企业在设计和优化供应链时面临着各种复杂挑战，提升应变能力、降低成本和提高规划质量只是其中几个方面。过去几十年里，信息技术的进步使企业决策从依靠直觉和经验，转向了更加自动化和数据驱动的方法，从而提高了效率，大幅降低成本，并提升了客户服务。

遗憾的是，企业负责人仍然需要花费大量时间和精力来理解系统提出的建议，分析各种情况并进行假设分析，要更新供应链管理工具的数学模型来反映商业环境的变化也很耗时。为了解决这些问题，规划人员和管理人员不得不请数据科学团队或技术提供商来解释结果或修改系统。

大语言模型（LLM）是一种生成式AI，它的最新发展使得在没有上述支持的情况下也能完成这些活动，并将决策时间从几天或几周缩短到几分钟或几小时，大幅提高规划和管理人员的工作效率和影响。本文中，我们将探讨如何利用大语言模型从数据中获得洞察，从而让管理人员更好地了解供应链情况，回答假设性问题，并更新供应链管理工具，将当下的商业环境纳入考量范围。我们还强调了企业在采用大语言模型时必须克服的挑战，以及未来扩大其应用范围的机遇。

我们要分享的经验大部分来自微软使用基于LLM系统管理服务器及其他硬件的供应情况，这些硬件供应面向全球 300 多个数据中心，旨在为其云服务提供支持。微软在2023年3月至10月试运行了基于LLM的系统，并于当年11月全面部署系统。从那时起，该系统就对效率和生产力产生了显著影响，具体表现在事件响应时间和决策速度上，同时随着时间推移和系统的进一步完善，这些收益预计还会增加。不过，我们讨论的这些功能并不依赖对微软产品的使用，目前市面上的各种高质量 LLM 都可以用来实现这些功能。

现在，让我们来探讨一下LLM可以带来的好处。

数据发掘与洞察

想象一个典型的供应链，其中有一定数量的原材料供应商、生产工厂和零售商。利用LLM，规划人员可以用通俗的语言提问，比如“供应商S目前有多少T类型的原材料？”或者 “从工厂F向零售商R运送商品的最便宜方案是什么？” LLM可以将这些问题转化为数据科学查询，然后将查询结果输入公司的数据存储库（例如SQL数据库），再用完整句子给出答案。从隐私角度看，LLM可以作为云服务使用，这意味着无需将自有数据传输到第三方的LLM。

除了作为了解公司供应链现状的工具外，LLM还可用于解释供应链系统做出的决策，并提供额外见解，如有关趋势的信息。例如，规划人员可以询问有关近期趋势的问题，“上周哪家工厂的生产效率最高？”或者“上个月总运输成本超过五万美元的情况有多少或占多大比例？” 在下文中，我们将提供早期采用LLM进行数据发掘和洞察的具体案例。

跟踪不断变化的需求。云计算是一项价值数十亿美元的业务，要求亚马逊、微软和谷歌等服务商在建设数据中心、配备硬件和运营数据中心方面进行大量投资，以随时提供容量。它们必须不断满足对这些服务的日益增长的需求，同时最大限度降低硬件和运营成本。为此，云服务商会定期做出硬件部署决策，并考虑到硬件的运输和折旧等许多成本因素，以及硬件兼容性、库存和可执行服务器部署的人员等运营因素。

在微软，对服务器的需求来自拥有不同云产品（如Azure存储、Azure虚拟机和 Microsoft 365）的内部业务部门。需求是通过请求指定的，其中包括所需服务器的类型和数量、服务器部署的地区，以及理想的部署日期。供应链团队输入这些需求，定期制定单一的需求计划。微软的工程师会定期运行一个计算机优化工具，生成一个执行计划，从供应仓库分配实际硬件，并指定何时将它们运往数据中心。微软的规划人员负责监督履行计划，任务包括确认计划的履行符合各业务部门的需求，以及服务器已按照计划完成部署。已部署的服务器通常会在业务部门工作多年，直至退役停用。

规划人员每月还要监控需求的变化（称为需求偏移），以保证修订后的计划能满足所有客户的要求，并符合预算指导。评估需求偏移的任务传统上由规划人员完成，他们通常会让来自不同业务部门的数据科学家和工程师参与这一过程。一旦了解这些变化，规划人员就会准备一份执行摘要来解释每个地区的变化。

现在，基于LLM的技术可以完成所有这些工作。它会自动生成一份电子报告邮件，详细列出是谁做了每项变更，以及这样做的原因。它还会指出潜在错误，供规划人员复查。例如假设新计划中的需求（服务器总数）低于旧计划，电子邮件就可以指出需求减少的确切原因，比如引入了新一代更高效的硬件，所以减少了服务器的使用。这种LLM工具可以让规划人员在几分钟内独自完成需求漂移分析，而在以前，这会需要大约一周的时间。

