6851个字符，阅读需要9分钟

2022年的2月18号。中国正式布局算力工程：“东数西算”。东数西算，开创了数据运算管理之先河。在中国西部。优化行业布局，跨地区配置算力资源。中国政府在西部设置了10个国家数据中心集群，像重庆、贵安、和林格尔、庆阳等。类似于像西电东送、西气东输、南水北调等，像这样的资源配置以后还会大量的存在。因为中国东部经济相对发达，像土地、人力资源、电力等资源，相对来说，要比中国西部要昂贵一些。所以，把这些算力中心集群放在西部，可以优化资源配置。中国的做法跟美国是不一样的。中国是用利用体制优势来解决资源资源配置问题，而美国不一样，美国是靠公司自行来完成的，政府肌体需要的话则需要向企业采购，或者根据国家的要求企业可以进行定制化供应，或者靠高校资源或者靠智库，以及一些比较发达的数据公司进行采购，典型的像EMC等。

根据“东数西算”，中国将这些国家级的数据运算中心集群将进行高等级的数据高频运算，形成世界级的算力中心。这些高频运输出来的数据生产力将涉及金融、制造、农业、林业、电商、保险金融等等，几乎涵盖了我们微观和宏观经济的所有门类。为未来的人工智能打造一个很良好的数据基础。

但是这些数据的产出，无论是从金融到保险、从银行到基金、从农业到工业、从电商到人力资源外包等等，无论哪种行业和产业，所有的数据都将植入人工智能并服务于以上所有门类的供应链，换句话说，他们都无法逾越供应链运营的体系强大帝国。

说到算力，就不得不说一说高频计算。高频计算是多维度、多频率、多矩阵，对某一数学模型进行有取向性的、多频次、高密度的计算，并把所有运算的结果展现出来，并一一筛选出符合数学模型特征的一个高等级算法。实际上，这种高频算力对供应链的支持是最大的。当然，对其他行业的支持也是也是不容忽略的。因为高频计算的结果，直接作用到了人工智能上，并在各个产业的供应链上深度应用。

无独有偶的是，前几天我看一一篇报道《2022年AI-2000人工智能最具影响力学者》，其中报告选取了21个领域的本年度的前10名学者，看得我不寒而栗，坦白说，在这个21个领域里面，我们国家的还是凤毛麟角；报告多次强调人工智能的是需要大量的高频计算作为基础的，当然这些运算一定要在高等级的运算集群里方能实现。实现出来的结果首当其冲就是供应链方面的运用。我们首先看看下面这张图。

但是在实际的经济生活中，这些算力。如何影响到供应链这个产业呢？

因为算力的结果是最直接影响、是最直接输入的AI人工智能里边去的。人工智能对供应链的帮助当然是比较大的。因为人工智能是汲取的高频计算的结果，运用到供应链里边最合理的一种体现。

算力是要建立在数据的基础上，通过一定的诉求和一定的管理。制定管理规则的根本就是要从数据中获取一定的决策支持（DSS-decision support system）。要把人工智能建立在以数据管理为基础上的。那么AI有了数据结果的支撑，就可以要为社会和企业做出数据应该做出的贡献。

我们先看看它对供应链的帮助。在《2022 AI》报告里边。虽然没有完全描述出对供应链的具体支持，但我们不难发现，他对供应链的帮助都表现在哪些方面。我在知乎平台上的去年的文章里边有一个人工智能对于高管管理指南的文章里，实际上写的是比较笼统的。今天呢，我们就在我们就比较详细的描述描述人工智能在高频计算的帮助下对供应链的帮助有哪些。

一

第一就是毋庸置疑，就是采购数据和采购信息获取。

高频计算和人工智能融合对那些传统的采购是一个毁灭性的打击。尤其是针对采购对标的这种行为。另外是对采购成本分析和采购成本信息获取的帮助。作为买方，你最起码得知道这个东西值多少钱。作为买方，压根儿就不知道这个东西的价值到底有多少。而一味的去压价、压价，除了买方的无知以外，实际上就是对高频计算和人工智能的一种熟视无睹。在高频计算里边，我们可以很容易的把采购成本给它拆开，里边涉及的所有成本体系都可以完全透明。一旦透明就很好办。在人工智能报告里边，我们可以看出，通过高频计算。我们可以获得出一个大宗物料原材料的价格；比如像铜，它的价格在中国多少钱、期货多少钱和现货多少钱、在南美的智利，现货多少钱和期货多少钱，在越南现货多少钱和期货多少钱，我们可以通过倒3角的这种计算体系并结合当地的会计准则（像印花税要算进去等类似于这样的费用），通过算力，我们可以很轻松获取他们的裸价到底在什么水平，加上物流成本就可以瞬间知道到底哪里的比较适合我们、哪里的是对我们买方最有利的。我们在中国买便宜还是在欧洲便宜、还是在东南亚买便宜、或者是在南美买比较便宜？如果政府数据作为资产可以开放的话，我们可以看到在这些进口的外贸公司里边谁采购的这些物料比较便宜，比如说中国的五矿集团买的比较便宜还是科弘材料买的比较便宜，我们都可以通过高频计算来获取。高频计算输出的结果，就是要把这些国家或地区的，期货或现货的资源做一个联网整合，并用爬虫技术来获取谁的价格最低，然后由我们的买方进行优化并植入人工智能进行决策。当然这个只是我的举的一个很小的例子。其它的更是举不胜举，尤其是芯片和光刻机的需求描述，还是十分震撼的。（很搞笑的是，他们跟俄罗斯做了对比，很是受益）

