前 言
随着执行体系管理红利的耗尽，以决策为核心的计划优化成为了企业降本增效的最后一座金矿而受到越来越多的关注。但是这个产销决策机制的优化的一半是管理模式和管理理念的改变，也就是供应链管理变革。而另一半才是管理技术的优化，而管理技术中后端供应计划是七分技术三分管理，前端需求计划则是三分技术七分管理。后端优化是在有序中求最优，经典的运筹优化技术是不二之选，而前端优化则是在无序中找规律，中流砥柱依然是经典的统计技术。人工智能AI这个新贵目前为止只是一种前端优化技术中的点缀而已，把人工智能AI宣传为制造业供应链计划优化的万能魔法完全是对广大制造业的一种不负责任的误导，让原本步履维艰的供应链计划与产销协同的变革与转型再一次步入歧途。
人工智能AI是目前的热门话题，即使外行也不得不接受网络铺天盖地的普及教育，不谈人工智能AI似乎是一种落伍的表现了。结果是，无论行业还是公司都在争先恐后给自己贴上人工智能AI的标签。作为一个供应链计划管理的公众号，我们重点要聊的是人工智能AI在供应链计划和产销协同管理领域的应用。到底人工智能AI能为供应链计划和产销协同领域带来哪些帮助呢？几年前有一位国外朋友想回国从事人工智能AI相关领域的创业，想了解人工智能AI在供应链计划领域的应用场景。这是我第一次认真思考了这个高科技问题，感觉好像只有需求计划管理领域有些空间。当今天再次思考人工智能AI在供应链计划领域的应用问题时，我想首先要厘清到底何为“人工智能AI”？
一、何为人工智能AI？
人工智能AI和数学有何区别？为此我请教了一位数学专业出生的业界前辈，得出结论是非常清晰和自洽的。数学是解决有边界和有确定关系的问题，我们不仅有空气动力学，还有天体物理学，宇宙之大，从微观到宏观都可计算，因为无论复杂或简单，只要事物之间是有确定逻辑关系的就可以使用数学去解决问题。但是，这个世界上的确存在一些问题，其边界不清晰，事物之间的关系不确定，并且影响因素非常多，这类问题就无法用经典数学方法去解决，反而要依赖人的经验和判断力来解决，但是人的能力效率都是极其有限的。在人工智能AI出现之前，这里边界模糊，关系不确定的问题主要是依靠有一定假设前提的统计学来预判。但是，当我们因为技术的快速发展而有了大数据量和强算力的支撑后，人工智能AI就被催生。人工智能AI会利用海量数据和各种技术去模拟各种场景，来给这类模糊问题一个看似更加科学的答案。这就是人工智能产生的底层逻辑，专门去解决这类边界模糊，相互关系不确定的问题。所以，经典数学和人工智能他们解决的是两类不同的问题，前者解决确定性问题，后者解决不确定性问题。那他们有何关联呢？准确而言，他们的主要关联点是统计学和概率论，因为人工智能也是主要基于统计概率进行判断。人工智能和运筹学关联甚少，运筹学是经典的在确定关系中找最优的解决思路。人工智能AI和人有何关联呢？人工智能就像一个超人。人工智能和人一样对于复杂无序事物的判断依据都难以解释，但人工智能AI和人一样都会自我学习，只是人工智能在大数据训练下其学习能力和效率远超过人。这是它为何被称为“人工”+“智能”。是否感觉人工智能AI和我们的中医也非常相似，在经过大量数据的实验验证后都认为是有效的，但又都无法解释。
二、人工智能如何落地？
人工智能AI又如何落地实践呢？人工智能AI并不是一头猪进去，香肠就出来，不是直接将海量数据扔到这个混合多种统计算法的黑盒子里面就可以跑出一个预测，而是要先让“人”给海量数据打标签，给“智能”一些人工的指导。所以，人工智能AI类技术有一个“打标签”的动作，最终如果结果不好，这个“打标签”的人也是有责任的，可能你的标签不对。但不管标签打的对与不对，这个打标签的动作就吓退了一半的公司，谁来打，海量数据如何打，这也是很多号称人工智能AI技术公司的核心研究课题—特征工程（如何打标签）。所以，人工智能AI不仅不是全自动武器，对人的要求完全超越其经典数学算法对人的要求。但是，即使最终结果不错，由于那个“智能”是黑盒的，无法解释，也难以复制和控制，所以，又吓退了一半的公司。所以，它专用于解决一些本身也没有规律的问题，死马当活马医，起码可以作为一种参考依据，和更加感性更加难以解释的“人”相比还是有相对优势的。