执行合同。在汽车行业，福特、丰田和通用汽车等原始设备制造商（OEM）拥有数千家供应商，并与每家供应商都签订了多项合同。这些合同详细规定了原始设备制造商支付的价格、质量要求、交货时间，以及供应商为保证供应而必须采取的弹性措施。在向LLM投喂了数千份合同数据后，一家原始设备制造商发现，如果超过一定数量阈值，就可以享受降价，而合同的数量和复杂性使采购团队忽略了这一机会。最后的结果是这家制造商节省了数百万美元的采购费用。

回答假设问题

规划者可以向LLM提出详细问题，以下是几个例子：

“如果产品总需求增加15%，额外的运输成本是多少？”

“如果零售商R只使用F工厂的产品，采购成本会增加多少？”

“如果关闭F工厂，我们能否满足所有需求？”

“如果M型原材料的单位成本降低1美元，那么生产P产品的总成本会降低多少？”

下面我们来看看LLM会如何准确高效地回答这类问题。许多优化任务都是以数学程序的形式编写的，这些程序会考虑供应链的结构和所有业务要求，并生成有效的供应链建议。LLM不会取代数学模型，而是对其进行补充。具体来说，它会将人工查询转化为数学代码，对用于生成计划的原始数学模型稍作改动。例如，想强制零售商使用某个特定工厂的产品，可通过添加一项数学要求（即“约束条件”）来实现，该约束条件会禁止其他工厂向这家零售商供货。然后，数学模型中的这一细微变化会被输入供应链工具，生成一个修改后的计划，该计划仅用于与现有计划进行比较。与之前一样，新数学模型的输出结果将通过LLM生成人类语言答案(想了解这种使用LLM获取供应链当前信息并提出假设问题的方法，可以在 github.com/microsoft/OptiGuide上找到微软的开源代码和相关基准测试数据）。

这里可以参考微软云服务运营中的规划人员是如何利用这一能力来制定执行计划，以将服务器从仓库调配至数据中心的。对于每个请求，主要决策包括：(1) 服务器类型和用于满足需求的仓库，(2) 装运日期，(3) 服务器的停靠点（特定数据中心及其中的特定位置）。目标是最大限度降低多个部分的总成本，比如运输成本以及因服务器部署延迟到理想日期之后而产生的预估机会成本。

收到优化工具的输出结果时，规划人员可以确认结果是否符合业务需求，并保证计划按照这个结果执行。然而，潜在的有待优化问题非常复杂，不是完全不可能，但也很难立即理解每个决策背后的原因。因此，规划人员通常会联系开发优化工具的工程师和数据科学家，来获得更多信息。规划人员和工程师往往需要多轮互动，才能充分探讨问题或假设情景，这可能会导致数天的延迟。现在，基于LLM的系统可以让规划人员在几分钟内获得以下问题的答案：“如果我们在规定日期前完成某个特定订单，与另一个日期相比，成本会增加百分之多少？”以及“如果停用某个仓库一周，成本会增加多少？”

交互式规划

规划人员可以利用LLM技术更新供应链结构和业务需求的数学模型，以反映当前的业务环境。此外，LLM还能根据业务条件的变化，向规划人员提供最新信息。

比方说，规划人员收到的实时信息显示，由于冬季暴风雪，某家生产商将停工七天。如果没有LLM的帮助，规划人员想更新销售和运营计划以应对停工，就必须让IT和数据科学团队参与进来，对计划进行必要调整，而这一过程可能非常耗时。然而，在LLM的帮助下，规划人员可以直接要求系统生成一个新计划，避免使用停工的工厂。如果新计划无法满足所有预测需求，LLM辅助计划工具不仅会生成更新的销售和运营计划及相应成本（如采购和运输成本），还会识别无法供应的需求和对盈利能力的影响。

改变供应计划的需求也可能是由基于LLM的技术驱动。例如，在分析了特定供应商的装运数据后，它可能会发出警报，指出供应商的交货时间在过去几个月里显著增加。此外，基于LLM的技术将预测下一次装运的可能时间，并发送给规划人员。由于认识到除非采取纠正措施，否则交货前置时间的拉长将对特定区域的服务水平产生不利影响，规划人员可能会要求基于LLM的系统利用新信息重新运行计划工具，并生成新计划。该计划由LLM以自然语言传达给规划人员，可能会要求供应商加快发货，或将库存从公司不同地区的仓库转移到受影响地区。

