人工智能驱动供应链变革

陈金晓

［摘 要］人工智能的应用和发展正在驱动供应链发生新的深刻变革，对其各方面产生革命性的影响。文章针对人工智能驱动的供应链变革，从平台重构、生态重塑、优势重建三个维度展开分析，围绕平台维度上的平台升级和信息共享、生态维度上的组织形态演进和系统模式革新，以及优势维度上的价值创新、绿色转型和应变能力等层面进行论述，着重探讨人工智能在各层面对供应链的技术赋能、应用价值和实施挑战。最后，从研究和实践的角度提出，未来可重点从竞合生态化、技术采纳行为、技术治理三个方面进一步推进供应链的智能化跃迁，以实现人工智能时代供应链的高质量发展。

［关键词］人工智能；供应链；变革；智能化

［中图分类号］F49［文献标识码］A［文章编号］1673-0461（2023）05-0050-14

一、引言

供应链与供应链之间的竞争是21世纪经济竞争的关键战场。随着市场力量的转变即买方市场的崛起，需求多样化、个性化、定制化的特征日益凸显。激烈的市场竞争加剧了供应链的运行风险，也对供应链能力提出了更高要求。此外，国际政治经济格局复杂多变，新型冠状病毒肺炎疫情肆虐全球，给供应链的发展带来了更多风险和不确定性，多重因素叠加考验供应链的韧性和弹性建设。近年来，推动供应链创新发展已上升为世界各主要经济体的国家战略，中国也将提升供应链现代化与安全可控能力列入了“十四五”发展规划。技术进步是推动供应链创新与发展的重要力量。信息技术的发展和广泛应用为供应链降本增效、增强竞争力和安全性提供了强有力的支撑。当前，以数字化、网络化、智能化为表征的新一轮科技革命深入演进，深刻影响世界经济增长、产业结构和贸易格局，供应链也随之迎来数字化转型的全新机遇。随着数字技术在供应链领域由导入转向拓展，人工智能构建供应链核心竞争力的作用持续凸显，日益成为驱动供应链智能化变革的关键动能。

尽管人工智能（Artificial intelligence， AI）的概念早在1956年就被提出［1］，但随着研究和应用的深化，其内涵和外延不断拓展，目前尚未在理论界形成统一的定义。从其实体属性来看，人工智能是一种基于硬件、软件和技术而研发的致力于实现特定功能和目标的机器系统［2］；从功能效用来看，人工智能是基于人类思维形成对事物的感知与认知，进而通过自主思考与深度学习产生智能行为的能力［3-4］；从行动执行来看，人工智能是为实现一个实体智能化运行而执行的活动，使其完成需要人的智能才能胜任的高质量的工作［5］。人工智能运用机器学习、认知计算、大语言模型、自然语言生成、计算机视觉等技术，并与大数据、云计算、物联网等数字技术结合，在一定的范围和空间内实现替代甚至超越人类从事智能工作的目标。随着技术的迭代升级与创新应用，人工智能对经济社会发展的影响与日俱增［6］，逐渐成为国际科技竞争的重点领域。世界各国都在争相制定人工智能的发展战略，力图在这一领域占领制高点。中国于2017年发布《新一代人工智能发展规划》，并于2020年出台《国家新一代人工智能标准体系建设指南》，旨在从国家层面系统布局人工智能的发展，使之成为推动经济增长的新引擎。

供应链的目标是在恰当的时间和地点为客户提供所需的产品或服务。为实现这一目标，供应链以市场需求为导向，通过采购、研发、生产、配送、销售、服务等全过程的高效协同，促进物流、信息流、资金流、商流、技术流的全链条畅通，从而提高系统整体的运行质量和效率。然而，诸如“囚徒困境（Prisoners dilemma）”“牛鞭效应（Bullwhip effect）”“双重边际效应（Double marginalization）”等来源于现实的问题一直备受理论界的关注，大量学者针对这些与信息和协调相关的问题展开了深入探讨［7-13］，试图对供应链进行系统优化以实现其更高的价值创造。可见，要持续快速响应市场需求以达成供应链的目标，本身就颇具挑战性。随着世界经济加速向数字化、智能化方向转型，新产业、新业态和新模式不断涌现并冲击既有市场，消费场景也更趋分散多元和去中心化［14］，全渠道的消费体验［15-16］以及价值创造的多方参与［17-19］都对供应链的可塑性和协同能力提出了更高期许。

在人工智能的持续渗透下，传统的生产方式、流通体系与消费模式都在发生深刻变化，供应链体系正加速走向智能化。作为技术变革的重要方向，供应链中的人工智能和数字化协同创造正在成为一种动态的商业规范［20］。由于其对供应链变革的驱动将带来巨大的经济价值，人工智能技术及其应用拥有广阔的市场前景。相关研究报告指出，人工智能带来的最大经济收益将来自中国和北美，预计2030年总计约10.7万亿美元，占全球经济影响的近70%，因此人工智能将成为当今快速变化的经济中最大的商业机会［21］。据TECHNAVIO（2022）分析预测，2022—2027年人工智能的市场规模预计将增加1 253亿美元，以22.26%的复合年增长率扩大［22］。在供应链领域，METICULOS RESEARCH（2019）的报告显示，全球人工智能供应链市场从2019年起预计将以45.3%的复合年增长率增长，并于2027年达到218亿美元；而发展中国家是推动全球人工智能供应链市场增长的重要引擎，亚太地区有望在整个预测期内实现最快的复合年增长率［20］。从制造业来看，根据MARKETS AND MARKETS（2022）的分析，2022年人工智能在制造业市场规模上的价值为23亿美元，预计2027年将达到163亿美元，2022—2027年的復合年增长率为47.9%［23］。

许多领先企业如华为、京东、阿里、Lenovo、Intel、Amazon、Google、Microsoft、IBM、Samsung等都在积极部署人工智能战略，加快布局人工智能集成的供应链系统，成为全球人工智能供应链市场的引领者。GARTNER（2021）提出了包含嵌入式人工智能与分析（Embedded AI and analytics）、超级自动化（Hyperautomation）、增强型数据智能（Augmented data intelligence）在内的供应链技术的八个关键趋势，并预测这些技术将深度影响供应链的业务模式［24］。人工智能不仅作为嵌入式的综合性技术位列其一，并且其余的多个技术趋势都与之密切相关。嵌入式人工智能与分析通过不依赖云解决方案的数据收集、高性能算法和机器学习，能够实现交互式数据可视化，并面向行业和企业提供实时的分析报告和智能导入的业务应用软件［25］。增强型数据智能以多种技术组合在多个数据管道之间建立关联并实施高级数据挖掘，进而给出富有洞见的预测和策略建议［25］。事实上，2018—2021年人工智能已经连续四年蝉联供应链战略技术的八大趋势，且2021年以硬件、软件以及“智能＋算法”的企业级应用位居顶级战略技术行列［24］，而2022年则进一步融入超级自动化2.0（Hyperautomation 2.0）、数字供应链孪生（Digital supply chain twin）、下一代机器人（Next generation robots）等供应链技术主题中［26］。

当前，人工智能正成为众多行业的战略性赋能，引领供应链的技术演进和价值开拓。在乌卡（VUCA）特征日趋显现的环境下，供应链亟需加快自身变革以应对各类复杂严峻的风险和挑战。人工智能的出现赋能更加协同的经济活动、更高智慧的运作能力和更富柔性的生态网络，以实现供应链稳健的系统运营和多元的价值创造。ALICKE 等（2021）指出，人工智能技术能够实现供应链端到端的透明度和快速决策，推动供应链在目标解决方案设计、供应商选择、实施与系统集成、变更管理、能力建设、价值创造以及全价值捕获等方面的革新［27］。DILDA 等（2021）认为，人工智能可以有效地处理供应链面临的复杂性，助其更好地应对变化、降低风险并创造价值，通过解决方案设计、业务流程与能力建设、无缝技术实现三重方法增强价值链弹性［28］。凭借对供应链全流程的转型升级，人工智能从效率与成本、敏捷与响应、安全与可靠等方面改善供应链绩效，在战略与融资、产品开发、生产制造、市场营销、服务运作、风险管控等环节为供应链带来全面的经济价值提升［29］。

由此可见，充分发挥人工智能对供应链变革的驱动作用，是当前供应链创新和可持续竞争力的关键所在。对其深入研究有助于更好地把握人工智能对供应链发展的促进作用和潜在的负面影响，对于提升供应链的核心竞争力与战略安全、促进经济高质量可持续增长具有重要现实意义。本文将聚焦人工智能驱动供应链变革这一主题，从平台重构、生态重塑、优势重建三个维度展开具体分析，围绕平台维度上的供应链平台升级和信息共享、生态维度上的供应链组织形态演进和系统模式革新，以及优势维度上的供应链价值创新、绿色转型和应变能力等层面进行论述，着重分析和探讨人工智能在各个层面对供应链的技术赋能、应用价值和实施挑战，以期为人工智能时代供应链的高质量发展提供借鉴和参考。