二

第二个是物流。这个可以分为2个部分，一部分是内部物流，一部分是外部物流。

1、外部物流指的是进出口。因为在进出口体系里边很容易拉长我们的供应链，大家都知道供应链越长，我们的成本越发难控制，并且我们的流程越长，效率越低。尤其是在疫情的这个作用下，供应链长度也决定了我们的效率和我们的成本（我曾经在知乎平台上做过一篇文章说关于技术中台的内容，这篇文章的核心就是让算法植入到数据中台里来决定供应链的长度。供应链长度越长。对于供应链的从业人员来说，是一个灾难）。所以高频计算在判断一个物流方式或者在判断一个交易体系的时候会起到重要作用。比如我们在计算一个海运的成本的时候。我们的货从出发地出发，假如从德国汉堡出发，或者从荷兰的阿姆斯特丹出发，他当地的港口的一些政策以及海关的一些政策以及运输途中的一些疫情的突发状况，还有货代公司对货物的一些要求以及我们运输的一些时间、成本等都会通过算力而得出过程和结果。换个方式，同样的货物，同样的出发地点，我们可以利用铁路运输，要经历的每个国家都要报关，因为铁路走的是每个国家的领土，需要每个国家都要报一次关，那么这些时间这些成本就跟海运做一个比较，哪种方式对我们比较划算？同样，我们也可以计算出空运，也可以计算出多式联运等等，这些都会对我们有极大的决策帮助。我在AI报告里可以看到，比如，当宁波的北仑港有疫情的时候我们可以停靠在大连、我们可以停靠在天津或者停靠在厦门等等，但是，哪一个港口最快或成本最优，我相信任何团队都未必能一下子给出答案，但高频计算可以。这些都属于高频计算对供应链的帮助。同样的问题，高频计算甚至可以在数据集群中去选择我们的货物在哪里中转比较合适、我们的货物什么时候到港、我们货物的延期抵达对我们的计划影响到底有多大、对库存的威胁又有几何？等等这些结果，完全可以打开传统供应链管理的视野，让你的供应链真正的跨入有“格局”的行列。

2、内部物流是人工智能最大的受益者。

（1）是物料检索。

通过高频计算，我们可以利用任意关键字在仓库里边进行物料的检索。比如用物料在仓库里停留的周期进行检索、可以利用料号进行检索、可以利用bom编号进行检索、可以利用价格进行检索、可以利用周转天数进行检索、可以用供应商的名称进行检索等。总之，我们可以在仓库里可以看到我们想要的所有数据。尤其是物料在仓库里停留的周期，我们可以判断出货物在仓库里的周转及活跃指数。我们可以通过这样检索的结果，提升我们对于库存的周转敏感度度、判断物料的活跃程度等。检索是高频计算在WMS里最直接的应用。

（2）包装破损的管理

检查包装破损。高频计算使用色差、外包装的图像线条脉络走势偏差图来判断外包完好状况的计算体系。将高像素的完好无损的外包装图片和视频植入高频计算摄像机里面，在高频摄像机扫描时，在获取新入库的外包装物的时候，一旦发现有包装图片的色差以及线条方面的色差及脉络不平整或不平行，高频计算摄像就马上能够自动筛查出外包装破损的货物并报警。可以改善原来有人工来判断外包装破损工作效率。将计算结果通过人工智能对提高物流效率是一个极大的帮助。我描述的过程很缓慢，但在数据执行的时候、又是在流水线执行的时候那可是分分秒秒的事情。

