羅戈研究：2024年全球生成式人工智能GenAI在供應鏈領域創新應用展望報告（42頁）.pdf

《羅戈研究：2024年全球生成式人工智能GenAI在供應鏈領域創新應用展望報告（42頁）.pdf》由會員分享，可在線閱讀，更多相關《羅戈研究：2024年全球生成式人工智能GenAI在供應鏈領域創新應用展望報告（42頁）.pdf（42頁珍藏版）》請在三個皮匠報告上搜索。

1、全球生成式人工智能（GenAI）在供應鏈領域創新應用展望羅戈研究院副院長中國數字化學會特聘終身顧問廣州捷世通物流股份有限公司戰略副總湖南大學計算機信息工程學院兼職敎授唐隆基博士（2024-01-20）羅戈研究2目錄引言.31.展望生成式人工智能.41.1 什么是生成人工智能？.41.2 展望生成式人工智能.51.3 生成式人工智能對不同行業的影響.72.生成式人工智能市場地圖.83.供應鏈中的全球生成式人工智能市場.104.Gartner 2024 年預測：供應鏈技術.115.生成式人工智能的前景與風險.156.大語言模型（LLMs）與小/專業語言模型（SLMs）.187.生成式人工智能在供應

2、鏈中的應用前景和展望.227.1 生成式人工智能的應用前景和能力.227.2 生成式人工智能在供應鏈中的應用前景.227.3 生成式人工智能+GS1 標準助力供應鏈和物流騰飛.247.4 生成式人工智能如何改變供應鏈運營.257.5 商業化 GPT Store 如何助力供應鏈和物流的 AI 應用.297.6 供應鏈如何從使用生成式人工智能中受益.318.總結.35參考文獻.36羅戈研究.39全球生成式人工智能（GenAI）在供應鏈領域創新應用展望3引言新的一年 2024 己經來臨。在過去的兩年（2022-2023），正值世界的格局巨變中，新興的技術，特別是人工智能也迎來了劃時代的創新。人們肯定

3、沒有忘記 2022 年底（OpenAI 推出ChatGPT）和 2023 年初突然席卷互聯網的所有生成式 AI 炒作。來自 Midjourney 的引人注目的圖像和 ChatGPT 撰寫的詼諧帖子充斥著我們的社交媒體。ChatGPT 于 2022 年 11 月發布后，OpenAI 估值已漲至 290 億美元。ChatGPT 迅速走紅，上線 5 天后已有 100 萬用戶，上限兩個月后已有上億用戶。從而開啟了生成式 AI 的熱潮（見圖 1）。圖 1：從發布到 100 萬用戶選擇平臺/應用程序的時間（來源：【1】）ChatGPT 的推出，迅速推動生成式人工智能的應用在敎育，媒體，工業等等各個領域和行

4、業的應用熱潮，當然也推動了供應鏈的 AI 創新。正如埃隆馬斯克所說，“生成式人工智能是迄今為止最強大的創造力工具。它有潛力開啟人類創新的新時代?！?023 年成了生成式人工智能從理論到實踐，從實驗到創造價值的元年。本文作者在 2023 年的四場演講中特別介紹了 ChatGPT 和生成式人工智能在供應鏈中的應用發展趨勢【2-5】。本文旨在介紹和分析新年生成式人工智能技術創新的發展趨勢，特別是展望新年供應鏈技術創新的趨勢。羅戈研究41.展望生成式人工智能1.1 什么是生成人工智能？維基百科指出：生成式人工智能（英語：Generative artificial intelligence，或稱 Gen

5、erativeAI、生成式 AI、產生式 AI）是一種人工智能系統，能夠產生文字、圖像或其他媒體以回應提示工程，比如 ChatGPT。產生模型學習輸入數據的模式和結構，然后產生與訓練數據相似但具有一定程度新穎性的新內容，而不僅僅是分類或預測數據。用于處理生成式人工智能的最突出框架包括生成對抗網絡和基于轉換器的生成式預訓練模型。Gartner 在【6】中給出了生成人工智能的定義:從模型中人工制品的表示中學習并生成具有類似特征的新人工制品的人工智能技術。并且如圖 2 所示，具有如下的包含結構:生成人工智能包括所有基礎模型基礎模型包含各種大語言模型（LLMs）ChatGPT 只是基于 LLM 產生的

6、一個生成人工智能服務圖 2：什么是生成人工智能（來源：【6】）圖 3 描述了生成式人工智能與傳統人工智能的關鍵區別，其中最重要的區別是傳統人工智能只能幫助人類提高分析的智能和實現自動化最佳解決方案，這實際上間接提高了人類生產力的水平；而生成式人工智能能直接為人類產生出新產品和生成新內容，提高人類的工作效率，也就是說它的能力是直接提高人類社會的生產力。全球生成式人工智能（GenAI）在供應鏈領域創新應用展望5圖 3：生成式人工智能與傳統人工智能的關鍵區別（來源：【6】）從 20 世紀 50 年代起步以來，生成式人工智能已呈指數級增長，改變了我們所知的人工智能格局。幾十年來，無數研究人員和工程師為

7、生成人工智能的發展做出了貢獻，掀起了一波創新浪潮，繼續塑造我們的現在和未來。圖 4 描繪了生成式人工智能的演變時間表。圖 4：生成人工智能的演變（來源：【7】）1.2 展望生成式人工智能隨著企業認識到生成式人工智能在不同領域的變革潛力，生成式人工智能市場正在經歷顯著增長。圖 5 中表明這項創新技術成功的數字。羅戈研究6圖 5：生成式人工智能市場及其現狀（來源：【7】）高盛研究【8】認為，生成式人工智能的突破有可能給全球經濟帶來徹底的變化。隨著使用自然語言處理先進技術的工具逐漸進入企業和社會，它們可以在 10 年內推動全球 GDP 增長 7%（或近 7 萬億美元），并將生產率增長提高 1.5 個

8、百分點。新一波的人工智能系統也可能對全球就業市場產生重大影響。這些進步引發的工作流程轉變可能會讓相當于 3 億個全職工作崗位面臨自動化。高盛資產管理公司在 2024 年展望中預計，人工智能將繼續從“興奮”階段轉向“部署”階段。Gartner 在其 2024 年及以后的重要戰略預測【9】中指出：2023 年，生成式人工智能已釋放出巨大的創造力和生產力潛力。我們對 2024 年的主要預測表明，每次戰略對話都需要包含生成式人工智能（GenAI）。麥肯錫全球研究院在其研究報告【10】中指出:生成式人工智能有望掀起一股強大的生產力增長浪潮，這可能會影響所有行業，并可能在我們研究的 63 個用例中每年為全