二、人工智能驱动供应链平台重构

人工智能的应用正在加速供应链的数字化平台重构，驱动“云端+边缘”智能平台的构建与升级，并强化供应链上下游的信息透明和跨界的信息共享。平台升级将形成边缘智能与云端智能的互补共生，进而推动信息同步、智能挖掘与应用场景创新，加速实现全链条的透明可视化与协同响应。与此同时，人工智能对供应链的渗透对全场景自动化和边缘智能平台的适应能力提出了更高要求，也面临信息安全、价格歧视和算法合谋等多项挑战。

（一）平台升级

在数字化转型不断加速的背景下，大数据、云计算、物联网等技术已在供应链领域得到广泛运用。然而，随着人工智能与物联网结合带来的大规模连接扩展和数据增长，网络带宽容量和成本的局限性导致数据传输与响应延迟、安全性受损等一系列问题，使得单凭云平台的远程服务器集中式计算无法满足万物互联应用场景的需要［30］，阻碍了人工智能在供应链领域的进一步应用。由于供应链的拓展和延伸，产业组织面临更多关于响应时效、设备计算性能和数据隐私等方面的问题。在此背景下，边缘计算作为一种互补为网络终端的大数据本地化处理提供了技术支撑。由于靠近用户和终端设备，边缘计算不仅为分散化的消费场景建立边缘服务平台，而且显著降低了对带宽和时效的要求［31］。生产场景也因此从集中式系统转变为分布式系统，从而支持企业通过知识和服务共享开发扩展业务，最终提高生产制造的质量和效率。分布式与集中式计算相结合可以优化数据放置和数据传输时间，降低数据处理成本，提升供应链系统的运行效率，并且增强隐私数据的安全性。随着机器学习的进步和边缘人工智能芯片的引入，边缘设备的计算性能得以提升并且具备了在本地进行处理器密集型计算的能力，逐渐适配嵌入式人工智能的要求并形成边缘智能平台［32］。人工智能与边缘计算的交叉与融合扩展了后者的内核，而边缘智能与云端智能的结合形成了互补共生，从云端和边缘两侧系统优化大数据处理能力，实现了物联网感知条件下供应链数字化平台架构的突破式跃升。

“云端+边缘”的智能平台通过云端的深度学习训练模型，在边缘设备本地运行模型并执行推断、分析和预测，将智能服务从云端推向边缘。人工智能对供应链数字化平台的升级不仅有利于供应链计划和渠道结构的优化，更有助于用户和消费者通过各种终端设备参与产品和服务的价值创造过程，是对供应链协同能力和响应水平的有效提升。在生产环节，人工智能的边缘应用将赋能机器人更加精准敏捷地操作关键工艺流程，提高制造过程的质量和自动化水平［33］，而机器学习等技术嵌入边缘运行的业务应用程序，并利用本地传感器控制输出，可以改善生产效率并优化产量［34］，实时监控产品质量和设备效能［35］，及时调整或中止生产以响应突发状况，从而提升工业物联网的智能化水平。在流通环节，基于云端智能的预测评估和系统调度，能够实施面向整条供应链的高级分析，并根据市场波动预测结果优化库存和配送网络，而基于边缘智能的传感器和控制器能够快速感知预警物流设施故障和运输网络风险［36］，并对局部设施和网络作出调整优化，从而实现对整个物流系统的智能控制。在消费环节，边缘智能设备将根据消费者的终端使用以及反馈数据为其提供定制化的模式推荐［37］，提升产品和服务的价值体验。边缘智能平台促进了消费物联网的智能应用，不仅比云平台响应更加快捷和准确，而且可以防止用户隐私的泄露。所有這些都表明，围绕“云端+边缘”的平台升级对于推动灵活、协同和快速响应的供应链创建，以及促进其运行自动化、成本节约和效率提升等都将发挥重大的作用。

尽管国际上关于边缘人工智能的架构和算法尚未建立统一的标准，但是领先的云服务供应商已经着手边缘人工智能服务平台的构建，并为客户提供整体性解决方案。GARTNER（2022）预测，数据分析将加速向边缘环境扩展，到2025年逾50%的企业核心数据都将不再依托云端或数据中心的集中式创建和处理［38］。随着5G通信技术的发展，大规模物联网成为其主要业务场景之一，对去中心化的边缘本地数据处理提出了更大需求［39］，客观上加速了边缘智能平台的落地，并与云端智能平台协同推进供应链的智能化变革。然而，尚在发展初期的边缘人工智能在供应链领域的应用也存在一些亟需突破的挑战。尽管能够准确预测风险和需求变化并作出快速决策，但在自动化应用方面，诸如机器人、无人机等边缘设施尚且无法覆盖供应链的全流程场景，仅可满足生产、采购等局部场景的自动化［40-41］。新冠疫情等原因催生的零接触业务，也对包括仓储物流在内的供应链场景自动化提出了更多需求，同时促进生产资源的重新分配［42］。多样化、即时化和碎片化的业务场景将考验边缘智能平台的适应能力，需要进行综合部署实现灵活运维。此外，边缘人工智能对芯片的计算性能、成本、功耗以及开发环境提出了更高要求，其网络架构部署［43］、商业模式匹配［44］以及平台轻量化［45］等问题也有待进一步研究。

（二）信息共享

供应链的多主体特性决定了上下游主体间共享信息的重要性。组织间信息的不对称和不完全会加大供应链运行的风险，带来成本高企、效率低下等弊端。畅通的信息流和及时准确的信息传递是实现供应链协同增效的关键。随着线性垂直供应链向更为复杂的非线性网络拓展，信息失真和扭曲等问题愈加显现［46］，对传统信息技术提出了挑战。基于高级自主的人工智能系统正在强化供应链中的信息透明，以增強供应链的控制和优化能力［47］。通过模拟自主智能体之间的交互行为，人工智能能够分析成员主体的复杂行为与合作模式，模仿决策者的推断、决策与行动，进而突破信息孤岛实现跨领域的信息共享和智能分析。与大数据、区块链、云/边缘计算等技术结合，人工智能可以强化数据收集、信息分类和预测建模，促进供应链中的信息流通和信息追溯，实现基于平台的开放共享与全链条的透明可视化。

人工智能驱动的创新在不断增长的商业环境中促进了信息的即时访问和有效决策［48］，对基于信息共享、信息处理和系统集成的稳健供应链设计产生了积极影响，被视为供应链绩效改进和弹性构建的关键因素。人工神经网络（Artificial neural network）、数据挖掘（Data mining）、模糊模型（Fuzzy model）和支持向量机（Support vector machine）实现了更高精度、更高性能和更有效的需求预测［49］。其中，人工神经网络作为一种信息处理技术具有多功能性，能够从海量数据中发现模式、知识或模型，被用作计算智能的主要工具广泛应用于供应链领域生产、销售、需求等环节的预测，以及供应商选择和客户细分等方面［50］。多级供应链的生产率主要受成员之间互动与合作的影响，基于代理（Agent）的供应链系统旨在促进这种合作决策过程，推动成员主体之间的合作与协调，并为交互式信息共享提供结构化的环境［51］。基于多代理系统（Multi-agent systems），可以构建以独立代理区域共享为特征的架构，以避免“牛鞭效应”和缺货风险，促进供应平衡和资源平衡［49］。数据信任是跨主体业务集成的一大挑战，区块链等技术的结合提升了供应链中交易信息的真实性和透明度，通过分布式数据库促进成员间的信息传输与共享，加强决策协调和产品信息追溯，实现信任网络与协作关系的构建。DORA 等（2022）指出，采用人工智能可以提高供应链的透明度和可追溯性，而技术准备、安全、隐私、客户满意度、感知利益、需求波动性、法规遵从性等是供应链采用人工智能的关键成功因素［52］。

人工智能技术的应用在强化供应链信息共享的同时，也会带来数据利用、信息安全等方面的负面影响。利用用户生成的数据能够从客户的角度获取竞争情报，并通过机器学习研究不对称的市场结构、产品竞争的细分市场以及竞争网络［53］，但同时也有利于企业对用户进行分类，并针对不同类别的用户实施价格歧视，甚至进行个性化定价从而减少消费者剩余［54］。即便在算法公平的条件下，观测数据中的偏差、不完整、历史性歧视和噪音等因素，也可能会使数据驱动的预测模型对某些用户群体不利，因此基于歧视感知的数据挖掘引起了广泛关注，通过开发用于非歧视性预测建模的新算法，可以实现性能标准的统一［55］。此外，人工智能的引入促成了自主学习操作的定价算法，但同时也推动了以往受制于信息不畅和违约风险而难以实现的算法合谋［56］。也有一些研究认为，从算法合作和实验性寡头垄断的角度分析，协调默契的合谋行为并非迅速、容易且不可避免的；实验经济学的研究表明，在一个给定的市场中，企业间的信息交换对于合谋至关重要，而算法之间的通信也是人工智能研究中的主题之一，尽管方式还比较有限［57］。此外，在人工智能等数字化环境中，用户生成数据的出让风险显著抬升，使得有关隐私安全的责任追溯难度加大［58］。因此，数据与算法的治理涉及审计、监测、法律以及责任等方面的问题。GAUTIER等（2020）指出，当前人工智能技术参与价格歧视和合谋的能力，要在关于算法的法律规则或执法实践改革中得到充分及时的审视［59］。

