2022年6月25日，上海管理科学论坛第5场分论坛在线上成功举行。上海交通大学中美物流研究院张大力副教授受邀参加，并围绕“数字经济、商业模式与管理创新”做了专题演讲，以下是报告内容。
我今天交流的内容源于近年来自身的工作感悟和体会。这几年我国物流企业生存比较困难，中小微物流企业更是不太乐观。今年我们做的一个调查报告发现，自2020年以来，超过一半的中小微物流企业利润都是亏损的，仅有18.4%的中小物流企业盈利。最大的问题是超过1/3的被调查企业反映用工缺口，10%的企业表示用工非常紧缺。超过60%的企业反映收入增长不足，成本压力增大，基本是每个企业都面临的问题。
另外一个现象是自2018年开始，由于关税和成本的攀升，我国产业外移就开始了。外移的对象主要是越南等东盟国家，或者是墨西哥这样离美国比较近的国家。今年的疫情更加速了产业外移，订单以更快地的速度向以越南为首的东南亚国家转移。2022年3月份，越南工业生产指数同比增长9.1%，制造业PMI也增长至21.7%。
一个自然而然的问题就是，我国内陆地区为什么不能承接沿海地区的产业转移？如果我们仔细观察，一个重要原因就是我国物流体系没有那么稳定，如果没有一个稳定的物流体系，不能及时把货物送到沿海并出口，就存在交付的不确定性。由于物流成本的不确定性叠加内陆地区不菲的人力成本，让内陆地区跟越南相比没有太大的优势。这让我们思考这个问题的解决之道，比如用人工智能等新的技术手段来缓解压力。
近年来，我国人工智能产业发展迅速。2018年人工智能产值83.1亿美元，2022年增长至276.5亿美元，年均增长率接近30%以上。其中人工智能领域专利申请量占比为37.1%，超过美国25%，中国已稳居第一。
但是我国人工智能产业是一个偏向封闭的产业。我为什么这么说？上海疫情期间，我们并没有听说以往耳熟能详的智慧城市，复工复产中有多少无人智能化工厂，不需要员工进驻就可以智能开工的。我们的人工智能怎么了，怎么才能建立起一个有效的人工智能产业呢？
图1 人工智能体系结构
如图1所示，人工智能技术的体系结构分三个层次。最下面的基础层包括软件硬件设施，中间的技术层包括通用算法模型和机构框架，上层是我们天天接触的应用层的这些产品。时间所限，今天的交流主要聚焦中间技术层的智能算法，看看智能算法为什么效果不如预期？以供应链的智能算法为例，我们的智能算法要分别与客户、合作伙伴、员工和物件四个维度进行交流，组成了商业模式的五个重点领域。
图2 智能算法和商业系统（图表源头：Gartner）
根据图2，底层（物件和员工）两个领域和上层（客户和合作伙伴）两个领域有不同的特征。以物联网连接的物件和员工的信息系统平台是一个稳定的结构，企业不会天天去改变。而上层的客户和合作伙伴是时变的结构。而智能算法处在中间，从底层获取数据来支撑上层客户和伙伴实践系统活动来优化功能，产生利润。
图3 双模IT架构
当把人工智能技术植入到系统架构中时，我们面对的是一个双模的IT架构。其中一模是作为物联网和信息系统平台的后台，一定是具有安全性和经济性的IT系统，能够支撑现有业务的稳定发展。另一模在前台，前台是敏捷型的IT系统，针对客户需求的变化，它强调速度和灵活性。企业要能不停地布局新产品，有新的模式能够被推出来。中台是什么？中台是从后台中抽取数据和资源放到中台，时刻准备着去解决前台提出的新问题。
大家可能会问智能算法应该放在什么位置呢？像机器学习、深度学习和增强学习之类的智能算法应该放在基于中台面向前台的位置。随之而来的一个问题是，我们如何能够把智能算法打造成一个有效的工具，能够真正服务于我们的生活。
鉴于我的研究领域是物流，接下来跟大家分享物流领域的三个案例。
案例一
第一个案例关于东南亚一家做快递众包平台的公司。大家可以把它商业模式想象成同城快递这样，从平台上获取订单，然后把订单交给司机，然后司机骑着电动车在城市里进行配送。
图4 某众包快递业务算法设计