9、球經濟增加4.4 萬億美元。生成式人工智能時代才剛剛開始，充分認識到該技術的巨大優勢還需要時間。但企業領導者應該盡快開始實施生成式人工智能用例，而不是觀望，因為落后者和早期采用者之間的性能差距將迅速擴大。競爭優勢將屬于首先使用生成式人工智能來加速其業務優先事項、創新和公司發展的組織。全球生成式人工智能（GenAI）在供應鏈領域創新應用展望7進入 2024 年，德勤做出了三個預測【11】：首先，我們預測幾乎所有企業軟件公司都將在其部分產品中嵌入新一代人工智能。其次，我們預測將會出現多種定價模式：顯式按席位定價（每個用戶每月或 PUPM）、基于消費的定價、混合方法、隱性定價（保留現有的任何模式，但

10、收取更多費用）、或者免費，至少目前是這樣。最后，我們預測，到 2024 年底，企業軟件公司（除了一代 AI 處理能力的云提供商）的收入增幅將接近 100 億美元。1.3 生成式人工智能對不同行業的影響生成式人工智能已經進入各個行業，重塑創造力、生產力和解決問題的領域。下圖描繪了GenAI 對不同行業的影響。圖 6：生成式人工智能對不同行業的影響（來源：【7】）供應鏈是上面各個行業的重要組成部分，因此生成式人工智能必然會對供應鏈變革產生深遠的影響。羅戈研究82.生成式人工智能市場地圖2023 年 9 月 20 日【12】發布了生成式人工智能市場地圖，它是基于下面兩個新趨勢：生成式人工智能從技術錘

11、子演變為實際用例和價值。生成式人工智能應用程序日益多模態的性質。全球生成式人工智能（GenAI）在供應鏈領域創新應用展望9圖 7：生成式人工智能市場地圖（來源：【12】）此外，【12】還提供了一個新的 LLM 開發人員堆棧，該堆棧反映了公司在生產中構建生成式 AI 應用程序時所求助的計算和工具供應商。圖 8：生成式人工智能基礎設施堆棧（來源：【12】）羅戈研究103.供應鏈中的全球生成式人工智能市場根據市場研究公司的報告【13】,全球供應鏈生成式人工智能市場規模預計將從 2022 年的2.69 億美元增至 2032 年的 102.84 億美元左右，2023 年至 2032 年的預測期間復合年增

12、長率為 45.3%。利用機器學習算法根據已有的數據輸入生成新的、原始的輸出，這被稱為生成式人工智能。商品和服務的生產、分配和交付都是通過一個由組織、資產、流程和信息組成的復雜網絡（稱為供應鏈）進行處理的。它包括許多階段，包括制造、物流和客戶服務。為了優化運營、降低成本并滿足消費者需求，企業必須有效管理供應鏈。由于生成式人工智能可以分析巨大的數據集、發現模式并產生見解和解決方案，因此它最近引起了廣泛的關注。生成式人工智能可用于供應鏈，通過簡化程序和增強決策來提高效率。圖 9：供應鏈中的全球生成式人工智能市場（來源：【13】）全球生成式人工智能（GenAI）在供應鏈領域創新應用展望114.Gart

13、ner 2024 年預測：供應鏈技術2023 年 10 月 26 日 Gartner Dwight Klappich 等分析師發表了研究報告2024 年預測：供應鏈技術【14】。該報告指出：技術被視為競爭優勢的關鍵推動因素，領導者經常將提高自身地位視為投資供應鏈技術的關鍵驅動力。供應鏈技術領導者可以利用這項研究來發現未來的風險和機遇。其主要發現包括:使用新興技術支持數字供應鏈轉型仍然是供應鏈組織的一項資金最多的舉措。推動新興技術投資的四個主要原因是公司需要支持新的業務模式、提高流程效率/生產力、加強決策以及提高供應鏈彈性/敏捷性。只有 10%的公司認為技術不是競爭優勢的來源。Gartner 調

14、查中近三分之一的受訪者表示，技術對其業務的成功和增長至關重要。該報告根據 Gartner 對新興供應鏈技術的調查和預測，指出了 2024 年新興技術投資的四個重點領域（見圖 10）：（1）勞動力：尋找、雇用、培養和留住一線勞動力對于供應鏈組織來說是一個日益嚴峻的挑戰。在 2022 年 Gartner 供應鏈技術用戶需求調查中，1%-30%的受訪者表示，勞動力限制是實現其供應鏈目標的三大內部障礙之一。此外，24%的受訪者表示，供應鏈勞動力再培訓是 2023 年資金最多的舉措之一。最后，當被問及為什么投資網絡物理自動化時，59%的受訪者表示，這是因為他們有勞動力可用性問題。這些問題綜合起來，促使人

15、們更加關注勞動力問題，這也是今年兩項預測背后的推動力：首先，通過機器人實現自動化，在不久的將來，機器人的數量將與一線工人一樣多。其次，需要投資技術來提高員工敬業度。（2）智能：隨著供應鏈變得越來越復雜和不穩定，決策速度和質量仍然是供應鏈組織面臨的首要內部挑戰。這促使企業投資各種技術來改善決策，例如高級分析、機器學習和最近的生成式人工智能（GenAI），這些技術都被認為是重要且具有顛覆性的技術。34%的受訪者將提高決策速度、質量和穩健性視為推動新興/新技術投資的三大目標之一，這支持了 GenAI將在未來幾年在供應鏈解決方案中發揮重要作用的預測年。（3）邊緣：傳感器技術、物聯網（IOT）以及更快、

16、更高帶寬網絡（例如本地 5G）的進步使得能夠收集和利用更豐富的傳感器數據集。公司正在探索包含云和基于邊緣的解決方案的新解決方案部署架構。隨著信息技術（IT）和運營技術（OT）的融合，應用程序供應商開始羅戈研究12將這些世界與其解決方案中的某些功能結合在一起，這些功能最適合云，而其他解決方案最適合在邊緣處理。企業不只是在思考這個問題，他們現在也在追求這個想法。在我們的UWaN 調查中，27%的受訪者表示，數字化、跟蹤和管理邊緣資產是他們 2023 年資助的三大供應鏈計劃之一。這種趨勢體現在制造運營管理解決方案中，這些解決方案很快將成為云原生和邊緣驅動。（4）安全：網絡安全不再是 IT 獨自關心的