（3）RFID

对于RFID无线射频扫描的数据纬度的组合是一个极大的帮助（当然，那些用流水码的就算了）。高频计算可以让供应商的信息、物料名称的信息、质量信息、BIN信息、包装信息、BOM信息、生产工位的信息及客户信息通通植入到RFID里边去。让所有数据进行自动汇总。当某一纬度的数据出现变更的时候我们很容易找出此数据变更会影响到供应链里边的哪些要素，平常我们所说的短板管理就是如此。如果将高频计算运用到RFID里边去的话，那么对于任何物料的管理，都可以进行精准把控，完全可以让供应链稳坐钓鱼台。

（4）包材

包材管理，因为包材循环可以为公司降低成本，同时为双碳带来积分。这是一个很不错的选择。当然，包材类别很多，并且会涉及一些危险品的包材，像液体啊气体啊等等。还有一些像工装、塑料托盘、木头或木制免熏蒸托盘和进出口的包材等等，这些都可以让高频计算来判断它的用途及材质。并计算出哪些包材是在供应商处循环，哪些包材是在运输途中循环，那些包材是在月台上循环，哪些包材是在仓库的储位上循环，哪些包材是在生产的工位上循环，并且可以通过包材的不同位置来判断物料的不同属性。从而为物料定位和包材管理找到一个很好的切入点。

三

第三个是库存管理。

这个部分的高频计算最高“颜值”的表现，前段时间，我出了趟远门，在加利福尼亚参观加州数据的时候我就发现（他们是用高频计算的结果输出到双碳方面的，也是为了积分）这个方面，美国的加州数据做的是最好的，他们还有一个副业，就是他们一直在计算一家公司到底备多少库存对双碳是有最大帮助的，我们也知道，管理科学里边对于企业备多少库存的计算公式，超多，比如像EOQ（经济订货量Economic Order Quantity）、EPQ（经济生产量Economic Production Quantity）、平均绝对偏差等等。实际工作中我们不能一概而论，就是运用一种方法就可以按照这个方法进行所有物料储备依据，那是很可笑的，而且是愚蠢的。所以高频计算就在判断哪种方式比较适合哪种物料的时候进行高密度和高强度的运算，最终找一个比较经济的方式来完成对物料匹配的决策支持。在SAP的莱昂纳多这个版本里边。就会有计算安全计算库存及订货量的一个标准偏差。他们就是运用高频计算对数十万颗物料在30种物料偏差的情况下进行所有备库方式的计算和梳理，并给出最优结果，这样的目的是告诉企业的决策者。哪种方式最适合哪类物料。毫无疑问这种人工智能就是建立在高频计算的基础上的，这种算法与算力将影响了企业的效率、企业的成本，当然也影响了企业的利润。

四

第四个是对预测数据的管理。

这个部分。其实是建立在I T的基础上的，它的目的只有一个：获取准确的预测数据。但数据准确的前提是建立在预测数据丰富的、多元化的数据来源渠道上的，然后通过饱和的计算来找出哪种结果是对计划有帮助的。因为预测的结果是输入到计划里边去的，同样反过来说，计划的获取是建立在预测准确的基础上的，也就说预测数据都是错的，那么计划的数据当然也不可能准确。

所以高频计算在计算预测数据获取的时候，其中有一个纬度是来自于某一个销售工程师给出的销售预测。这里边有2个维度的计算，利用APE（analysis percent error）来计算销售工程师这个人他的销售的悲观和乐观指数，同时也利用APE来计算这个销售工程师所卖的产品的那个SKU的销售波动值。一个工具来算出一个人的2个纬度，一个是人的纬度，一个是产品的纬度。我记得以前在知乎平台上，我给过这样的算法体系。当然，这只是高频计算，针对一个销售预测的销售工程师的渠道。那么同样，数据来源渠道还有：KA客户这样的渠道、中间商这个渠道、历史数据这个渠道、经营目标这个渠道等，有机会我们再聊经营目标这个数据渠道，因为这个最有意思。这些高频计算所涉猎的计算方式，会把所有预测渠道的数据统一归纳、统一归类、统一计算并输入到人工智能里边，让计划很好地汲取这个数据，为计划的准确传输起到最基础的作用和价值。

这里我就不用说计划了，没有别的意思，因为我们公司在这个计划方面投入的精力、财力、人工及时间都是十分丰厚的，当然，很多年前我们都已经在数据治理方面投入了太多的精力，并且在行业里边也是都是比较优秀的（不是凡尔赛）。我怕说的言多必失，因为我说的越多，怕泄露一些不应该泄露的东西。当然也希望各位从业人员在这方面要投入一些精力。可以让你的计划变得更加的准确。当然还要应用一些算法和算力的。其实所有的算法算力里面，我觉得只有预测的算法和算力在目前的供应链管理里边是最有价值的，因为它解决了企业里边最复杂而且是最最难解决的一个问题。很多时候凡是抱怨吐槽都说什么预测不准、预测不准这样的人，我真的劝你能够把这种吐槽的精力放到运输数据上去，这样的话，我相信你这会有一个很棒的收获。