三、人工智能驱动供应链生态重塑

人工智能与“云端+边缘”平台的融合，将加速供应链组织形态从传统的单链形式向生态化的供应网络重塑，进而驱动供应链系统从高人工干预向低干预和零干预的模式变革，推进智能自主式供应链的构建。在人工智能的赋能下，组织的生态化重塑将有力提升供应链对集成式市场需求的响应能力，而自主式供应链将进一步强化流程集成与自动化，实现快速自主的计划、预测、响应和调整。这种技术渗透将对既有的行业生态和行业标准构成挑战，而供应链自主模式的构建则对关键资源要素的协调提出了新的命题。

（一）组织形态演进

数字化环境培育了虚实融合的商务空间，不但促进了供应链成员之间的纵向协调，而且推动了跨供应链的企业之间横向合作关系的建立。特别是人工智能与云端以及边缘平台的融合，推动了以智能平台为载体的供应链组织的构建。传统供应链的线性垂直型结构被颠覆，跨行业、跨部门、跨区域的主体在智能平台的支撑下展开密集的信息流通与业务合作，形成了各类主体动态交互的供应网络［60］。与此同时，供应链成员企业与平台主体、客户以及金融、物流、广告、法律等服务机构通过智能平台密切联系，各种服务被集成到成员企业的业务中，供应链的组织架构更加复杂并趋于生态化。在智能平台的赋能下，各类主体的业务触角穿越部门和行业的边界向外围空间蔓延，形成横向拓展、跨界生长的生态网络［61］。在智能化的商务空间中，立体交错的生态网络基于利益攸关方或产业集群的有机组织，通过相交的节点建立动态跨界的业务联系，而同一主体则以不同的角色动态参与多个链条的运作，形成跨界主体协同互动、贡献并传递价值的过程。整个演进过程中，供应链的组织形态从传统的单链形式向生态化的供应网络重塑，从而为客户提供更高质量、更富价值的集成产品和服务。基于平台的生态系统围绕稳定的产品系统组织众多独立主体参与其中，这种组织形态在许多部门优于传统的垂直整合系统，因为它具有更大的“生成性（Generativity）”，即促进自主、异质企业的互补创新，从而将平台的使用范围和价值扩展到用户［62］。

供应链的生态化重塑是智能化变革浪潮中满足市场集成式需求进而延续竞争优势的必然选择，而人工智能为这一转型提供了技术支撑与赋能。构建人工智能开放技术平台可以提升供应链的资源配置、主体协同和服务支撑水平，也将推动以网络效应为特征的市场同侧竞合。NICULESCU等（2018）认为，在战略性平台开放策略下，市场在位者设计网络效应强度的能力非常重要；高强度的网络效应会使新参与主体回避市场，而中等强度的网络效应会使具有高吸收能力的新參与者获得开放技术［63］。对于需求侧，基于平台智能分析的互补产品促销能够影响消费者对生态网络深度和广度的感知［64］，激励更多生态伙伴协同参与，进而催生生态网络组织的动态变化。OZCAN和HANNAH（2020）研究了供应商生态系统中颠覆性技术的独特动态，从现实的角度考虑企业的供应商网络和技术采用，指出新技术的融合要求企业重新配置其供应商生态系统以更好应对颠覆性技术［65］。多层次供应网络的财务促成因素是协调多个供应商运营所面临的挑战之一，人工智能驱动的供应网络能够提供可持续的融资流［66］。OLAN等（2022）的研究表明，人工智能等技术的进步正在彻底改变供应链金融根深蒂固的商业生态系统的流程，不仅提供了重要的经济机会，而且实现了最有效的供应网络利用率［67］。

PENTLAND等（2022）从以路径为中心的技术视角指出，组织变革的轨迹取决于技术如何影响组织的行动方式，当技术提供了灵活组合以产生新路径的新行动时，更有可能带来决定性的变革［68］。为建立新兴技术与组织之间的关系，通过引入一种关系视角，BAILEY等（2022）将新兴技术视为一组动态发展的关系而非稳定的实体，从而解释技术对关键组织过程和现象日益增强的影响和作用［69］。人工智能等新兴技术正在以难以预测的路径快速变化，同时影响着组织的各个方面，并且影响范围深远，使组织内部、组织之间及其与边界之外的参与者之间产生新的相互依赖关系［69］。这种技术渗透可能对既有的行业生态形成巨大冲击，传统上由在任者提供的产品和服务或被众多新参与的初创企业迅速瓦解，导致新的合作关系和权力的重大转移，并在生态系统中产生不同的增长模式和高度相互依存的网络结构［70］。不仅如此，数字智能技术通过改变协调和规范企业核心业务活动的行业标准，深刻影响了企业的运营方式，给行业标准的监管效力带来了挑战［71］。供应链的生态化重塑必须具备对智能化浪潮冲击的适应能力，才能抓住技术变革的红利赢得更大增长空间。组织在商业生态系统中的交互行为与生物物种在自然生态系统中的相互作用类似，LUSCH等（2016）由此开发了一个包含适应性规则、适应性实践以及适应性系统创建指南的综合性框架，以构建组织在生态系统适应性中的重要角色［72］。

（二）系统模式革新

数字技术的应用打破了传统上相对分散的供应链服务体系，促进了各种服务和应用的集成化，助力企业实时掌握供应链全流程的价值传递过程。专业化服务的无缝衔接提升了供应链绩效，开放的智能平台和应用集成推动了供应链端到端的可视化与信息共享，而基于数据挖掘的预测分析算法增强了供应链的前瞻能力。在此基础上，人工智能的优势进一步显现。基于机器学习的高级预测和决策分析为供应链提供智能解决方案，而深度学习（Deep learning）、认知计算（Cognitive computing）等技术的嵌入将提高供应链组织的感知、决策、执行和学习水平，赋能供应链自适应与灵活性建设［73-75］。无人技术和设备已在制造、仓储、配送等多个应用场景发挥作用，有效降低了人工干预及其成本，提高了供应链的自主能力和运作效率［76］。基于代理的供应链系统通过优化和控制降低了各环节的人工干预，促进全流程的自动化［77］，进而驱动供应链系统模式朝着自主性的方向变革。与自主技术的结合将进一步推进智能自主供应链的构建，进而实现供应链自主计划、端到端的流程自动化以及系统的自我调整与修复。

人工智能驱动的自主式供应链从计划、可见性、感知、决策、合作、流程等方面实现系统模式的革新。企业通过遗传算法和设备物理模拟生成并优化产品架构设计方案，并与大规模供应链计划相结合，能够增强业务场景分析能力，减少客户响应时间，进而提升供应链计划的准确性［78］。人工神经网络等技术的应用强化了对供应链各节点完成订单以及订单去向的预测能力，从而促进供应链中产品订单全生命周期的可视化。通过自然语言处理（Natural language processing）建立基于感知与交互的人机界面［79］，企业从非结构化文本中自动验证并生成供应链图，以增强对供应链结构的可见性［80］。使用智能感知技术和边缘技术采集全生命周期内的多源数据，推动供应链资源与云平台的无缝对接，可以构建智能集成管理模式，实现供应链集成与实时监控，提升云服务的敏捷性和灵活性，从而以最低的成本感知需求变化并快速响应多样需求。利用来自网络和边缘设备的实时数据，通过机器学习等手段从中发现知识和见解，进而在供应链中创建实时可访问的信息，并作出及时、准确和富有洞察的自主决策，给出最优解决方案的建议。智能平台的资源整合与共享功能不仅要促进供应链的上下游协同，更要推动整个生态网络的均衡与协调，因此平台策略需对网络系统的价值作出复杂权衡，以促进主体间跨界多向合作关系的建立［64］。由于可见性的增强，供应链的信息愈加密集且透明，机器学习、机器人流程自动化（Robotic process automation）与区块链等技术的综合运用将赋能快速的计划、预测、响应与调整，从采购管理、生产制造、库存控制、运输网络、需求预测、订单拣选、客户关系等方面推动供应链端到端的流程集成与自动化［81］。

尽管供应链自主模式的构建富有价值前景，但是目前人工智能的应用计划仍具挑战性，兑现的程度比较有限，主要集中在一些集成自主技术的用于室内场景的特定设备上，而在非结构性的操作对象上尚难奏效。推动从高人工干预向低干预甚至零干预模式的跃迁，要在数字化效率跃升的基础上促进企业业务计划转型，对跨界价值链上的感知需求进行同步和优化，提升关联价值链的决策敏捷性和效率，进而推动基于人工智能的供应链业务自动化和机器人流程自动化［82］。数据、算法、算力、机器人等关键人工智能资源的协调，及其与仓储设施、信息系统等其它相关资源的协同，是充分发挥人工智能的预测、计划与学习能力的关键。事实上，人工智能的能力并非独立，与人的能力结合并相互作用、相互进化，能够进一步发挥彼此的互补优势，共同促进空间优化和劳动生产率的提高，从而协同创造新的竞争优势和业务价值［83］。因此，人机智能协同的自主式供应链将是合意于未来场景的供应链系统模式。