17、問題。供應鏈領導者越來越關注網絡威脅，他們將網絡安全視為組織未來五年面臨的三大最重要戰略威脅之一。無論是與內部供應鏈業務系統、為支持其運營而部署的網絡物理系統（CPS）、與貿易伙伴交易相關的風險還是來自其銷售和支持的數字產品的威脅，網絡安全都是首要考慮因素。值得關注的一大領域是軟件?，F代軟件是打包代碼、自定義代碼和開源代碼的拼湊而成，隨著時間的推移，網絡攻擊者可以發現這些代碼混亂中的漏洞。這支持了我們的預測，即有一項積極的運動（由美國總統行政命令支持）通過建立可跟蹤代碼塊的軟件物料清單（SBOM）來解決此問題。圖 10：新興技術投資的重點領域（來源：【13】）由于本文聚焦在生成式人工智能（Ge

18、nAI）方面的趨勢，下面將只介紹 Gartner 在此報告中關于 GenAI 的預測和趨勢分析。全球生成式人工智能（GenAI）在供應鏈領域創新應用展望13戰略規劃假設：到 2028 年，25%的物流 KPI 報告將由 GenAI 模型支持。主要發現：GenAI 能夠從大量內容存儲（例如文檔、信件和文字記錄）中獲取真實的上下文價值。到目前為止，大量數據基本上未被利用。借助 GenAI，它將為利用它的企業創造更多價值。大多數內容、數據和工作流程工作都會發生變化。2023 年接受調查的 442 名首席執行官中，超過 21%的人將人工智能視為未來最具戰略價值的技術。隨著組織中 GenAI 的采用從一

19、般用例轉向更具體的用例，使用行業特定數據和特定領域或功能用例進行訓練的目標模型將變得更加重要。GenAI 還添加了新功能并提高了虛擬助手和內容發現工具的性能，例如數據和分析（D&A）平臺和洞察引擎。近期標志：由于 GenAI 仍然是新事物，而且供應鏈內的用例大多尚未經過測試，因此依賴于供應鏈組織內或基礎技術（如運輸管理系統（TMS）或倉庫）內廣泛開發的內部模型管理系統（WMS）。市場影響：當供應鏈領導者開始考慮 GenAI 用例可以在哪些方面應用或改善其業務時，他們需要評估組織的成熟度、內部能力以及數據和人才可用性。不，他們不需要 GenAI 來進行 KPI 報告，但它可以取代未來創建 KPI

20、 報告的手動流程。GenAI 可以自動化數據分析、提供見解、實現預測分析并促進數據驅動的決策。通過將企業的所有系統集成到 GenAI 框架中，供應鏈領導者可以通過簡單的查詢生成 KPI 報告。GenAI 框架可以使用大型語言模型或第三方解決方案在內部構建。公共模型的風險更大，價值也更低，因為它們不會解釋內部數據集。高度成熟的組織可能擁有開發和定制 GenAI 解決方案的技術、數據和人才。然而，成熟度較低的組織可能缺乏其中一項或多項要求，應考慮與其合作的技術或服務提供商的嵌入式產品?？紤]快速獲勝也很重要。這是一個快速發展和變化的新空間。通過組織已使用的解決方案或技術中的嵌入式選項來利用 KPI

21、報告，并考慮適用于大多數物流功能的明顯用例，以推動更快的勝利。羅戈研究14隨著技術的成熟，供應鏈團隊利用自己的內部資源在自己的內部數據集上構建這些模型可能會變得更加相關和現實。這將使 KPI 指標和報告的查詢變得更容易、更可靠。建議：通過對團隊進行有關潛在用例的教育，確定應用 GenAI 的有用用例。通過了解供應鏈團隊并就 GenAI 的潛在用例進行培訓，獲得有意義的數據驅動見解。通過更簡單的 KPI 查詢和報告來了解組織當前的挑戰和額外的業務價值。通過權衡公司的供應鏈成熟度水平與快速獲勝或短期利益的機會來處理 GenAI KPI 報告。在探索 GenAI 如何提供幫助之前，先確定正確的 KP

22、I 非常重要。首先查看您現有的技術堆棧，評估 GenAI KPI 報告的現有功能。通過觀察 GenAI 模型的進展以及未來一到兩年構建模型的內部團隊，評估公司是否應該加大內部資源投資。全球生成式人工智能（GenAI）在供應鏈領域創新應用展望155.生成式人工智能的前景與風險Gartner 的副總裁和供應鏈杰出顧問斯坦阿羅諾在其文章【15】中分析了生成式人工智能在供應鏈應用中的前景和風險。圖 6 指出了生成人工智能從正反兩方面影響首席供應鏈執行官（CSCO）的優先事項：生成人工智能帶來的好處：更大的領導能力提高員工生產力更深入的功能理解生成人工智能帶來的風險：預期用途（被誤導）濫用使用事故圖 1

23、1：生成人工智能影響首席供應鏈執行官（CSCO）優先事項（來源：【15】）羅戈研究16【15】進一步指出：在技術解決方案背景下，其潛在風險和破壞可能與產品功能相關（例如，人工智能“幻覺”，又名錯誤信息），也可能是由意外后果（例如，用戶錯誤和放大的人類偏見）或故意、惡意造成的該技術的使用。抵消性的好處預計將來自于領導者更深入的洞察力以及員工生產力和能力的提高。Gartner 最近的一項調查顯示，盡管對精確生成式 AI 的適用性和風險了解有限，但近 70%的企業領導者認為收益大于風險。雖然大多數供應鏈組織仍處于該技術的探索模式，但 GenAI 在供應鏈中的一些新興功能用例包括：供應商參與和合規性：

24、總結合同，確保持續的合同合規性并進行供應商入職/問答。復雜模型的可解釋性：對傳統 AI/ML 模型生成的推薦生產、路線規劃或客戶履行決策的基于文本的解釋。監管合規性：以簡單的問答文本格式解釋貿易、醫療保健和/或可持續發展法規。KPI 和假設分析：解釋供應鏈指標及其驅動因素。使用直觀的基于文本的查詢來評估如何影響它們的選項。盡管生成人工智能使得人工智能向通用人工智能（AGI）靠近了一大步，并且充滿了美好的應用前景，但它還沒有實現自我意識或還只是普遍意識的一部分。它雖然聰明，可以造福人類，但它也可以給人類帶來災難。因此認識它存在風險的一面對于我們企業制定釆用這項聰明技術的戰略時尤為重要，它會幫助我

25、們避免盲目跟風，造成不必要的損失。下面將列舉一些它的風險調查和評估，以幫助企業在釆用這項技術時規避它們。最新的年度麥肯錫全球 人工智能現狀調查【16】證實了生成式人工智能（GenAI）工具的爆炸性增長。同時也發現“許多組織尚未解決人工智能時代的潛在風險”。該調查顯示，似乎很少有公司為新一代人工智能的廣泛使用或這些工具可能帶來的商業風險做好充分準備。在報告人工智能采用情況的受訪者中，只有 21%的受訪者表示，他們的組織已制定政策來管理員工在工作中使用新一代人工智能技術。當我們具體詢問采用人工智能的風險時，很少有受訪者表示他們的公司正在減輕人工智能最常見的風險：不準確。受訪者提到不準確性的頻率高于

