意愿。
第三个场景是生成式 AI 做供应链模拟与风险预演:风险事件输入 → LLM 理解场景并推理 → 影响评估与缺口分析 → 应急方案推荐 → 输出评估报告。朱思语留给听众的问题是:「你的供应链里,有多少风险是你现在不知道、但三个月后会很痛的?」
从 AI 工具,到人机协作团队
分享的后半段,视角从「单点工具」抬到了「组织」:联想 iChain 的进化逻辑是 人类 + AI 助手 → 人类 + 智能体队友 → 人机协作团队,靠全域连接、全域认知、辅助决策、闭环执行四步,由 AI Master 编排任务、智能代理负责推理与方案模拟,最后仍通过人工审核与审批完成执行。
智能不是终点,人机协同才是。
别把 AI 想窄了:它不等于大语言模型
如果说上半场回答「AI 能做出什么」,下半场回答的是「AI 到底有哪些能力」
陈亮开场先纠了一个很常见的认知偏差:AI 在供应链里应用已久,今天的新变化不是「旧一代被淘汰」,而是能力在叠加——规则 AI → 机器学习 → 深度学习 → 生成式 AI → 智能体 AI,五代能力同时在生产系统里各司其职。
于是有了那句全场最值得划重点的话:AI ≠ 大语言模型。四类能力各有分工:
约束明确时,怎样做得最好?
排产 / 分配 / 路线 / 补货
下一步可能发生什么?
需求预测 / ETA / 风险识别
如何理解信息、解释结果?
知识检索 / 报告 / 交互
怎样协调工具与业务行动?
调查异常 / 调工具 / 工作流
理解 Agent,只需要四步
陈亮给了一个非常容易复用的框架:数据 → 识别 → 推理 → 行动。展开就是「数据与上下文(预测、订单、库存、主数据)→ 触发与检测(缺货风险、延误、SLA)→ 解释与推理(约束、缺口、根因与影响)→ 建议与行动(建议、审批或授权执行)」。
一句话概括差别:过去系统主要显示信息;新一代 Agent 开始协助判断「下一步应该做什么」。
四个场景,背后是同一种工作方式的改变
Planning Agent(供应链计划)、Logistics Ops Agent(运输异常处理)、Warehouse Ops Agent(仓库运营)、Control Tower(把局部异常放回端到端网络)——四个演示场景,改变的是同一件事:
供应链计划从「分散分析」到「更快协同计划」;运输管理从「人工排查」到「主动处理例外」;仓库运营从「查找报表」到「聚焦行动重点」;控制塔从「局部可见」到「跨网络协同」。核心挑战从来不是缺少报表,而是让信息能够支持贯通网络的决策。
AI 的价值,是缩短从发现问题、理解问题,到真正采取行动的距离。
两位嘉宾,其实在说同一件事
一个从企业内部往外讲,一个从能力框架往内讲,落点却完全一致
把决策从「靠人算」变成可计算、可解释、可追溯;把后悔留在决策前;最终走向人机协作团队,人仍在审核与审批回路里。
把系统从「显示信息」升级为「协助判断下一步」;Agent 不是替代优化器,而是让预测、优化与业务流程协同起来。
共同点很清楚:AI 在供应链里的价值,不是再多一张报表、再一个分析页面,而是缩短从发现问题到采取行动的距离;同时,人始终在决策回路里——计划员判断、经理决定、人工审核审批,一步都没省。
这场直播,最该带走的 5 句话
- AI 不是锦上添花,是必需品。
- 把后悔留在决策前。
- Agent 不是新的优化器,它让已有的预测、优化与业务流程更容易协同。
- 核心挑战不是缺少报表,而是让信息能够支持贯通网络的决策。
- AI 的价值,是缩短从发现问题、理解问题,到真正采取行动的距离。
当晚还留下了什么
没赶上直播?现在还来得及
回看链接与直播观看链接为同一个入口,完整回放约 104 分钟,包含两位嘉宾的全部分享与交流环节。微信内打开体验最佳;公众号正文不便跳转外链,可复制下方链接,或点击文末「阅读原文」。
与直播预约为同一二维码
建议把这篇转给没赶上的同事,一起补齐这一场。
写在最后:这一晚最有价值的,不是某个模型或某个数字,而是两位嘉宾都不约而同地把 AI 放回业务里讲——从「芯片只够覆盖 60% 订单先给谁」这样的具体问题出发,到「人始终在决策回路里」这样清醒的边界。技术热闹,供应链要的却是可解释、可追溯、能落地。
ACE供应链创新 · 链见系列直播,下一场见。
觉得有用,欢迎点「在看」并转发给团队里做计划、做采购、做物流的同事。
关注我们, 同频供应链前沿
高科技 | 汽车业 | 零售业 | 物流业
全球数字化供应链解决方案领导者
人工智能嵌入式、可互操作的供应链解决方案