四、人工智能驱动供应链优势重建

在生态重塑的基础上，人工智能的应用将推动供应链的价值路径创新，形成全生态协同的价值共创体系，并通过强化供应链的绿色转型和应变能力构筑新的竞争优势。在人工智能的加持下，供应链的共创生态以价值融合为路径创造集成式需求价值，通过开发绿色解决方案催生更高层次的环境治理，基于动态风控和业务连续性强化应变能力与韧性建设。与此同时，人工智能的渗透也将使生态系统面临适应性的考验，或给共创生态带来超预期的价值破坏因素，对于资源环境也隐含潜在的威胁，多维风险的预测和识别将是供应链优势重建的基础。

（一）价值创新

人工智能驱动供应链向生态化的供应网络转型升级，在智能互联的生态网络中，跨界主体通过端到端的链接实现多向互动，以协同的方式参与业务运作与整合。生态网络的构建推动了供应链价值实现路径的创新，使之从传统单维流程式的价值交付体系，向多维生态化的价值创造体系转变。在人工智能技术使能下，参与主体通过生态化的业务交流与协作实现价值的协同共创。智能平台促进了信息的交互与融合，通过跨界数据的整合与分析，为各类主体跨越产业及市场的边界寻求创新合作提供支持。枢纽企业与异构的互补企业建立生态化合作关系，构建生态系统共同为客户和自身创造价值［19］。企业之间交流机会的拓展丰富了企业的经验和资源，强化了企业间的学习与合作，进而在消费者积极反馈促进应用更新的基础上激发互补创新［84］。虚拟空间的构建促进了企业与客户的实时链接与互动，使得客户能够广泛参与研发、设计、制造、配送等供应链业务环节，进而以客户为中心营造开放多元共享的创新生态。移动终端与社会化媒体的引入推动了客户之间的虚拟社交与互动，使之交流共创体验与消费评价，促进价值创新与增长［85］。

多元主体交流互动产生的数据成为研判市场潮流、挖掘需求潜力和创造全新需求的关键资源。机器学习等技术的利用不仅使企业快速掌握需求量的变化趋势，更为重要的是对需求内容动向的把握，即客户对新产品和新服务的未来需求［86］。这些要求不仅包含对产品和服务在质量、功能、性能等方面的确定性要求，更具价值的是对客户自身尚未形成明确感知的模糊性需求的智能挖掘。边缘智能平台的嵌入使得终端设备即时捕获的用户使用和反馈数据无需向云端传送，即可对用户进行市场细分和定位，在保护隐私的同时为其提供个性化的实时推荐［87］。云端智能平台的应用则进一步针对使用价值的本质需求，对直接或间接从客户、市场分析、调查、产品和服务评价以及交易历史中获取的客户生成数据进行深层挖掘［88］，从而洞察客户的体验与感知，创造超前的新需求和新场景，为客户提供全新的产品和服务价值。随着市场的升级，融合多种产品和服务的一站式消费需求与日俱增。许多市场开始形成一种新的经济结构，即价值由多个生产者共同创造，并由生产者联盟或独立企业聚合成一个共同的捆绑产品［18］。人工智能技术不仅使能多种关联产品的智能链接与集成化，而且在业务层面促进了生产者聯盟的协同创新，推动了产品与服务的去边界化和价值融合，从而满足市场的集成式需求。

全生态协同共创是人工智能技术使能下形成的新市场结构。此类市场的需求、生产选择、收益分配和相对市场力量随之产生了新的变化，并且这些市场中的生产者通常并非零和意义上的竞争对手，因为每个市场的产出都会对其它市场的生产决策产生外部性；这种特性允许多个生产者在均衡的状态下发展，竞争对手的均衡产量形成了战略互补，但生产者之间的竞争也彰显无疑［18］。尽管生态化合作关系中的价值共创已经得到重视，但对这些关系中可能破坏价值的挑战却关注甚少。事实上，价值的创造和破坏过程往往交织在一起，随着时间的推移，最初的共创预期可能会由于某些偶发行为及其潜在机制最终导致价值破坏；机会主义、不公平的租金分配、逃避、不对称权力的利用和过度依赖等因素都会引发价值破坏，而互补性竞争对手以结盟方式应对枢纽企业的机会主义行为会进一步破坏生态系统的价值［19］。CENNAMO和SANTAL（2019）认为，基于智能平台的生态系统在形成更大的生成性和生产力的同时，也会导致成员主体满足用户需求的方式发生更大变化，并可能阻碍生态系统的价值创造；其原因在于，客户满意度的提高有助于形成集体共享的平台系统声誉并让所有参与者从中受益，这意味着生成性的增强尽管提高了客户满意度，并对平台系统声誉产生了积极影响，但随着平台系统的成熟以及平台系统之间竞争的加剧，消极的搭便车效应或将逐渐显现［62］。因此，基于智能平台的生态成员集体行动及其对系统价值创新的影响，值得进一步深入研究。

（二）绿色转型

随着经济社会的发展，资源和环境问题日益凸显。企业要获得可持续的竞争优势，必须加快实现供应链的绿色转型，构建更加高效、更高智能和更可持续的供应链体系。打造绿色供应链关键在于提高供应链的系统效率，从整体上以更低的资源和环境损耗实现更高的经济效益。数字化转型为供应链优化资源配置、提高运行效率、促进节能减排提供了技术基础。机器学习、人工神经网络、计算机视觉等人工智能技术在可持续运输［89］、可再生能源［90］、碳排放［91］、智慧城市环境可持续［92］等方面得到了具体应用。人工智能的导入赋予供应链更加敏捷、智能、弹性的运行环境，增强供应链全流程的可见性，促进各环节的协同运作和节能增效，进而从系统层面提高资源利用率，为供应链有效应对资源环境约束提供强大的技术赋能。对于企业而言，人工智能为其学习全球供应链与产业流程规划提供了硬软件支持，以减少与上游矿产、油气等资源生产相关的水、能源和土地投入，同时减少对碳排放的净贡献，降低供应链流程的运作成本［93］。

与区块链、云计算等其它新兴技术融合，人工智能也将为全行业的可持续发展产生效益［94］。针对开放式绿色供应链中的知识不对称问题，ZHANG等（2019）构建了绿色供应链企业的知识创造过程模型，提出了一种基于边缘计算和区块链的分散式知识共享框架，提供边缘智能服务的边缘计算被集成到框架中，以满足区块链对分布式网络的需求［95］。云计算改变了服务提供商和用户之间的能源消费动态，基于云平台的信息技术服务可以提高用户的能源效率，而其异构影响取决于云服务模型、能源类型和内部信息技术硬件强度等因素［96］。云端与边缘智能的结合，强化了供需网络中各节点企业、最终消费者以及企业内部各部门的信息共享与协同，赋能企业实时掌握供应链中的生产、库存、订单、运输等动态信息，促进全链条资源的整合与高效利用，消除由信息壁垒等原因造成的资源闲置与浪费。在采购、制造、营销、物流等供应链各环节，利用人工智能算法可以对各类资源的投入数量、运输路线与耗时、环境足迹分布、供应商质量等数据进行全面持续的分析，为供应链的环境风险提供智能识别和追踪，优化绿色供应商与合作伙伴选择，从而给出最优解决方案和决策建议，在促进降本增效的同时提升供应链的可持续能力。

除了降低资源利用强度、提高供应链效率外，人工智能促进环境可持续性的价值还体现在如何在更高层次上推动环境治理。人工智能的使用可以超越传统的环境治理杠杆，实现在多方利益相互作用情境下的全面治理［97］，并且消除人的情感偏见和信息不对称［98］，最大限度减少自利行为，进而衍生出文化上合适的组织流程和个人实践，因此被证明是多种组织绩效的投资优先项［93］。资源和环境问题涉及政治、经济、环境等多个层面的利益子系统，因此为绿色供应链持续提供有效解决方案，人工智能的研究与应用要超越单纯的技术思维，从社会、经济、环境、技术等多维视角出发加以审视。技术创新对运作效率、组织流程、消费习惯等方面的改变，或在一定程度上加剧有限资源消耗或环境退化［99］。例如，新能源汽车的使用尽管降低了石油的直接消耗，但由于能源结构转型的滞后，其对碳减排的实际贡献尚需论证。人工智能在微观层面上的收益并不意味着构成全球供应链负面环境后果的宏观解决方案［100］。因此，除了强调环境规制的必要性，人工智能的应用还需充分考虑其结果对决策者行为产生的影响，并且明晰气候数据中的政治、历史、社会等宏观综合因素，通过机器学习技术改进以及决策者与机器的交互提高决策的科学性。此外，由于依托大规模的数据中心及相关基础设施，人工智能的应用本身也存在气候风险，需对数据中心等设施的环境可持续性进行评估和改善［101］。