26、網絡安全和監管合規性，而網絡安全和監管合規性是之前調查中人工智能最常見的風險。只有 32%的人表示他們正在減少不準確性，這一比例低于表示他們減少網絡安全風險的 38%。有趣的是，這個數字明顯低于去年報告緩解人工智能相關網絡安全的受訪者比例（51%）?？傮w而言，正如我們前幾年所看到的那樣，大多數受訪者表示他們的組織沒有解決與人工智能相關的風險。全球生成式人工智能（GenAI）在供應鏈領域創新應用展望17圖 12：不準確、網絡安全和侵犯知識產權是生成人工智能采用的最常見風險（來源：【17】）另一個令人震驚的調查是人工智能基礎設施聯盟的報告【17】。調查顯示“63%的組織因AI/ML 治理失敗而損失

27、至少 5000 萬美元”。該報告指出了一些與人工智能/機器學習治理失敗造成的損失相關的驚人數據。根據他們對 1000 多家年收入超過 10 億美元的公司的調查，近三分之一擁有現有人工智能部署的組織在未能正確管理這些系統時遭受了重大損失。18%的人表示損失在 500 萬至 1000 萬美元之間；19%表示損失 10-5000 萬美元；29%的人分擔損失在 5000 萬至 1 億美元之間；24%的人報告損失在 100-2 億美元之間；10%的人表示他們損失了超過 2 億美元?？傊?，GenAI 是另一種比核能還要強大的工具，然而核能可以為城市提供動力或摧毀城市。因此，我們的重點應該集中在如何正確使用

28、它為人類創造價值上。羅戈研究186.大語言模型（LLMs）與小/專業語言模型（SLMs）在人工智能（AI）領域，似乎越大越好。像 GPT-4 這樣的大型語言模型（LLM）的出現引起了人們的敬畏和擔憂，因為這些巨型 AI 模型表現出了卓越的自然語言理解和生成能力。在這些龐然大物的陰影下，一場悄然的革命正在發生。最近的研究表明，曾經被認為只是大型語言模型的墊腳石的小型語言模型，在各種應用中開始超越（或至少匹配）LLM 的表現。對能夠理解和產生類人語言的人工智能系統的追求推動了 LLM 的發展。LLM 已被證明在翻譯、摘要和問答等任務中表現出色，常常超越早期較小模型的能力。然而，這些成就也存在顯著的

29、缺點，包括高能耗、大量內存需求、高昂的計算成本和大量碳足跡和水消耗。分析師估計訓練像 GPT-3 這樣的語言模型可能花費超過 400 萬美元。隨著 LLM 獲得更多參數，這些成本只會上升，據報道 GPT-3 有 1750 億個參數，GPT-4 有多達 1 萬億個參數。因此，想要培訓具有復雜推理能力的 LLM 的組織必須投資更多的計算資源才能跟上。另一個主要問題是 GPU 創新的速度落后于模型大小的增長，可能導致擴展不再可行。這些因素促使研究人員探索更小的語言模型的潛力，這些模型在某些應用中可能更高效、更通用。圖 13：LLM 和 SLM 的比較（來源：【18】）【19】指出：小語言模型（SLM

30、）具有可使用相對適度的數據集進行訓練的優點。它們簡化的架構增強了可解釋性，并且其緊湊的尺寸有利于在移動設備上的部署。SLM 的一個顯著優勢是它們能夠在本地處理數據，這使得它們對于物聯網(IoT)邊緣設備和受嚴格隱私和安全法規約束的企業特別有價值。然而，部署小型語言模型需要權衡。由于 SLM 在較小的數據集上進行訓練，因此與大型語言模型（LLM)相比，SLM 擁有更多受限的知識庫。此外，與較大的模型相比，他們對語言和上下文的理解往往更加有限，可能導致響應不太準確和細致。全球生成式人工智能（GenAI）在供應鏈領域創新應用展望19隨著生成式人工智能滲透到企業領域并且業務案例變得更加引人注目，公司將

31、開始利用小語言模型（SLM），并使用其專有數據對其進行調整。而且隨著技術的發展，SLM 技術也會得到不斷改善。像微軟和谷歌這些模型巨頭也開始了 SLM 的研究和實踐的競賽。微軟研究院正在嘗試開發定制的人工智能模型，以最大限度地減少資源使用【20-21】。目前，SLM 已投入大量工作，取得了令人驚訝的良好結果。2023 年年底微軟先后推出Orca-X（70 億或 130 億個參數）系列和 Phi-X（13 億-27 億參數）系列 SLM，其中微軟的新語言模型 Phi-2（27 億參數）在常識推理、語言理解、數學、編碼和基準測試等各個領域展示了強大的性能，并且可以與更大的模型競爭，展示其在實際應用

32、中的能力。Google 現在提供兩種特定于領域的模型【22】：Med-PaLM 2（PaLM 2 的醫學調整版本）和 Sec-Palm（一種醫療保健和生命科學行業的更多客戶預覽版）。版本針對安全用途進行了微調。Google 最近提出的兩種技術 UL2R 和 Flan 已顯示出在無需大量計算資源的情況下改進較小語言模型性能的巨大潛力。2023 年 1 月，一群從事自然語言處理（人工智能的分支，專注于語言理解）領域工作的年輕學者發起了一項挑戰【23】，試圖顛覆這種 LLM 范式。該組織呼吁團隊使用比最先進的大型語言模型所使用的數據集大小不到萬分之一的數據集來創建函數式語言模型。一個成功的迷你模型幾

33、乎與高端模型一樣有能力，但更小、更容易使用并且與人類更兼容。該項目稱為 BabyLM 挑戰?？偛课挥谟鴤惗財祿治龊妥稍児经h球數據（GlobalData）確定了 2024 可能會出現的幾個趨勢，其中之一是小語言模型(SLM)將變得更加普遍【24】。它預測 SLM 將在 2024 年超過 LLM。生成式人工智能和 LLM 徹底改變了商業格局改變了企業運營和與客戶互動的方式。然而，生成式人工智能確實包括小語言模型（又名 SLM）或專用語言模型或 GPT。本文前面已指出這兩類 NLP 語言模型都有自己的優點和缺點，因此在它們之間進行選擇是生成式人工智能項目的關鍵決策。微軟零售和消費品首席行業顧問

