ChatGPT聊着聊着,就把供应链上这些人给替代了

ChatGPT编程1年前 (2023)发布 一起用AI
400 0 0

ChatGPT聊着聊着,就把供应链上这些人给替代了

2023年开年,ChatGPT的出圈,在国内外掀起新一轮人工智能应用热潮。

上线仅5天,ChatGPT就收获了100万用户;推出不到两个月,ChatGPT用户的日活量就突破1000万;相关数据显示,截止2023年1月末,其用户月活已经突破一亿,成为史上用户增长速度最快的消费级应用App。

据相关数据统计,在中国目前AI的核心产业规模超过4000亿元,企业数量接近4000家,带动相关产业规模超数万亿元,未来还将进一步快速增加。

但不管是服装企业,还是制造业都没少吃供应链的亏。比如疫情期间面临生产原料、配套产品断供风险,库存压力剧增,原有的供应商渠道无法兼顾供应链运转效率的要求等,都让企业举步维艰。

尽管ChatGPT引入“人工标注数据+强化学习”的模型,可以更好地理解人类意图,协助人类完成一系列任务。可在供应链领域中,ChatGPT技术又该如何赋能,加速AI商业落地?

从“效率工具”到“生产工具”的颠覆性变革

在ChatGPT以前,大多数AI智能机器人的作用是尽可能的帮助企业提升效率、减少人力成本,尤其是在供应链端,为了更好的降本增效,各行各业都在纷纷向数字化转型。通过大数据、人工智能、5G等新兴技术与供应链各个环节的融合创新,以期创造新的价值和增长点。

以跨境电商为例,不懂英文、不熟悉海外文化以至于不了解海外消费者需求,一直都是中国企业与欧美乃至全球消费者存在的问题。但ChatGPT通过自主生产内容,直接降低了跨境内容的门槛和成本,比如给独立站的用户写日常问候邮件,与消费者做非投诉类对话沟通等,都可以由ChatGPT来完成。

不仅如此,作为一款“生产工具”,ChatGPT代替了更多简单重复性的工作,过去需要大量人力的组织架构可能被精兵小组所颠覆、产品和供应链的能力也变得更为重要。比如整个跨境电商行业的协作网络将发生变化,整个供应链体系面临瘦身,提高整体效率。

而对品牌商来说,了解消费者需求是必不可少的环节之一,但大部分国内品牌并不了解海外市场及消费者,哪怕依靠亚马逊等国外电商平台出海,也很难实现产品聚焦。而ChatGPT提供了一个低成本,了解海外消费者的渠道。不管提出什么问题,理论上ChatGPT都能从当前1750亿数据库中的信息,整理出对应答案,使全球电商的供需对接更加高效。

对服装企业来说,库存积压严重、净利润难以提升等问题始终难以解决。一些企业通过建立柔性供应链的方式,对消费者标签、商品标签、渠道标签体系进行建设,进而不断优化补货可得率、库销比等指标。

而借助ChatGPT技术,企业可以更快速的通过海量数据进行订单预测,有针对性、计划性进行生产,减少企业库存积压,并根据业务需要进行设计和内容方面的规划,帮助发现需要改进的薄弱领域。

比如在消费者端,服装品牌可以通过ChatGPT对消费者的身形、喜好和风格,进行自动化设计,进而完成生产,从根本上改变了传统服装行业的制造方式。与此同时,还可以在自动化生产线、自动化库存管理等方面,进行快速有效的生产和销售产品。

从B端流程的改进,到C端消费者体验,ChatGPT在整个供应链环节中,逐渐完成了从“效率工具”到“生产工具”的改变。据TBanicDate估计,到2025年人工智能生成数据占比将达到10%,未来ChatGPT产品有望逐步实现人机协同,使得新场景的应用更加快速,加速各个行业的智能化升级,边际效用实现增长。

减少沟通成本,促进任务协调

不管是基于人工智能、大数据还是ChatGPT等新兴数字技术,供应链的底层逻辑没有变,仍旧是通过链接供应链上的人、物、信息,构建一个产品设计、采购、生产、销售、服务等多环节高效协同、快速响应、动态智能的生态体系。

但ChatGPT这种生成式AI,可以主动产生内容,建立一个无所不知的品牌形象。现阶段的人工智能只能进行信息的筛选,无法进行决策,比如在销售环节,各行各业只能进行千人千面的推送,但无法精准掌握消费者喜好;而ChatGPT则可以通过互动,迅速了解消费者性格、消费习惯等信息,进行商品的配送和服务。