（三）应变能力

在动荡多变的环境中，供应链要面对社会经济形势、自然灾害以及市场波动等各种冲击。一方面，由于全球化和业务外包，供应链也愈发容易受到破坏性外部事件的影响，加之各种突发危机时有发生，提升供应链的快速应变能力至关重要。另一方面，供应链自身正变得越来越动态，其流程和产品的变革速度不断加快，以适应持续变化的商业环境和技术［102］。由于各种内外部因素对绩效的威胁，供应链需要识别、评估和响应所有环节中可能出现的问题，并基于多维数据作出快速的自适应决策，这些要求使得人工智能成为供应链提升应变能力的关键技术赋能［103］。自适应算法、预测和学习技术等信息处理能力的构建，能够帮助企业提升对供应链风险的预判能力并增强其自适应技能。利用人工智能算法对供应链的经验知识和实时数据进行处理和学习，企业可以分析导致问题出现的因素组合，同时预测供应链未来可能遭遇的变化和风险以及各种因素相互作用带来的潜在影响。在总结和预测的基础上，人工智能技术使能的自主供应链系统通过深度学习，能够掌握所有潜在因素的组合及其出现的可能性，提出应对变化和风险的策略和备用方案，主动决策并自主实施最优策略，从而确保供应链安全可控。

供应链弹性是应变能力建设的重心，人工智能为塑造供应链弹性提供了有效的解决方案。基于智能算法的集成多屬性决策技术能够识别开发不同弹性策略的人工智能技术模式，而模糊逻辑程序（Fuzzy logic programming）、机器学习大数据和基于代理的系统（Agent-based system）等技术的应用将对提升供应链弹性发挥积极作用［104］。金融技术创新简化企业贷款和交易流程推动供应链金融的实施，以促进可持续的供应链投融资，提高其运营资本和竞争力［105］。机器学习等工具的利用可有效预测中小企业的信用风险，改善融资决策和融资能力［106］，从而优化供应链中的资金流，避免资金断链的风险。基于人工智能的数据采集、处理和自训练能力以及面向人工智能的信息系统，可以帮助企业在复杂和不确定的断链中快速决策，强化敏捷采购和备链计划，调整运输网络确保安全通畅，以减少供应中断的影响，促进成本节约和效率改善［107］。通过人工智能支撑的库存和产能实时预测与决策共享，合作企业可以掌握供应链上即将发生的风险事件，并建立应对风险的合作机制，在破坏性事件期间迅速调整战略，并在自适应算法的支持下使供应链在中断后快速恢复［108-109］。人工智能驱动的数字孪生（Digital twin）能够增强预测性和反应性决策，实现端到端的可见性和业务连续性［110］，进而推动生态伙伴共同绘制供应网络图［111］，实时监控各级网络节点、产品流通和业务全流程，提升风险识别和响应水平。总之，人工智能通过发展供应链在金融、采购、运输、库存、产能以及可见性等方面的能力，能够提升供应链的业务连续性和动态能力，从而助力供应链构建弹性运作机制。

尽管众多研究指出人工智能在提升供应链应变能力方面的巨大潜力，但其真正的效用在实践层面尚未得到充分的开发。究其原因，其一，相比于探索尚未熟悉的人工智能潜力，供应链的决策者或更倾向于采用经过验证的解决方案［103］。然而，充分发挥人工智能在预测、学习和主动决策方面的优势，并非使其完全代替决策者，而是构建决策者与机器智能协同的自主供应链，利用人工智能发现的新知识优化决策，从而更好地管理风险和不确定性。其二，不同的人工智能技术在供应链风险管控中的应用具有不同的针对性［112］。早期技术在一定程度上能有效降低风险的危害，但更为首要的风险预测和识别却依赖于机器学习、大数据分析和多代理系统等尚未在供应链风险领域成熟应用的技术。面向集成技术框架的预测、学习与优化等技术结合将对供应链进行复杂系统建模，推动风险管控实践从静态向动态模式转变，提升决策过程的自动化水平。其三，数据驱动模型已经逐渐取代传统的决策分析模型［113］，数据的数量和质量直接决定决策结果的有效性，也是决定自主供应链的自我修复能力的关键要素。人工智能的应用依赖于大量数据源和大型多维数据集的可用性，对于涵盖多主体和多环节的供应链系统及其外部环境而言尤甚，生态伙伴之间基于信任的数据收集、存储和共享是人工智能技术得以采纳的基础。如何平衡数据的共享与安全，以最大限度地提升数据的透明度和可用性，也是供应链应变能力建设面临的挑战。

五、总结与展望

（一）研究结论

作为引领科技革命和产业变革的新兴技术，人工智能正在深刻改变经济社会的发展形态，为商业世界带来颠覆性的技术创新和价值创造。随着人工神经网络、机器学习、边缘计算、信息处理算法、多代理系统等技术的进步，人工智能正在供应链领域释放巨大潜力，驱动供应链迈向新的深刻变革，在各层面产生革命性的影响。本文从平台重构、生态重塑、优势重建三个维度对人工智能在供应链变革中的技术赋能、应用价值和实施挑战进行了分析和论述。

综合上述三个维度来看，在技术赋能方面，人工智能驱动数字化平台实现架构升级并激发应用场景创新，供应链中信息的畅通性和共享性显著增强，进而推动供应链组织形态的生态化跃迁和系统模式的自主式革新，逐渐向全生态协同的价值共创体系演进，并为供应链的绿色可持续性和应变能力提供高效赋能。

在应用价值方面，基于平台的信息共享与透明可视化有力促进了供应链的成员协调和绩效改善，云端与边缘智能平台对应用场景的创新从生产、流通、消费等环节有效提升了供应链的协同能力和响应水平；组织的生态化重塑为满足集成式需求并获得持续竞争优势注入了动能，价值共创生态的形成推动了产品和服务的去边界化与价值融合以创造集成化的需求价值；自主式供应链的构建强化端到端的流程集成与自动化，致力于实现快速自主的计划、预测、响应和调整；对绿色解决方案的技术支持在促进供应链节能减排与增效的同时将催生更高层次的绿色治理，而应变能力建设则通过发展动态风险管控和业务连续性为供应链建立有效的弹性运作机制。

在实施挑战方面，人工智能技术的渗透不仅伴随着信息安全、价格歧视以及算法合谋等问题，更将对既有行业生态产生冲击并挑战在位者的运营和行业标准，对生态系统的适应能力提出了更高要求，而共创生态中的一些潜在因素则有可能打破共创预期，阻碍生态系统的价值创造甚至引发价值破坏；供应链自主模式的兑现程度较低，在关键要素的协调及其与其它资源的协同等方面存在短板，而分布式平台的应用尚未遍及供应链的全流程，需要加快适应即时化、多样化和碎片化的业务场景；风险的预测和识别是供应链智能技术应用中的薄弱环节，数据的数量和质量以及人机协同模式的构建是风险管控决策的关键，而技术的创新与应用同样潜伏着包括资源环境在内的各种风险，应充分考虑人的行为性并基于多维视角综合加以审视。

（二）研究展望

尽管当前供应链的智能化变革已经取得了较多进展，并在供应链的一些重要环节发挥了作用，但从研究和实践的角度还存在很多差距和机会。随着人工智能的持续渗透和应用，其必然对供应链的运行产生深远影响。除了上述的实施挑战外，未来可重点关注竞合生态化、技术采纳行为、技术治理等方面，推动供应链智能化研究和实践的深入发展。

1.竞合生态化

供应链组织趋于生态化的特质为人工智能的实施提供了一个自然的框架。数字化环境下，生态网络中的多元主体交互竞合生成海量数据，对其所依赖的物理和数字网络提出了大容量、精益化、时效性等运行要求。人工智能以仅靠人类思维无法企及的高效方式优化网络编排，将推动供应链的生态运作从被动转向主动，流程从手控转向自主，服务从标准化转向个性化，生产计划从预报转向预测［49］。组织间的动态竞合关系以及产品和服务创新通过生态进化不断产生变异和迭代，利用机器学习、人工神经网络等技术挖掘进化的新趋势和新方向，发挥混合智能技术的协同作用和互补性，可以为复杂竞合场景提供持续的解决方案。通过对交互式决策系统的研究能够加深对人工智能工具的理解，从而提高开发此类解决方案的能力。跨界主体的互补创新是生态网络获得更大价值生成性的重要优势。应加强人工智能在具体行业供应链中的应用研究，以创建更为专业和深刻的知识背景，从而更好地适应于竞合生态化背景下的跨界创新实践。

2.技术采纳行为

决策者对人工智能的采纳行为将对供应链产生重要的影响。这些行为因素包括技术采纳前后的行为以及意图、态度和感知行为控制等［114］。LOCH（2017）指出，行为因素在人工智能技术采纳中的作用甚至比其在既定流程和运作管理中的作用更为重要［115］。当前针对技术采纳行为的研究大多围绕单一主体，而供应链的多主体特性将丰富决策者行为探索的知识体系，面向整个供应链系统的技术采纳将最大化技术的应用价值［116］。尤其是在生态化发展的背景下，供应链的运行数据来自系统内部的所有层级和外部环境，并且系统层面的技术采纳需要跨界主体间的密切协作。主体间的协作涉及双边/多边信任、交易与协调、技术采纳共识形成等一系列行为问题，行为间的交互作用甚至会在供应链中产生连锁效应。因此，需要针对技术采纳行为对人工智能驱动的供应链决策的影响路径和影响机制展开研究，深入分析行为因素对基于数据的决策结果的作用机理，以促进人工智能应用价值的最大化。