算法设计师不可能将算法僵硬地设计成拿到一个订单就交个一个司机配送。因为一个司机只负责一个订单的配送会造成大量的浪费。一个合理的做法是建议一个订单池，从订单池里面去取同类的订单，根据订单的起点和终点，做一个聚类分解，把相近的订单分配在一起，并推送给一个司机去跑。我们希望司机的订单密度足够高，同时跑的路又少。但是另一方面，订单密度又与时段有关，比如后半夜订单密度过低影响成本问题。我们这个算法设计师做了一个订单回收系统，每一次将要派送的时候会计算订单密度有没有达标，如果没有达标就收回来再等等，一直等到离订单截止时间只有一个小时，直到还没有攒到足够的订单让密度升高，就把必须要送的送出去。
案例二
第二个案例与某个在上海的钢铁仓库有关。案例聚焦用智能算法对仓库的储备进行分配，每一个钢卷都有一个储备放置。钢卷的存放是一个很有意思的问题。算法专家告诉你，放入一个钢卷之后，贮存空间可能并没有变少，贮存空间可能变多，如图5所示。两个钢卷之中放置第三个钢卷，它们中间占用了一个贮存空间，但整个仓库中又多出两个贮存空间。这个时候怎么去设计储备的智能优化算法，就跟场景有关了。
图5 某钢铁企业的仓库管理
案例三
第三个案例与生产线上的重要零部件的替换相关。生产线上的重要零部件会随着生产的负荷慢慢衰减和失效，但是维修耗费时间。我们可以在工厂边上建库存，库存这些重要零部件的备件。当零部件将要失效时，可以把库存的备件替换上去。
这里牵涉到两个问题，一是生产制造，一是仓储管理。初衷就是决策能够前移，一方面能够备足足够量的零部件，在生产宕机的时候能够及时替换，降低损失。另一方面也要考虑到零部件的资金沉淀和库存成本。如何平衡呢？一个解决方案是给生产线上的零部件加装传感器，把这些传感器的数据读进来，通过数据能够了解零部件的健康状态。在利用机械原理的概率统计预测未来一段时间内失效零部件的数量，从而建立最优库存资源。在这个案例中，智能算法一方面连接制造过程，另一方面连接库存管理体系。企业决策端口前移，前移到直接能够从生产线获取数据的时候。
跟大家分享了三个案例，三个案例的智能物流算法都各具特色。第一个案例聚焦于某个供应链的节点，而且是节点的功能表达层，也涉及到部分业务逻辑层。第二个案例还是聚焦在业务逻辑层和基础设施层上。第三个案例被布置到整个一个供应链上，覆盖了部分智能制造的环节和物流环节。
图6 怎样才是好的智能物流算法？
哪个案例是好的？每个案例在我看来都是好的，因为它解决了功能业务的需要。由于前端平台不停变革的需求，如何面向功能和业务来进行定制的设计，由于业务不同，没有一个放之四海而皆准的物流算法。
就智能算法模型居中的双模系统而言，数字中台解决的是前台客户的生态系统、业务系统和功能节点。我们在数字中台上提取数据，然后针对每一个节点上的功能需求来进行算法的设计，这样的算法才是有效的。换句话讲，有效的算法都是面向功能和定制化的，解决实际需求的算法设计才是最有效的。
如果把视野扩大到整个供应链，我们不仅仅是优化某一个节点功能，而是能够增强上下游的协作能力，能够持续优化供应链，最终能够提高供应链的可视性。我们需要在执行的层次上，控制的层次上和管理的层次上，不断提升算法的有效性。换句话说，每一个节点每一个层次上的执行、控制和管理都要面向功能开发。
最后分享一个小故事作为结束。去年圣诞节前，我国的阿里云被工信部处罚了，因为阿里云当时发现了服务器log4j漏洞，阿里云第一时间告诉了Apache基金会。Apache认定它是一个漏洞，但是工信部没有收到阿里云的上报，所以这十几天中国所有的服务器都在裸奔。有很多智能算法和底层基础都是来自于Apache的开源项目。
我国工信部会感受到风险，是因为对于这些开源代码是没有掌握的，没有实力去和美国发起的开源社区进行博弈。为了不被掐住脖子，不要等到所有bug要解除的时候再去找他们，我们建设自己的开源社区或者建设我们自己智能算法的开源组织是非常重要的。我们在选择智能算法或者底层应用的时候，也要考虑到这个问题。我也希望所有企业在未来成长过程中，有自己的算法开发设计，然后共享出来给所有人用，这样也能让我国开源环境的竞争力与其他国家达到平衡。
转载自《上海管理科学》期刊公众号
张大力：上海交大中美物流研究院副教授、上海交大行业研究院智能物流行业研究团队负责人
安泰主页