34、，麻省理工科技評論全球小組成員，和中國工業聯合會智能制造委員會委員及導師 S斯里尼瓦薩西瓦庫馬爾在【25】給出了一種方法來指導語言模型的正確選擇:（1）了解大語言模型的優點和缺點（見圖 14）:大型語言模型，例如 GPT-3.5/4.0，是 NLP 領域的龐然大物。它們是具有數百萬（甚至數十億）參數的神經網絡，使它們能夠理解上下文、生成類似人類的文本，并在各種語言任務中表現出色。羅戈研究20圖 14：LLM 的優缺點比較（來源：【25】）（2）了解小語言模型的優點和缺點（見圖 15）:另一方面，小語言模型的參數較少，使其輕量級且資源高效。雖然它們的表現可能無法與大型同行相比，但它們也有自己的優

35、點。圖 15：SLM 的優缺點比較（來源：【25】）（3）決策樹：選擇正確的模型總之，大型和小型語言模型的選擇最終取決于生成式人工智能項目對語言模型的具體需求。如果您的項目需要頂級語言理解和高質量輸出，那么 LLM 就是您的最佳選擇。然而，如果資源和速度至關重要，小型模型 SLM 是一個明智的選擇。決策樹提供了一個簡單的指南來幫助您進行此選擇，確保您的 生成式人工智能工作既高效又有效。尤其是在語言模型的企業用例中，需要將模型建立在企業數據的基礎上，而不是通常饋送到 LLM 中的龐大數據集。所以，對于所有用例，企業架構師需要真正評估哪種類型的模型適合他們，而不僅僅是遵循流行的模型。全球生成式人工

36、智能（GenAI）在供應鏈領域創新應用展望21圖 16：選擇 LLM 或 SLM 的決策樹（來源：【25】）總之，大和小語言模型各有其長處和短處。大模型屬于通用型面向社會，而小模型屬于專用型面向行業。本文作者認為，讓大模型由有資源實力的企業去繼續推進發展，而行業/企業在采用生成式人工智能技術時追求的應該是定制的小型專業語言模型，例如供應鏈管理或者物流的專業語言模型。創建這類模型只限于專門的企業級行業級的語言參數，既高效又能為行業和企業迅速創造價值。羅戈研究227.生成式人工智能在供應鏈中的應用前景和展望7.1 生成式人工智能的應用前景和能力生成式人工智能的功能遠遠超出了簡單的文本和音頻生成。此

37、外，其應用領域還在不斷擴大。圖 17 總結了生成式人工智能的應用前景和能力。圖 17：生成式人工智能的應用前景和能力（來源：【7】）7.2 生成式人工智能在供應鏈中的應用前景Gartner 杰出副總裁分析師 Noha Tohamy 在她開始供應鏈中的生成式人工智能之旅的演講【6】中給出了如下的圖表，它總結了五大類生成式人工智能的一般可用于不同行業的能力，并指出它們如何影響到管理供應鏈戰略。全球生成式人工智能（GenAI）在供應鏈領域創新應用展望23圖 18：影響到管理供應鏈戰略生成式人工智能支持的一般用例（來源：【6】）在她的演講【6】中還提供了若干生成式人工智能實際用例:流程改進西門子（Si

38、emens）：在工作流程增強中使用 GenAI 來提高質量和解決問題。GenAI 將非正式的語音數據路由解析到適當的設計、工程或制造團隊。流程改進-設備維護美國鋼鐵公司（US Steel）：使用 GenAI 簡化其北美最大鐵礦石的 60 輛運輸卡車的維護流程。維護團隊可輕松獲取信息，以解決機械問題。員工生產力沃爾瑪（Walmart）：推出了 My Assistant，這是一款面向員工的 GenAI 工具，用于加快起草、總結文檔、幫助新員工入職和了解公司福利。員工生產力-代碼生成梅賽德斯（Mercedes）：通過使用 GitHub Copilot 加快其軟件開發過程，提供軟件工具幫助開發人員提供

39、實時代碼建議和文檔。羅戈研究247.3 生成式人工智能+GS1 標準助力供應鏈和物流騰飛負責開發和維護自己的條形碼標準的非營利性國際組織 GS1 在【26】指出：生成式人工智能可以通過多種方式幫助供應鏈。AI 預測、模擬和建議可以支持自動化并提高效率。但重要的是要將這項技術視為其它供應鏈技術和標準，如 GS1 的技術和標準的合作者，才會發揮其巨大潛能。它旨在增強供應鏈中人員所做的有價值的工作。有鑒于此，生成式人工智能在以下領域顯示出潛力：溝通生成式人工智能可以幫助全球貿易伙伴進行翻譯。聊天機器人可以閱讀和總結文檔，以及編寫消息以幫助企業協同工作。GS1 標準可以幫助簡化這些溝通。獨特的身份、全

40、球認可的數據模型和可互操作的業務消息確保了整個供應鏈中有關產品、地點和事件的交流中來自單一事實來源的清晰度。數據和供應鏈信息的最佳實踐和標準化也可以指導人工智能翻譯、總結或創建內容。數據質量生成式人工智能可以使用模式識別來標記數據集中的異常情況。它可以生成數據來填補空白，以提高完整性或通過附加信息豐富產品數據。它還可以在與貿易伙伴共享數據之前檢查并糾正錯誤。GS1 標準可以充當生成式人工智能創建的數據的護欄。GS1 圖像規范等標準可以作為基礎，并通過最佳實踐指導人工智能，以幫助生成更準確、更有用的結果。庫存管理生成式人工智能可以創建顯示不同供需場景的模型，以幫助管理庫存。通過將過去數據的洞察應

41、用于這些模型，它可以 推薦訂單和庫存水平。對于這些模型，數據質量是關鍵。GS1 標準有助于使整個供應鏈中的產品數據保持一致。高質量的數據將為人工智能帶來更好的結果。彈性生成式人工智能可以創建供應鏈的數字孿生/雙胞胎。這些人工智能仿真可以讓用戶測試他們的供應鏈如何應對不同的中斷或變化。經過歷史天氣模式、環境數據和供應鏈中斷訓練的人工智能可以仿真未來事件。這有助于風險評估和應急計劃。全球生成式人工智能（GenAI）在供應鏈領域創新應用展望25GS1 標準可以幫助企業協作創建有彈性的供應鏈。標準是為供應鏈構建豐富的交易和事件數據的基礎。這些數據可以提供有關可見性、庫存、性能和生命周期管理的見解。這樣

42、，公司就知道何時實施應急計劃。履約生成式人工智能設計可用于物流。人工智能可以生成優化的履行路線。它可以從反饋中學習并動態調整。生成式人工智能還可以根據歷史數據、偏好以及產品或客戶屬性通過推薦和替代來支持填充率。GS1 標準可用于實施人工智能生成的路線。產品、位置和實體標準對于以開放和可互操作的方式構建物流路線至關重要?？沙掷m發展生成式人工智能可用于增強可持續性。生成式人工智能可以幫助設計新材料的產品或重新設計包裝以減少使用?；蛘咚梢詾楫斍爱a品規劃供應鏈，以盡量減少其從原材料和供應商的采購到制造和分銷對環境的影響，。GS1 標準可以可持續供應鏈設計完成后，幫助實現這一目標。標準有助于實現供應鏈