3.技术治理

要形成对供应链“负责任”的驱动能力，必须加强人工智能技术的治理。作为一种智能化的信息处理技术，人工智能当前并不具备人的意识和理解能力，因此在其发展和应用中要特别关注技术本身的风险。在数据责任方面，人工智能的使用规范要对数据安全和个人信息保护作出明确要求。不同于数据库中的数据，写入人工智能模型的用户数据由于现实技术瓶颈等原因难以在使用后及时清除。因此，人工智能的開发要加快事关信息安全的关键技术突破，并促进应用平台与用户之间的信息对称，规避信息的过度调取和滥用，从而让技术创新切实负起数据责任。在算法责任方面，人工智能算法通过海量用户数据的挖掘掌握消费者偏好，并向其提供个性化的推荐服务，但这一服务极有可能将正面的个性化推荐转变成负面的“信息茧房（Information cocoons）” ［117］，造成用户视角、观点与认知的片面性和单一性，进而放大社会偏见。可见，应加强对算法责任治理的研究，确保算法结果能向用户和消费者提供开放多维的信息价值。另外，云端服务器和边缘设备提供推荐服务均存在隐私安全或数据滥用等隐患，对此需要引起重视。在落地责任方面，人工智能技术的应用存在“道德洗白（Ethical whitewashing）”和“机器洗白（Machinewashing）”等现象［118］，即一些企业通过对人工智能技术责任的宣传公关以转移公众注意力，掩饰或粉饰其在技术落地中的失范行为和问题。此外，经济社会始终是以人与人交互为主导的领域，因此尽管人工智能发展迅猛，但技术落地必须遵循必要性和适用性的原则，以确保其是促进经济社会进步的战略性赋能，而非对现实社会的全面替代。

［參考文献］

［1］MOOR J. The Dartmouth College artificial intelligence conference： the next fifty years［J］. AI magazine， 2006， 27（4）： 87-91.

［2］OECD. Artificial intelligence in society［R］. Paris： OECD publishing， 2019.

［3］GILLHAM J， RIMMINGTON L， DANCE H， et al. The macroeconomic impact of artificial intelligence［R］. PwC， 2018.

［4］MCKINSEY. Global AI survey： AI proves its worth， but few scale impact［R/OL］. （2019-11-22）［2022-06-06］. https：//www.mckinsey.com/featured-insights/artificial-intelligence/global-ai-survey-ai-proves-its-worth-but-few-scale-impact.

［5］NILSSON N J. The quest for artificial intelligence： a history of ideas and achievements［M］. Cambridge： Cambridge University Press， 2010.

［6］MAKRIDAKIS S. The forthcoming artificial intelligence （AI） revolution： its impact on society and firms［J］. Futures， 2017， 90（6）： 46-60.

［7］LEE H L， PADMANABHAN V， WHANG S. Information distortion in a supply chain： the bullwhip effect［J］. Management science， 1997， 43（4）： 546-558.

［8］NETESSINE S， ZHANG F. Positive vs. negative externalities in inventory management： implications for supply chain design［J］. Manufacturing & service operations management， 2005， 7（1）： 58-73.

［9］CACHON G P， ZHANG F. Procuring fast delivery： sole sourcing with information asymmetry［J］. Management science， 2006， 52（6）： 881-896.

［10］BHASKARAN S R， GILBERT S M. Implications of channel structure for leasing or selling durable goods［J］. Marketing science， 2009， 28（5）： 918-934.

［11］CHEN L， LEE H L. Bullwhip effect measurement and its implications［J］. Operations research， 2012， 60（4）： 771-784.

［12］HAO L， TAN Y. Who wants consumers to be informed？ facilitating information disclosure in a distribution channel［J］. Information systems research， 2019， 30（1）： 34-49.

［13］JIANG J， HE C. Low-price guarantees in a dual channel of distribution［J］. Marketing science， 2021， 40（4）： 765-782.

［14］XIA Y， XIAO T， ZHANG G P. Service investment and channel structure decisions in competing supply chains［J］. Service science， 2019， 11（1）： 57-74.

［15］KESKIN B B， BARBEE E C. Case-greatdeal and newchicken merger： designing an omni-channel supply chain［J］. INFORMS transactions on education， 2021， 22（1）： 48-54.

［16］HU M， XU X， XUE W， et al. Demand pooling in omnichannel operations［J］. Management science， 2022， 68（2）： 883-894.

［17］BASU A， BHASKARAN S. An economic analysis of customer co-design［J］. Information systems research， 2018， 29（4）： 787-786.

［18］BHARGAVA H K. Bundling for flexibility and variety： an economic model for multiproducer value aggregation［J］. Management science， 2021， 67（4）： 2365-2380.

［19］SAHAYM A， VITHAYATHIL J， SARKER S， et al. Value destruction in information technology ecosystems： a mixed-method investigation with interpretive case study and analytical modeling［J/OL］. Information systems research， （2022-05-19） ［2022-06-10］. DOI： 10.1287/isre.2022.1119.

［20］METICULOS RESEARCH. Artificial intelligence in supply chain market by component （platforms， solutions） technology （machine learning， computer vision， natural language processing）， application （warehouse， fleet， inventory management）， and by end user-global forecast to 2027［EB/OL］. ［2022-06-07］. https：//www.meticulousresearch.com/product/artificial-intelligence-ai-in-supply-chain-market-5064.

［21］RAO A S， VERWEIJ G. PwCs global artificial intelligence study： exploiting the AI revolution-sizing the prize： whats the real value of AI for your business and how can you capitalise？［R/OL］. （2017-06-22） ［2022-06-09］. https：//www.pwc.com/gx/en/issues/data-and-analytics/publications/artificial-intelligence-study.html.

［22］TECHNAVIO. Artificial intelligence （AI） market by component， end-user and geography-forecast and analysis 2023—2027［R/OL］. ［2023-02-05］. https：//www.technavio.com/report/artificial-intelligence-ai-market-industry-analysis.

［23］MARKETS AND MARKETS. Artificial intelligence in manufacturing market by offering （hardware， software， and services）， industry， application， technology （machine learning， natural language processing， context-aware computing， computer vision）， & region （2022-2027）［EB/OL］. ［2022-06-10］. https：//www.marketsandmarkets.com/Market-Reports/artificial-intelligence-manufacturing-market-72679105.html.

［24］GARTNER. Gartner identifies the top supply chain technology themes in 2021［EB/OL］. （2021-06-09） ［2022-06-10］. https：//www.gartner.com/en/newsroom/press-releases/2021-06-09-gartner-identifies-the-top-supply-chain-technology-themes-in-2021.

［25］MOORE B. Eight tech “themes” to improve global supply chain resilience： Gartner［R/OL］. （2021-06-10） ［2022-06-08］. https：//www.crn.com.au/gallery/eight-tech-themes-to-improve-global-supply-chain-resilience-gartner-565744.

［26］GARTNER. Gartner reveals the top supply chain technology themes in 2022［EB/OL］. （2022-06-08） ［2022-06-10］. https：//www.gartner.com/en/newsroom/press-releases/2022-06-08-gartner-reveals-the-top-supply-chain-technology-themes-in-2022.

［27］ALICKE K， DILDA V， GRNER S， et al. Succeeding in the AI supply-chain revolution［R/OL］. （2021-04-30） ［2022-06-12］. https：//www.mckinsey.com/industries/metals-and-mining/our-insights/succeeding-in-the-ai-supply-chain-revolution.

［28］DILDA V， GUPTA R， KARLSSON A， et al. Building value-chain resilience with AI［R/OL］. （2021-11-26） ［2022-06-12］. https：//www.mckinsey.com/industries/metals-and-mining/our-insights/building-value-chain-resilience-with-ai.

［29］COLUMBUS L. Sizing the market value of artificial intelligence［EB/OL］. （2018-04-30） ［2022-06-12］. https：//www.forbes.com/sites/louiscolumbus/2018/04/30/sizing-the-market-value-of-artificial-intelligence/？sh=259878c4ffe9.

［30］ALNOMAN A， SHARMA S K， EJAZ W， et al. Emerging edge computing technologies for distributed IoT systems［J］. IEEE network， 2019， 33（6）： 140-147.

［31］SITTN-CANDANEDO I， ALONSO R S， RODRGUEZ J M C， et al. A review of edge computing reference architectures and a new global edge proposal［J］. Future generation computer systems， 2019， 99： 278-294.

［32］DAI W， NISHI H， VYATKIN V， et al. Industrial edge computing： enabling embedded intelligence［J］. IEEE industrial electronics magazine， 2019， 13（4）： 48-56.

［33］DIXON J， HONG B， WU L. The robot revolution： managerial and employment consequences for firms［J］. Management science， 2021， 67（9）： 5586-5605.

［34］LIANG Y， SUN Z， SONG T， et al. Lenovo schedules laptop manufacturing using deep reinforcement learning［J］. Interfaces， 2022， 52（1）： 56-68.

［35］SENONER J， NETLAND T， FEUERRIEGEL S. Using explainable artificial intelligence to improve process quality： evidence from semiconductor manufacturing［J］. Management science， 2022， 68（8）： 5704-5723.