以本文讨论的方式使用LLM的方法还比较新。我们预计，在未来几年内，基于LLM的技术将支持端到端决策场景。例如，用户可以用通俗易懂的语言描述自己希望解决的决策问题。它可以是一个具体的生产问题（给定一个复杂的生产设施网络，在何时何地生产某种产品），也可以是库存分配问题（给定仓库中库存有限，应如何将其分配到各个商店以最大限度满足需求）。今天的技术已经可以生成这样的数学模型和建议，但要验证模型是否正确显示了业务环境，目前仍然是一个挑战。

克服障碍

随着企业开始在供应链管理中采用LLM，它们需要克服各种障碍才能对其进行有效部署。

使用与培训。使用LLM优化供应链需要非常精确的语言。例如，如果用户问：“我们能否更好地利用F工厂？”“更好”一词就可以有多种解释：降低成本、提高吞吐量、在一段时间内优化吞吐量等，每种解释都会导向不同决策。因此，对使用系统的人员进行培训至关重要。规划人员可能需要接受培训以提出更精确的问题，而管理和行政人员则可能需要了解基于LLM的技术的能力和局限性。

出于这些原因，微软正在逐步部署这项新技术，而前面介绍的用于回答假设问题的工具仅支持一组常见问题。公司将会监测用户交互情况、准确性以及备用机制，然后逐步扩大其覆盖范围。规划人员已经接受了相关培训，并了解了该工具目前支持的问题集。

验证。LLM技术偶尔会输出错误内容，因此一个普遍存在的挑战是如何使技术“在轨道内”运行，也就是识别错误并重回正轨。各公司现在正在应对这一挑战，为LLM提供丰富的特定领域示例，以提高其输出的准确性，并增加机制以提前识别不支持的查询。例如，如果有人提出一个不支持的问题，基于LLM的系统就会提供一个默认答案，如 “很遗憾，我无法帮您解决这个问题。可以查询以下问题。”当然，验证准确性的难度会随着输出的复杂程度增加。例如，假设我们让LLM生成一个完整的数学程序来从头开始创建一个优化的实现计划，系统要如何验证其正确性？我们又该如何保证程序能在合理时间内生成最优计划？这些开放性问题还有待进一步研究。

新的劳动力。随着LLM技术实现高度自动化，管理人员和规划人员的角色也将发生改变。规划人员将不再参与人工容易出错又耗时的决策过程，而是能够应用LLM技术，对供应链规划技术提出更多见解，并解释其建议。这将提高用户信任，并显著加大用户对工具建议的采纳。在采购部门，员工制作新合同的时间同样也会大大减少，LLM将能为特定产品类别设计合同，并提供不同供应商以往的业绩信息，帮助管理人员选择合适的供应商。

换句话说，使用基于LLM工具的员工队伍能够将工作重心从日常重复性任务转移到增值任务，例如从战略角度思考各种供应链活动，或者在内部跨职能领域以及与外部供应商和客户开展协作。例如，需求规划人员可以与负责营销、定价和折扣的贸易规划人员合作，了解贸易对需求预测的影响。根据我们的经验，目前大多数组织中都不存在这种协作。当然，这里的挑战在于保证领导层打破职能部门壁垒，并调整业务流程，以促成协作。

尽管存在以上挑战，我们仍然相信，在不久的将来，基于LLM的技术将改变供应链管理，提高其效率、弹性、生产力和准确性。它将与今天的供应链技术相辅相成，使规划人员能够无需数据科学家或工程师，而直接与供应链工具互动。企业将能实现大量供应链流程的自动化，甚至创建新流程，比如通过整合贸易和预测流程来实现这一点。事实上，这种整合将形成一个供应链管理系统闭环，其中贸易、供应链和财务职能部门将协作制定一个符合所有业务和财务目标与要求的供应计划。几年之内，基于LLM的技术将真正彻底改变供应链管理。

伊沙伊·梅纳什（Ishai Menache）吉万·帕图里（Jeevan Pathuri）大卫·辛奇-利维（David SimchiLevi）汤姆·林顿（Tom Linton）| 文

伊沙伊·梅纳什是微软研究院机器学习和优化小组的合作研究经理。吉万·帕图里是微软云供应链部门的总经理兼软件工程合作总监。大卫·辛奇-利维是麻省理工学院威廉·巴顿·罗杰斯（William Barton Rogers）教授、麻省理工学院数据科学实验室负责人和埃森哲杰出人物。汤姆·林顿是麦肯锡的资深顾问，曾任Flex（伟创力）的首席采购和供应链官。

吴卿雅 | 译  孙燕 | 编校