五

第五个是在供应链里边对人的一些判断，尤其是对技术工程师的一些分析。

我看到了很有意思的一些数据。比如我们发现是哪个技术工程师比较喜欢指定供应商、哪个技术工程师比较喜欢技术变更、哪些技术工程师有比较多的设计失误、或者说品牌偏好等等等等。利用这些数据在对库存控制以及生产计划方面的支撑作用非常明显，因为可以明确感觉到我们的库存上升是受到什么因素的影响：是我们的计划不能执行得很好？还是受到什么样因素的阻力？这些均可以运用在计算计划数据和计算库存数据的时候，将对我们的产生一些积极的影响和帮助。 

六

第六个是在计算物流成本方面。

物流成本，我本来想单独列一篇文章来说说说，这里呢，我就稍微提一下。

高频计算里边对物流成本提供的帮助资源非常非常丰厚，因为里边所涉及到像高速公路费、油耗费用、汽车的发动机的磨损费用、司机的驾驶习惯对物流成本的影响、路程距离的管理等等。涉及到一些。目前最好的应用就像网约车那样。其实这方面的数据像滴滴、货拉拉、快狗、UBER等等。像这些公司，他们的算法已经非常成熟了，我就不在这里边啰嗦。但是工业运输，尤其是大宗货物运输，国内的虽然有一些软件的算力方面和算法方面有一些突破，但是还没有完全产业化，尤其是像美国加州数据那样的完善，我们我们还做不到。希望国内的同行在这方面一定要抓紧时间。一步落后，步步落后。

好吧，就说这么多吧，改天有机会再好好聊。我觉的呢，时代走到这儿了，我们算力，在某些方面还是需要加强的。尤其是在信息系统方面。无论是用SAP、还是用甲骨文、还是国内的用友或者金蝶。现在很多系统，都配备了相当不错的功能。软件最核心的在于应用。现在的SAAS可以很好地去弥补原来ERP规划的不足。像国内的用友有一个软件，我认为它是跟SAP对标的，SAP有一个IBP，用友搞了一个BIP。但无论什么样的系统，都是为了很好地为客户提供服务。所以我们要抓住多元化及个性化系统时代的到来所带来的红利，让公司的系统很好的为咱们供应链服务。我也希望公司的供应链系统设计的时候拥有一个很好的架构师，帮我们彻彻底底的把供应链条上的所有要素重新梳理一遍。很多年前有一个很流行的工具叫BPR（biz process reengineering）,企业流程再造,在流程再造的过程中，加上我们现在我们谈的算法和算力。结合SAAS这样的工具，我相信我们的供应链丝毫不逊色于世界上任何顶级公司的供应链，因为这样的工具依然没有落伍，它依然可以为我们提供很好的、针对性的、个性化的很灵动的服务。

另外一个就是在IT部门中要多增加一些学数学专业这样的一些同事，因为数学是算力的一个基本技术支撑。传统的计算方法和逻辑流程显然不能符合现在供应链的诉求，尤其是供应链越来越长的情况下。我希望能够在HRBP的帮助下，学数学的这部分同事能够很好地结合公司供应链的实际状况：像库存的需求、像计划的变更、像物流的加急，以及计划如何与其他部门的协同等等，这些矛盾和冲突，如果能用数学逻辑的方法得到解决，并且把算法应用到数学逻辑中去，我相信我们的供应链可以脱胎换骨。

希望各位同行或者各位同僚能够迎难而上，把我们的供应链在算法和算力的支持下达到一个新的高度。坦白说，传统的管理体系对供应链来说，它的帮助越来越小，甚至已经没有什么太大的价值。有些公司的供应链管理实际上是在吃老本儿，甚至是在走下坡路，并不是说人的能力不行，而是在某些新技术生产力应用方面稍微的欠缺。不要再说乌卡时代了，乌卡时代已经成为了常态，所以，老说乌卡时代就是借口。换句话说，用这种常态的事情来作为一种精神寄托或者作为一些没有做好事情的借口，我认为不够大气。所以希望某些老大能够在这方面与时代前进的步伐保持同步。这样充分争取到算力的红利也是对咱们本人和对咱们的同事、对咱们的老板、以及对咱们的这个身边的环境，乃至说的再稍微高大上一点，也是对社会也是一种贡献。我不知道各位有没有紧迫感，有，那就对了。