［36］MELANON G G， GRANGIER P， PRESCOTT-GAGNON E， et al. A machine learning-based system for predicting service-level failures in supply chains［J］. Interfaces， 2021， 51（3）： 200-212.

［37］FELDMAN J， ZHANG D J， LIU X， et al. Customer choice models vs. machine learning： finding optimal product displays on Alibaba［J］. Operations research， 2021， 70（1）： 309-328.

［38］GARTNER. Top 12 data and analytics trends for 2022［EB/OL］. （2022-04-05） ［2022-06-12］. https：//www.gartner.com/en/articles/12-data-and-analytics-trends-to-keep-on-your-radar.

［39］WAN Y， QU Y， GAO L， et al. Privacy-preserving blockchain-enabled federated learning for B5G-driven edge computing［J］. Computer networks， 2022， 204： 108671.

［40］ADAMOPOULOS P， TODRI V， GHOSE A. Demand effects of the internet-of-things sales channel： evidence from automating the purchase process［J］. Information systems research， 2021， 32（1）： 238-267.

［41］HELMBERG C， HOFMANN T， WENZEL D. Periodic event scheduling for automated production systems［J］. INFORMS journal on computing， 2022， 34（2）： 1291-1304.

［42］BLIT J. Automation and reallocation： will COVID-19 usher in the future of work？［J］Canadian public policy， 2020， 46（S2）： S192-S202.

［43］XU Y， NASCIMENTO N M M， FEIJ DE SOUSA P H， et al. Multi-sensor edge computing architecture for identification of failures short-circuits in wind turbine generators［J］. Applied soft computing， 2021， 101： 107053.

［44］AHMED E， AHMED A， YAQOOB I， et al. Bringing computation closer toward the user network： is edge computing the solution？［J］. IEEE communications magazine， 2017， 55（11）： 138-144.

［45］MORABITO R， COZZOLINO V， DING A Y， et al. Consolidate IoT edge computing with lightweight virtualization［J］. IEEE network， 2018， 32（1）： 102-111.

［46］OSADCHIY N， SCHMIDT W， WU J. The bullwhip effect in supply networks［J］. Management science， 2021， 67（10）： 6153-6173.

［47］HELO P， HAO Y. Artificial intelligence in operations management and supply chain management： an exploratory case study［J］. Production planning & control， 2022， 33（16）： 1573-1590.

［48］AWAN U， KANWAL N， ALAWI S， et al. Artificial intelligence for supply chain success in the era of data analytics［M］//HAMDAN A， HASSANIEN A E， RAZZAQUE A， et al. The fourth industrial revolution： implementation of artificial intelligence for growing business success. Cham， Switzerl and：Springer， 2021： 3-21.

［49］TOORAJIPOUR R， SOHRABPOUR V， NAZARPOUR A， et al. Artificial intelligence in supply chain management： a systematic literature review［J］. Journal of business research， 2021， 122： 502-517.

［50］KASABOV N. Evolving and spiking connectionist systems for brain-inspired artificial intelligence［M］//KOZMA R， ALIPPI C， CHOE Y， et al. Artificial intelligence in the age of neural networks and brain computing， Amsterd am：Academic Press， 2019： 111-138.

［51］SHABANY MOGHADAM F， FAZEL ZARANDI M H. Mitigating bullwhip effect in an agent-based supply chain through a fuzzy reverse ultimatum game negotiation module［J］. Applied soft computing， 2022， 116： 108278.

［52］DORA M， KUMAR A， MANGLA S K， et al. Critical success factors influencing artificial intelligence adoption in food supply chains［J］. International journal of production research， 2022， 60（14）： 4621-4640.

［53］LIU Y， QIAN Y， JIANG Y， et al. Using favorite data to analyze asymmetric competition： machine learning models［J］. European journal of operational research， 2020， 287（2）： 600-615.

［54］BAR-GILL O. Price discrimination with consumer misperception［J］. Applied economics letters， 2021， 28（10）： 829-834.

［55］LIOBAIT I. Measuring discrimination in algorithmic decision making［J］. Data mining and knowledge discovery， 2017， 31： 1060-1089.

［56］ASSAD S， CALVANO E， CALZOLARI G， et al. Autonomous algorithmic collusion： economic research and policy implications［J］. Oxford review of economic policy， 2021， 37（3）： 459-478.

［57］SCHWALBE U. Algorithms， machine learning， and collusion［J］. Journal of competition law & economics， 2018， 14（4）： 568-607.

［58］TUCKER C. Privacy， algorithms， and artificial intelligence［M］//AGRAWAL A， GANS J， GOLDFARB A. The economics of artificial intelligence： an agenda， Chicago：University of Chicago Press， 2019： 423-437.

［59］GAUTIER A， ITTOO A， VAN CLEYNENBREUGEL P. AI algorithms， price discrimination and collusion： a technological， economic and legal perspective［J］. European journal of law economics， 2020， 50： 405-435.

［60］WANG J， WU X， KRISHNAN V. Decision structure and performance of networked technology supply chains［J］. Manufacturing & service operations management， 2018， 20（2）： 199-216.

［61］JACOBIDES M G. In the ecosystem economy， whats your strategy？［J］. Harvard business review， 2019， 97（5）： 128-137.

［62］CENNAMO C， SANTAL J. Generativity tension and value creation in platform ecosystems［J］. Organization science， 2019， 30（3）： 617-641.

［63］NICULESCU M F， WU D J， XU L. Strategic intellectual property sharing： competition on an open technology platform under network effects［J］. Information systems research， 2018， 29（2）： 498-519.

［64］RIETVELD J， SCHILLING M A， BELLAVITIS C. Platform strategy： managing ecosystem value through selective promotion of complements［J］. Organization science， 2019， 30（6）： 1232-1251.

［65］OZCAN P， HANNAH D. Forced ecosystems and digital stepchildren： reconfiguring advertising suppliers to realize disruptive social media technology［J］. Strategy science， 2020， 5（3）： 193-217.

［66］OLAN F， LIU S， SUKLAN J， et al. The role of artificial intelligence networks in sustainable supply chain finance for food and drink industry［J］. International journal of production research， 2022， 60（14）： 4418-4433.

［67］OLAN F， ARAKPOGUN E O， JAYAWICKRAMA U， et al. Sustainable supply chain finance and supply networks： the role of artificial intelligence［J/OL］. IEEE transactions on engineering management， （2022-01-04） ［2022-06-16］. DOI： 10.1109/TEM.2021.3133104.

［68］PENTLAND B T， YOO Y， RECKER J， et al. From lock-in to transformation： a path-centric theory of emerging technology and organizing［J］. Organization science， 2022， 33（1）： 194-211.

［69］BAILEY D E， FARAJ S， HINDS P J， et al. We are all theorists of technology now： a relational perspective on emerging technology and organizing［J］. Organization science， 2022， 33（1）： 1-18.

［70］BASOLE R C， PATEL S S. Transformation through unbundling： visualizing the global FinTech ecosystem［J］. Service science， 2018， 10（4）： 379-396.

［71］SCOTT S， ORLIKOWSKI W. The digital undertow： how the corollary effects of digital transformation affect industry standards［J］. Information systems research， 2021， 33（1）： 311-336.

［72］LUSCH R F， SAGARIN R， TANG Z R. Commentary-lessons from nature： enhancing the adaptable potential of service ecosystems［J］. Service science， 2016， 8（1）： 85-96.

［73］KAUR S， GUPTA S， SINGH S K， et al. Organizational ambidexterity through global strategic partnerships： a cognitive computing perspective［J］. Technological forecasting and social change， 2019， 145： 43-54.

［74］LIU M， YU F R， TENG Y， et al. Performance optimization for blockchain-enabled industrial internet of things （IIoT） systems： a deep reinforcement learning approach［J］. IEEE transactions on industrial informatics， 2019， 15（6）： 3559-3570.

［75］LUO S， CHOI T M. Great partners： how deep learning and blockchain help improve business operations together［J/OL］. Annals of operations research， （2021-06-15） ［2022-06-16］. DOI： 10.1007/s10479-021-04101-4.

［76］REJEB A， REJEB K， SIMSKE S J， et al. Drones for supply chain management and logistics： a review and research agenda［J/OL］. International journal of logistics research and applica-tions， （2021-09-24） ［2022-06-18］. DOI： 10.1080/13675567.2021.1981273.

［77］XU L， MAK S， BRINTRUP A. Will bots take over the supply chain？ revisiting agent-based supply chain automation［J］. International journal of production economics， 2021， 241： 108279.

［78］HEINEY J， LOVRIEN R， MASON N， et al. Intel realizes $25 billion by applying advanced analytics from product architecture design through supply chain planning［J］. INFORMS journal on applied analytics， 2021， 51（1）： 9-25.

［79］ZANON L G， MUNHOZ ARANTES R F， CALACHE L D D R， et al. A decision making model based on fuzzy inference to predict the impact of SCOR indicators on customer perceived value［J］. International journal of production economics，2020， 223： 107520.