43、內每個合作伙伴之間的數據共享和信任。從那里，他們可以合作實施設計。個性化和客戶體驗生成式人工智能通過用戶反饋，可以學習、迭代并提供高度個性化的體驗。例如，它可以提供專門針對客戶偏好定制的產品推薦。根據客戶對初始建議的反應，它可以更新和完善未來交互的流程。GS1 全球組織擁有標準化的產品信息和屬性，生成式人工智能可以從中學習，以進一步提高其為用戶創建個性化定制體驗的能力。人工智能擁有的有關產品的數據越多，其根據用戶反饋進行調整的能力就越強?？傊?，生成式人工智能和 GS1 技術和標準相結合將助力供應鏈和物流騰飛。7.4 生成式人工智能如何改變供應鏈運營從本文前面的介紹可知，與分析輸入以產生預定輸出

44、的傳統人工智能不同，生成式人工智能可以在數據中創建新穎的模式和趨勢。它可以預測不可預見的情況并提出尚未明確編程的解羅戈研究26決方案。此外，生成式人工智能可以創建新的原創內容、預測和數據驅動的策略。例如，在供應鏈領域，生成式人工智能可以仿真復雜的物流網絡，以預測不同條件下各種策略的結果。供應鏈的生成式人工智能可以生成需求預測、優化路線并實現庫存管理自動化。但它如何改變我們今天所知的供應鏈行業呢？讓我們通過一些統計數據和示例來了解變化的范圍。畢馬威（KPMG）2023 年 3 月進行的一項調查顯示【27】，77%的受訪者認為在供應鏈中使用生成式人工智能物流具有很高的影響力。供應鏈規劃中的生成式人

45、工智能還使企業能夠預測中斷情況。麥肯錫（McKinsey）早在【28】中指出：人工智能使早期采用者將物流成本降低了 15%，庫存水平降低了 35%。與行動緩慢的競爭對手相比，服務水平也提高了 65%。下表描述了生成式人工智能驅動的供應鏈與傳統供應鏈的區別【29】：傳統供應鏈運營生成式人工智能驅動的供應鏈運營反應性傳統供應鏈對需求變化、供應中斷或物流挑戰做出反應。主動性生成式人工智能可以在這些變化發生之前預測它們。讓公司變得主動而不是被動是一個巨大的轉變。靜態規劃傳統的供應鏈運營依賴于靜態規劃模型，除非手動更新，否則靜態規劃模型不會改變。動態優化生成式人工智能物流引入了動態優化。它不斷學習并適應

46、新數據，實時優化運營。手動分析以前，數據分析通常是手動的、耗時的，并且容易出現人為錯誤。自動生成洞察力供應鏈的生成式人工智能可自動生成洞察力，更快、更準確地處理大量數據。通用解決方案傳統供應鏈通常實施一刀切的解決方案，但這些解決方案并不是最優的。定制策略供應鏈生成人工智能可以針對每個供應鏈的獨特挑戰和機遇定制策略。全球生成式人工智能（GenAI）在供應鏈領域創新應用展望27生成式人工智能之大型語言模型更具變革性的應用之一是在預測分析領域。通過利用供應鏈和物流運營中生成的大量數據，人工智能模型可以預測未來趨勢、潛在干擾，并提出最佳解決方案。例如，語言模型可以分析過去的貨運數據、天氣預報和全球事件

47、，以預測可能的延誤并建議重新路由選項。這種預測能力使公司能夠在問題升級之前預測并解決問題，從而實現主動而非被動的管理。下面是【29】列舉的生成式人工智能在供應鏈管理中的 7 大用例:用例 1 庫存優化生成式人工智能庫存管理系統采用先進的算法來優化庫存水平，確保企業保持適量的庫存。這些系統可以分析歷史銷售數據并考慮交貨時間、季節性和市場趨勢等因素。生成式人工智能庫存管理解決方案可以創建概率模型，根據這些數據模擬不同的需求場景。這有助于提高需求預測和庫存管理的準確性。通過分析購買模式、季節性趨勢和促銷等各種因素，人工智能系統可以預測訂購什么以及何時訂購。這種方法可確保在正確的時間提供正確的產品，從

48、而降低缺貨風險。用例 2 預測性維護生成式人工智能物流模型通過識別表明設備故障的異常情況和模式來幫助進行預測性維護。這些模型分析振動、溫度和機械聲音等因素，以檢測異常情況。此外，通過防止意外停機，系統保持穩定的生產流程。企業可以按時交貨并保持客戶滿意度。這種方法不僅優化了維護操作，還延長了昂貴設備的使用壽命。在供應鏈中使用生成式人工智能物流有助于組織實現更高的成本效率和精確度。用例 3 欺詐檢測通過使用生成對抗網絡（GAN），生成人工智能正在成為打擊欺詐的強大工具。GAN 由兩個神經網絡組成，即生成器和判別器，它們相互對抗。這是通過以下方式實現的：生成器生成數據，例如圖像，而鑒別器評估生成的數

49、據是否真實。通過這個對抗過程，GAN 可以創建高度真實的數據模擬。這種對抗過程使得 GAN 非常適合識別可能表明欺詐活動的異?；蚰Ｊ?。因此，由 GAN 驅動的供應鏈生成式人工智能解決方案受到處理大額交易的企業的高度追捧。萬事達卡是使用 GAN 進行欺詐檢測的領先公司。他們開發了一種名為“決策智能”的系統，該系統使用人工智能（包括 GAN 等技術）來實時分析每筆交易。羅戈研究28用例 4 供應鏈風險管理在供應鏈規劃中使用生成式人工智能，通過分析歷史數據和外部因素來查明漏洞，顯著增強供應鏈風險管理。通過處理信息，人工智能模型可以識別風險模式并預測潛在的干擾。它甚至可以考慮供應商歷史、天氣模式和市場

50、趨勢。這種預測能力使公司能夠制定強大的應急計劃。例如，如果供應鏈規劃模型中的生成式人工智能檢測到高風險，它可以模擬對供應路線的影響。此外，它還可以建議替代采購或庫存搬遷，以減少延誤。供應鏈的生成式人工智能還可以通過生成“假設”場景來幫助制定戰略行動計劃。這將形成更具彈性的供應鏈，使公司可以最大程度地減少中斷并保持運營連續性。用例 5 物流優化通過供應鏈的生成式人工智能可以提高運輸效率。通過分析實時數據來優化配送路線，人工智能可確?？焖偾医洕咝У穆窂?。例如，物流公司可以使用生成式人工智能來管理其送貨卡車車隊。人工智能系統不斷從各種來源獲取數據，包括 GPS 交通更新、天氣預報和當前位置。通過處