如果将ChatGPT用于训练物流聊天机器人,那么从计算机接收订单开始,到跟踪整个订单完成,ChatGPT可以实时处理订单、更新仓库位置,进一步提升仓库管理效率。

而在提高物流风险评估和管理水平方面,ChatGPT可以有效避免潜在冲突或已知的恶劣天气,选择最佳运输航线;帮助筛选供应商的财政实力、历史业绩、基础设施等条件,选取最佳供应商。尤其是在跨境物流层面,涉及报税、通关等诸多问题,供应商的选择就更为突出。

通过ChatGPT等新兴数字技的赋能,使得整个供应链的数据可以无缝访问,进一步打破合作伙伴之间的数据孤岛,弥合品牌与其外部网络之间的差距,最终实现多企业协作。让整个供应链系统变成一个更加丰富、宽广的生态,促进企业的未来发展。

比如英伟达的芯片研发,便是通过大数据等模型,自研出适合深度学习发展的 CUDA(通用冰箱计算平台),并用GPU替代CPU成为AI训练市场的首选,最终英伟达成为了AI芯片领域的绝对霸主,并不断在下游产业链深耕,除游戏行业外在智能驾驶的底层资源支持也得到了巨大的突破。

有机构预测,未来五年,10%~30%的图片都将由AI参与生成,有望创造超过 600亿元以上的市场空间,AIGC的市场规模更是将超过万亿人民币。但目前AIGC产业化程度有限,大量业务场景并没有找到变现模式,未来也仍将长期处于商业化探索模式中。

未来的机遇与风险

尽管ChatGPT的爆火,在某种程度上是AI经历多年技术沉淀后的里程碑式事件,但ChatGPT之所以能实现如此强大的交互,离不开其背后庞大的算力支撑。

相关数据统计,ChatGPT的总算力消耗约为3640PF-day,按照国内落地的某数据中心为参照物,若要建成支持ChatGPT运行的设备,需要7~8个这样的数据中心,仅基础设施的投入就要近百亿元。

但算力又是AI的基础,要想使得AI的门槛不断提高,一方面需要巨大的投入去使用算力中心,另一方面则需要做出大模型,对高可靠、高性能、高安全的算力需求更加突出。除此之外,数据也是决定AI发展的关键因素,数据的数量和质量的差异影响则更大。尤其是在我国的供应链领域,数据来源的割裂,会影响AI模型的泛化能力和不同场景的通用化效果。

在供应链领域中,涉及的上、中、下游企业性质不同,各自的数据来源较为割裂,根据公司主营业务的不同,其采集的数据范围有限,而有限的数据采集方式,在多维度层面影响了可用于模型训练的数据质量。比如腾讯通过微信采集的是社交类数据,通过生鲜零售采集消费者行为和决策数据数据等等。

但在OpenAI的中立属性和开放风格,更容易连接产业链上下游,相对于国内现有的AI机器人来说,ChatGPT在开放的生态建设上更具优势,远胜于任何一个单一平台公司的数据来源。可即便如此,ChatGPT也无法代替人类做决定。

从技术角度看,尽管ChatGPT实现了人工智能的通用性和高交互性,但仍不具备可思考的引申能力,需要借助人类反馈的RLHF进行训练与识别,在专业领域如医疗、物理学等方面尚不能做出专业回答。

从安全角度来看,ChatGPT目前还处于“可用”阶段,并没有到达“可信”阶段。一方面由于其产生的内容并非是独创性的,而是通过单词之间的关联统计关系,进而合成语言答案,内容安全性与准确性难以得到保障,另一方面则由于相关内容的数据安全与版权问题,并没有得到有效监管,仍处于灰色地带。比如用ChatGPT进行博士论文的相关写作等,尽管美国、欧洲等部分高校联盟已经明令禁止ChatGPT在学术界使用,但并未做出相关处罚。

另外,国家间的数据采集也存在诸多风险和隐患,在中国该隐患尤为显著,存在信息泄露等信息安全问题的风险。

话虽如此,但有机构表示,ChatGPT的影响力已经满足革命性技术的一个重要标志,可能引领大量的应用重做已有生活方式的变革。如AI接入设备,释放大量的生产力,或是改变使用传统搜索引擎的习惯,对内容产业进行革新等等。

而从长期来看,ChatGPT或许有可能引领科技革命,重构全球供应链格局等。

© 版权声明

相关文章