［80］WICHMANN P， BRINTRUP A， BAKER S， et al. Extracting supply chain maps from news articles using deep neural networks［J］. International journal of production research， 2020， 58： 5320-5336.

［81］MENDLING J， DECKER G， HULL R， et al. How do machine learning， robotic process automation， and blockchains affect the human factor in business process management？［J］. Communications of the association for information systems， 2018， 43： 297-320.

［82］ERNST and YOUNG. Five steps to help you upgrade your supply chain planning［EB/OL］. （2019-05-31） ［2022-06-18］. https：//www.ey.com/en_gl/consulting/five-steps-to-help-you-upgrade-your-supply-chain-planning.

［83］ZHANG D， PEE L G， CUI L. Artificial intelligence in e-commerce fulfillment： a case study of resource orchestration at Alibabas smart warehouse［J］. International journal of information management， 2021， 57： 102304.

［84］FOERDERER J. Interfirm exchange and innovation in platform ecosystems： evidence from Apples worldwide developers conference［J］. Management science， 2020， 66（10）： 4772-4787.

［85］JACOBIDES M G， SUNDARARAJAN A， VAN ALSTYNE M. Platforms and ecosystems： enabling the digital economy［C］//Briefing paper world economic forum， 2019： 1-32.

［86］FERREIRA K J， LEE B H A， SIMCHI-LEVI D. Analytics for an online retailer： demand forecasting and price optimization［J］. Manufacturing & service operations management， 2016， 18（1）： 69-88.

［87］WANG S， ZHAO Y， HUANG L， et al. QoS prediction for service recommendations in mobile edge computing［J］. Journal of parallel and distributed computing， 2019， 127： 134-144.

［88］UR REHMAN M H， CHANG V， BATOOL A， et al. Big data reduction framework for value creation in sustainable enterprises［J］. International journal of information management， 2016， 36（6）： 917-928.

［89］CAI Q， ABDEL-ATY M， SUN Y， et al. Applying a deep learning approach for transportation safety planning by using high-resolution transportation and land use data［J］. Transportation research part A： policy and practice， 2019， 127： 71-85.

［90］JHA S K， BILALOVIC J， JHA A， et al. Renewable energy： present research and future scope of artificial intelligence［J］. Renewable and sustainable energy reviews， 2017， 77： 297-317.

［91］ULPIANI G， DI PERNA C， ZINZI M. Water nebulization to counteract urban overheating： development and experimental test of a smart logic to maximize energy efficiency and outdoor environmental quality［J］. Applied energy， 2019， 239： 1091-1113.

［92］DE PAZ J F， BAJO J， RODRGUEZ S， et al. Intelligent system for lighting control in smart cities［J］. Information sciences， 2016， 372： 241-255.

［93］NISHANT R， KENNEDY M， CORBETT J. Artificial intelligence for sustainability： challenges， opportunities， and a research agenda［J］. International journal of information management， 2020， 53： 102104.

［94］HUGHES L， DWIVEDI Y K， MISRA S K， et al. Blockchain research， practice and policy： applications， benefits， limitations， emerging research themes and research agenda［J］. International journal of information management， 2019， 49： 114-129.

［95］ZHANG H， LI S， YAN W， et al. A knowledge sharing framework for green supply chain management based on blockchain and edge computing［M］//BALL P， HUACCHO HUATUCO L， HOWLETT R， et al. Smart innovation， systems and technologies. Singapore： Springer， 2019： 413-420.

［96］PARK J， HAN K， LEE B. Green cloud？ an empirical analysis of cloud computing and energy efficiency［J/OL］. Management science， （2022-06-07） ［2022-06-24］. DOI： 10.1287/mnsc.2022.4442.

［97］KRAFT B， WOLF S. Through the lens of accountability： analyzing legitimacy in environmental governance［J］. Organization & environment， 2018， 31（1）： 70-92.

［98］CULLEN-KNOX C， ECCLESTON R， HAWARD M， et al. Contemporary challenges in environmental governance： technology， governance and the social licence［J］. Environmental policy and governance， 2017， 27（1）： 3-13.

［99］NISHANT R， TEO T S， GOH M. Energy efficiency benefits： is technophilic optimism justified？［J］. IEEE transactions on engineering management， 2014， 61（3）： 476-487.

［100］DAUVERGNE P. Is artificial intelligence greening global supply chains？ exposing the political economy of environmental costs［J］. Review of international political economy， 2022， 29（3）： 696-718.

［101］LYKOU G， MENTZELIOTI D， GRITZALIS D. A new methodology toward effectively assessing data center sustainability［J］. Computers & security， 2018， 76： 327-340.

［102］YU W， JACOBS M A， CHAVEZ R， et al. Dynamism， disruption orientation， and resilience in the supply chain and the impacts on financial performance： a dynamic capabilities perspective［J］. International journal of production economics， 2019， 218： 352-362.

［103］BARYANNIS G， VALIDI S， DANI S， et al. Supply chain risk management and artificial intelligence： state of the art and future research directions［J］. International journal of production research， 2019， 57（7）： 2179-2202.

［104］BELHADI A， KAMBLE S， WAMBA S F， et al. Building supply-chain resilience： an artificial intelligence-based technique and decision-making framework［J］. International journal of production research， 2022， 60（14）： 4487-4507.

［105］SONI G， KUMAR S， MAHTO R V， et al. A decision-making framework for Industry 4.0 technology implementation： the case of FinTech and sustainable supply chain finance for SMEs［J］. Technological forecasting and social change， 2022， 180： 121686.

［106］ZHU Y， ZHOU L， XIE C， et al. Forecasting SMEs credit risk in supply chain finance with an enhanced hybrid ensemble machine learning approach［J］. International journal of production economics， 2019， 211： 22-33.

［107］GUPTA S， MODGIL S， MEISSONIER R， et al. Artificial intelligence and information system resilience to cope with supply chain disruption［J/OL］. IEEE transactions on engineering management， （2021-10-26） ［2022-06-24］. DOI： 10.1109/TEM.2021.3116770.

［108］RODRGUEZ-ESPNDOLA O， CHOWDHURY S， BELTAGUI A， et al. The potential of emergent disruptive technologies for humanitarian supply chains： the integration of blockchain， artificial intelligence and 3D printing［J］. International journal of production research， 2020， 58： 4610-4630.

［109］DUBEY R， GUNASEKARAN A， CHILDE S J， et al. Big data analytics and artificial intelligence pathway to operational performance under the effects of entrepreneurial orientation and environmental dynamism： a study of manufacturing organisations［J］. International journal of production economics， 2020， 226： 107599.

［110］IVANOV D， DOLGUI A. A digital supply chain twin for managing the disruption risks and resilience in the era of Industry 4.0［J］. Production planning & control， 2021， 32（9）： 775-788.

［111］CHOI T Y， ROGERS D， VAKIL B. Coronavirus is a wake-up call for supply chain management［J/OL］. Harvard business review， （2020-03-27） ［2022-06-24］. https：//hbr.org/2020/03/coronavirus-is-a-wake-up-call-for-supply-chain-management.

［112］DEIVA GANESH A， KALPANA P. Future of artificial intelligence and its influence on supply chain risk management-a systematic review［J］. Computers & industrial engineering， 2022， 169： 108206.

［113］KUO Y-H， KUSIAK A. From data to big data in production research： the past and future trends［J］. International journal of production research， 2019， 57（15/16）： 4828-4853.

［114］AIN N， VAIA G， DELONE W H， et al. Two decades of research on business intelligence system adoption， utilization and success-a systematic literature review［J］. Decision support systems， 2019， 125： 113113.

［115］LOCH C H. Creativity and risk taking arent rational： behavioral operations in MOT［J］. Production and operations management， 2017， 26： 591-604.

［116］POURNADER M， GHADERI H， HASSANZADEGAN A， et al. Artificial intelligence applications in supply chain management［J］. International journal of production economics， 2021， 241： 108250.

［117］SUNSTEIN C. Is social media good or bad for democracy？［J］. International journal on human rights， 2018， 15： 83-89.

［118］SEELE P， SCHULTZ M D. From greenwashing to machinewashing： a model and future directions derived from reasoning by analogy［J］. Journal of business ethics， 2022， 178： 1063-1089.

Abstract： The application and development of artificial intelligence are driving a new and profound transformation in supply chains and bringing revolutionary impacts on various aspects of supply chains. This paper focuses on the artificial intelligence-driven supply chain transformation. It is discussed from three perspectives as platform reconfiguration，

ecology reinvention and advantage reconstruction.

To be specific， for the platform perspective， the levels of platform upgrade and information sharing are expounded; for the ecology perspective， the levels of organizational form evolution and system mode innovation are analyzed; and for the advantage perspective， the levels of value innovation， green transformation and adaptability are discussed. The technological empowerment， application values and implementation challenges of artificial intelligence to supply chains are emphasized on each level.

Finally， to realize the high-quality development of supply chains in the era of artificial intelligence， it is proposed that in the future， the intelligent transformation of supply chains can be further promoted from three aspects in terms of research and practice： coopetition ecology， technology adoption behavior and technology governance.

Key words：artificial intelligence; supply chain; transformation; intellectualization

（責任编辑：张梦楠）