51、理這些信息，供應鏈的生成人工智能可以實時生成和調整路線。生成式人工智能物流解決方案正在徹底改變供應鏈的運輸和交付方面。一個現實的例子是 UPS（聯合包裹服務）的道路綜合優化和導航(ORION)系統。ORION 使用先進的算法來分析配送路線，據報道每年為 UPS 節省了數百萬加侖的燃料并減少了數百萬英里的配送里程。系統處理當天的配送信息并優化每個司機的路線。用例 6 需求預測生成式人工智能正在極大地改善供應鏈管理中的需求預測。通過利用先進的算法，生成式人工智能物流模型可以分析大量的歷史銷售數據、市場趨勢和其他相關變量，以創建高度準確的實時需求模型。這些人工智能驅動的預測對于確定最佳庫存水平、生產

52、計劃和分銷計劃至關重要，使企業能夠更有效地滿足客戶需求。最近將生成式人工智能用于需求預測的行業示例是達美樂比薩英國和愛爾蘭的案例研究。他們從傳統的電子表格轉向使用 Dynamics 365 進行需求預測的人工智能和分析。此舉旨在提高需求預測的質量、改善客戶體驗并確保及時交付產品。實施后，該公司的預測質量得到了提高，并繼續結合人工智能和分析技術進行需求預測。用例 7 倉庫布局優化供應鏈的生成式人工智能可以通過分析影響運營效率的多個因素來增強倉庫布局優化。在傳統的倉庫環境中，布局通常是靜態的，并根據歷史數據和不頻繁的評估進行設計。全球生成式人工智能（GenAI）在供應鏈領域創新應用展望29生成式人

53、工智能可以動態調整布局，按尺寸或字母順序排列零件和產品。人工智能模型可以模擬各種配置及其對倉庫內行駛時間的影響。例如，供應鏈的生成式人工智能可以識別最常訪問的物品，并建議將它們放置在靠近包裝站的位置。該技術在現實生活中的應用可以在亞馬遜的運營中心看到。該公司一直是采用人工智能和機器人技術來優化倉庫運營的先驅。隨著生成式人工智能在供應鏈中的廣泛應用，將會出現更多讀者現在想象不到的富有變革性和價值創造的用例。7.5 商業化 GPT Store 如何助力供應鏈和物流的 AI 應用自 OpenAI 在 2018 年推出了第一個 GPT 模型（GPT-1）后，它于 2023 年 3 月 14 日推出了生

54、成式預訓練 Transformer 4(GPT-4)，它是 OpenAI 創建的多模態大語言模型，也是其GPT 基礎模型系列中的第四個。OpenAI 表示，GPT-4“比 GPT-3.5 更可靠、更有創意，并且能夠處理更細致的指令”。雖然 GPT-4 帶來了一些出色的技術，但全世界都在屏息以待它的下一版本 GPT-5。直到今天，人們對 GPT-5 知之甚少。然而，OpenAI 的首席執行官 SamAltman 最近似乎暗示了 OpenAI 的下一次重大飛躍。然而它將仍然屬于生成式人工智能，離通用人工智能（AGI）還有一段距離。本文不去研究生成式人工智能的發展前景，而重點關注它在供應鏈和物流行業

55、的應用。OpenAI 的 GPT 商店（用戶可以在其中分享他們的自定義聊天機器人）在延遲了一個月之后終于 01-10-2024 推出。該商店是定制的 GPT 共享平臺，它為 ChatGPT 帶來了更多潛在用例，并將 OpenAI 的生態系統擴展到該公司為客戶構建的生態系統之外。在 GPT 商店開業之前，OpenAI 表示，它建立了一個新的審查系統，以確保定制 GPT 符合其品牌準則和使用政策。它還更新了如何報告用戶認為有害或不安全的GPT。ChatGPT Team 按年計費時每用戶每月 25 美元，按月計費時每用戶每月 30 美元。目前已有 300 萬個專業的 GPTs，實際上每個專業 GPT

56、（定制的大語言模型）就是一個專業的語言模型，即本文前面介紹的 SLM。圖 19 展示了供應鏈 GPT 集合之一部分，而圖 20 是物流洞察 GPT 的主頁面。羅戈研究30圖 19：供應鏈 GPT 集合之一部分（來源：【30】）全球生成式人工智能（GenAI）在供應鏈領域創新應用展望31圖 20：物流洞察 GPT 主頁面（來源：【31】）每個供應鏈和物流 GPT 就是一個專業的生成式人工智能應用，這使得玩不起 AI 的中小企業也有機會應用生成式人工智能來改變和優化它們的供應鏈和物流業務，甚至也使個人和組織找到了一種創新的贏利模式，許多初創企業也將迎運而生。其前景一片光明。7.6 供應鏈如何從使用

57、生成式人工智能中受益安永（EY）在【32】中很好全面總結了在供應鏈管理和運營，釆購，生產制造，以及物流四大方面，供應鏈如何從使用生成式人工智能中受益，本文將其放在下面的表中供讀者參考學習。羅戈研究32供應鏈的不同環節如何從使用生成式人工智能中受益供應鏈管理和運營需求預測許多組織正在使用人工智能來分析大型歷史銷售數據集、市場趨勢和其他變量，以創建實時需求模型。借助GenAI，可以創建最佳庫存水平、生產計劃和分銷計劃，以有效滿足客戶需求。計劃生產人工智能通過考慮客戶變化、生產能力、資源可用性和訂單優先級等因素來幫助計劃生產和調度。與需求預測功能類似，GenAI 可以有效地制定生產計劃、安排順序和分

58、配資源，以最大限度地減少瓶頸并優化生產效率。風險管理人工智能可用于分析歷史數據、市場狀況、天氣模式和地緣政治事件等數據源，以識別潛在的供應鏈風險。但例如，GenAI 可以根據需要提示生成風險評估、場景模擬和緩解策略，而不是預先填充的儀表板，以幫助規劃人員主動管理和緩解風險。釆購供應商管理利用自然語言處理從供應商通信和數據點中獲取見解。支持、監控和分析供應商互動；識別潛在問題；并改善供應商關系。釆購決策通過分析廣泛的供應商數據并生成見解來支持供應商選擇過程。通過考慮供應商績效、能力、定價和風險狀況等因素，GenAI 算法可以提供建議或排名，以做出明智的決策。合約通過自動從合同中提取關鍵信息并生成