三、人工智能AI如何在供应链计划领域发挥作用呢？
厘清什么是人工智能AI以及落地应用的前提条件后，我们再来探讨它在供应链计划领域有何用武之地。既然对人工智能AI和经典数学的应用领域做了明确的区分，那我们来看看供应链计划管理领域是否也存在这两大类问题：一类是无序中找规律，另一类是规律中找最优。所谓的无序就是这类问题中的各个要素之间没有强的数学逻辑，相互的关系是模糊不清的。比如，供应链计划管理领域中的需求计划。我们知道天气因素，广告因素，促销计划，竞品行为等会影响销量，但是这些因素又与销量没有强逻辑关系，甚至存在这些因素之间也存在相互影响，有些因素本身还无法精准量化，还有些影响因素我们都没有考虑到。这类预测问题就是人工智能AI的用武之地。供应链计划管理中还有一类问题则是在有序中找最优。比如，一旦需求计划出来，我们就把它作为一个确定因素进行考虑。供应计划就要以最佳的资源配置来完成需求计划。而与前端需求计划不同的是，后端的供应计划却是非常有规律。需求计划，订单交付率，交期库存，库容，产品新鲜度，产能产线，生产批量，采购批量，供应链网络等等之间的联动逻辑，约束条件和边界却是确定的，我们需要做的是将各种业务场景变成数学模型，然后通过数学中的运筹学进行求解。解决此类供应计划问题不需要任何人工智能AI，经典的运筹优化技术是最佳的武器，其核心挑战在于如何将业务场景转化为数学模型的这个建模能力。
但是，尴尬的是，当供应链计划好不容易为人工智能AI找出一块试验田—需求计划，却发现起码在制造业需求计划却是七分管理，三分技术的业务。目前在制造业尚未看到任何人工智能AI预测在哪家企业有上佳和稳定的表现，因为需求计划管理根本不是一个纯粹的技术问题，而更多是管理问题。退一万步，就算需求计划是一个纯技术问题，使用人工智能AI的数据门槛极高，而大部分企业连前两年的历史数据的标签都梳理不清楚，无法按事件类型进行精细化的区分，甚至季节因素也无法剥离，最传统的季节模型都无法使用，更何况人工智能。叠加人工智能AI算法的黑盒特征，企业根本就无法判断到底智能与否。
更加尴尬的是，企业的供应链计划优化的第一个挑战往往还不是如何预测，如何计划的问题，而是要先应对被称为供应链变革的理念，组织，绩效和人员优化问题，这个优化目前“智能”完全束手无策，只有“人工”才是王道。因为这种优化本质是权力和利益的二次分配，一不小心就是一场血雨腥风，可能你还没有机会去谈什么算法技术战斗就结束了。所以，一个供应链计划优化项目的一半以上是处理“人”的关系，而另一半才是处理“事”的关系，而“事”当中能够发挥人工智能AI威力的领域就是需求计划，而对于制造业而言需求计划又是一个七分管理三分技术，这是不是“人工智能AI”在制造业供应链计划管理领域面临的最大的尴尬吗？如下图所示，只有需求计划是人工智能的试验田，并且是一个配角。
我们并非要打压人工智能AI，只是探讨其在供应链计划管理领域的应用现状和前景。我们经常被问到，为何在方案中不应用人工智能AI？类似“何不食肉糜？”的问题。我们也很想吃这个美味“肉糜”–人工智能AI，问题是大部分实施了预测系统的业务，现在连“米饭”—经典统计预测技术也跑不起来，因为缺失两年以上的高质量历史数据。当然，因为人工智能强大的学习能力，我们也不排除在经历大量数据训练后，未来可能会有质的突破。但是，目前而言，人工智能AI在供应链计划领域可用性极其有限，既缺算法，也缺饲料（数据）。在言必称VUCA的年代，我们必须清醒认识到，不是一切都是无序和混乱的，从无序中找到有序，从变化中看到不变才是管理的本质，而不是试图引导企业以“人工智能”来解决一切问题。