59、摘要或見解來輔全球生成式人工智能（GenAI）在供應鏈領域創新應用展望33助合同分析。審查和比較合同條款，識別風險并幫助確保合規性。通過提供數據驅動的建議來支持合同談判和續簽。生產制造產品設計根據預定義的標準快速生成和評估數百種替代設計，顯著加快創新過程。它可以用于從設計新的機械零件到創造更高效、更耐用或更美觀的消費品等各種領域。預測性維護通過從工廠車間機器收集的數據中學習，GenAI 模型可以創建新的維護計劃，與設備可能發生故障的時間相關聯。這使得制造商能夠僅在必要時調整維護計劃，減少停機時間和成本，同時延長設備的使用壽命。材料科學與工程GenAI 可用于發現新材料并優化現有材料。通過處理大

60、量有關材料特性的數據并迭代不同的組合，它可以提出具有所需特性的新材料或對現有材料提出優化建議。這可能會導致在制造業中創造出更高效、可持續或更耐用的材料。物流全球貿易優化分析無數變量，包括關稅、海關法規、貿易協定和運輸成本，以建議最有效和最具成本效益的貿易路線和策略。這有助于公司駕馭復雜的國際貿易網絡，幫助確保合規性，同時最大限度地降低成本。物流網絡設計考慮倉庫位置、運輸線路和需求模式等因素，優化物流網絡設計，以生成最有效的配置。這可以縮短交貨時間、降低成本并提高服務水平。羅戈研究34最后一公里動態路徑優化對于物流運營來說，主要挑戰之一是實時路線。GenAI 可以根據交通狀況、天氣和送貨優先級等

61、不斷變化的因素，不斷更新和優化送貨或取貨路線。這可以提高效率、降低油耗并提高客戶滿意度。全球生成式人工智能（GenAI）在供應鏈領域創新應用展望358.總結本文介紹和分析了生成式人工智能在供應鏈和物流的應用。主要內容包括以下幾方面:1.展望生成式人工智能2.生成式人工智能市場地圖3.供應鏈中的全球生成式人工智能市場4.Gartner 2024 年預測：供應鏈技術5.生成式人工智能的前景與風險6.大語言模型（LLMs）與小/專業語言模型（SLMs）7.生成式人工智能在供應鏈中的應用前景和展望羅戈研究36參考文獻【1】Generative AI Bible，CBInsight，2023【2】唐隆基

62、,供應鏈數字化與智能物流的前沿趨勢，2023 第二屆粵港澳大灣區制造業供應鏈與數字化轉型峰會（廣州，2023 年 5 月 11 日）【3】唐隆基，供應鏈的未來發展趨勢和預測，2023 第 13 屆供應鏈|采購|制造創新峰會（上海，2023 年 6 月 8-9 日，700+，60+%供應鏈及釆購總監和首席供應鏈官或釆購官，355 頭部企業參會，其中包括華為，中興，聯想，美的，京東等）http:/ 第五屆 SIAL 世界食品產業峰會和食品供應鏈大會（深圳，2023 年 8 月 29 日）【5】唐隆基，全球供應鏈的未來發展趨勢，2023 年中興通訊第三屆供應鏈戰略發展論壇（南京，2023 年 11

63、月 10 日）http:/ Tohamy，開始供應鏈中的生成式人工智能之旅，Gartner Webinar，2023【7】Anastasiya Haritonova，Generative AI Market Map:From History and Stateto Trends and Applications，07-06-2023【8】Goldman Sachs，Generative AI could raise global GDP by 7%，04-05-2023【9】Ava McCartney，Gartners Top Strategic Predictions for 2024 an

64、d Beyond，12-04-2023【10】The economic potential of generative AI:The next productivity frontier,Mckinsey,06-14-2023【11】Duncan Stewart 等，Generative AI and enterprise software:Whats the全球生成式人工智能（GenAI）在供應鏈領域創新應用展望37revenue uplift potential?，Deloitte TMT Predictions 2024，2024 年元月【12】索尼婭黃、帕特格雷迪和 GPT-4，Gen

65、erative AI s Act Two，09-20-2023【13】Global Generative AI in Supply Chain Market report，2023 年 7 月https:/marketresearch.biz/report/generative-ai-in-supply-chain-market/【14】Dwight Klappich 等，Predicts 2024:Supply Chain Technology,Gartner，10-26-2023【15】Stan Aronow，The Promise and Caution of Generative AI

66、，Gartner，08-25-2023【16】Michael Chui 等，The state of AI in 2023:Generative AIs breakout year，Mckinsey，2023 年 8 月【17】ENTERPRISE GENERATIVE AI ADOPTION Report，人工智能基礎設施聯盟，2023年 8 月【18】瑪格麗特勞斯,小語言模型(SLM),11-24-2023，https:/ Mashette，Small Language Models(SLMs)，12-12-2023【20】https:/ Sivakumar，Large Language

67、Models(LLMs)vs.Small LanguageModels(SLMs)-Choosing the Right Language Model，11-08-2023【26】Generative AI:From buzz to business value，KPMG，2023【27】Succeeding in the AI supply-chain revolution，McKinsey,2021【28】Generative AI in the Supply Chain，GS1us.org,2023,https:/www.gs1us.org/articles/generative-ai-

68、in-the-supply-chain【29】Generative AI Use Cases That Are Transforming Supply Chain Management,Kanerika,11-23-2023,https:/ GPT 集合之一部分，https:/gptstore.ai/gpts/categories/supply-chain,2024【31】物流洞察 GPT 主頁面，https:/gptstore.ai/gpts/PAEcoJMUdi-logistics-insight，2024【32】Glenn Steinberg 等，How supply chains be

69、nefit from using generative AI，EY，01-09-2024全球生成式人工智能（GenAI）在供應鏈領域創新應用展望39羅戈研究羅戈研究，致力于為供應鏈與物流領域企業提供有深度的研究與咨詢服務，總部上海，現已在深圳、成都設立了辦事機構。依托羅戈網線上知識社區、線下互動網絡數十年積累的豐富行業資源，及創始團隊深厚的行業積累，羅戈始終與企業（甲方、物流服務商等）、政府等保持著緊密的溝通，在這個過程中，形成了獨有的物流行業洞察力和咨詢服務能力，并在持續的企業咨詢項目中轉化成為助力企業前進的動力。更多研究內容，歡迎關注研究院網站：http:/log-、羅戈網專欄：http:/ 曼 13811664224（北京）|Rachel 15814770622（深圳）郵箱：（研究咨詢）羅戈研究40咨詢服務行業研究定制培訓全球生成式人工智能（GenAI）在供應鏈領域創新應用展望41典型客戶/合作伙伴專注供應鏈與物流，為業內企業的發展提供專業支持羅戈研究42有深度的供應鏈研究機構