【亿邦原创】AI大模型是当下各个行业都在关注的热点。
2024年政府工作报告强调深化大数据、人工智能等研发利用，提出开展“人工智能+”行动，旨在打造具有国际竞争力的数字产业集群，凸显AI在国家发展战略中的核心地位。国务院国资委召开专题推进会，要求央企加快发展新一代人工智能，抢抓AI赋能传统产业的机遇，通过构建大模型赋能产业生态，实现AI技术与传统产业的深度融合。
由亿邦智库联合中国物流与采购联合会公共采购分会共同发布的《2024数字化采购发展报告》认为，大数据、云计算、AI等信息技术加速与实体经济融合，推动供应链行业革新，重塑了企业之间的合作模式和服务交付过程。AI驱动采购流程优化自动化，实现智能决策。生成式AI深入采购业务，赋能高效数据分析、精准决策与卓越管理。
AI如何与采购供应链结合？在第五届国有企业数智化采购与智慧供应链高峰论坛上，多名演讲嘉宾就这个问题介绍了经验或发表了观点。
本文现将精彩观点总结如下。
中国移动通信集团有限公司供应链管理中心副总经理吴江
中国移动的数字化供应链建设分为三个阶段：破土期、生根期、发芽期。具体包括5个步骤：
重塑业务流程；重塑驱动要素；优化交易过程；持续释放数据价值；加速释放AI价值。
中国移动有自己的大模型，也引入了外部的大模型，目前正在做供应链的专业模型，从四个场景应用着手：智慧采购、智慧运营、智慧合规、智慧仓储物流。
比如智慧采购中的需求的预测，根据历史的投资金额，订单的数据、库存的情况、工程的使用量，市场的发展情况，客户的发展情况、营销计划，自动预测未来三个月某一个品类的需求，方便集团和子公司做相应的储备。今后这个模型还会结合突发的自然情况，如果发生水灾，光缆、接头盒的需求量会大幅上升，后面还可能会结合一些原材料的信息、包括供应链的安全状况去完善这个模型。
再比如评标现场的视频语音分析，专家数量的分析、专家意见的分析、接打电话的分析、长期不在岗的人员的分析，目前都是自动来做。
还有报表报告，省公司向领导提交报表报告，有些时候领导们想问一个数，报告里面没有，或者驾驶舱界面没有，他可以向系统体提问，系统理解了这句话之后，翻译成数据库的查询语言，给出数据的展示或图表的分析。
右来了控股集团有限公司商品运营中心总经理唐依军
数智化采购的三个价值：
1.由业务转型到智慧决策
在数字化技术不断推动企业采购发展的过程中，计算、算法和以深度学习为代表的人工智能将得到进一步应用，采购行为越来越智能化、智慧化。数智化采购通过AI并利用大数据技术来分析徐秀芳的基本特征、浏览行为、交易等数据，进而做出采购偏好决策。如果说数字化是企业采购的“工具”，那么智慧化更像是企业采购的“大脑”。
2.让“按需采购”成为可能
大数据平台的个性化分析使得“按需采购”成为可能，同时让智能化残酷管理和精准营销在企业落地，这可以帮助企业提前做好采购计划和安排。数智化采购4.0就是用技术赋予企业采购更多智慧，让采购更懂你。可以说，智慧化将会在企业采购的业务流程、管理方式、业务模式等方面产生“质变”。
3.更智能的决策及全新的价值主张
智慧化将服务延伸到物，通过智慧化，系统可提供人与物、物与物之间信息互通互联的智能化服务，并基于大数据分析和智能洞察，实现更智能的决策及全新的价值主张。智慧化将帮你决策什么产品放在首页，上架哪些产品更能满足大众的需求，在这个过程中人是不需要参与的。
北京筑龙公司智能化事业部的总经理、筑龙研究院副院长胡婧玥
筑龙大模型应用方法论：大模型不是“超人”，而是一个“文科生”。
不同的通用大模型是不同学校的毕业生，很多专业业务的场景当中，我们要通过技术去给各类文科生去做入职培训，并且给予其行业经验，让他成为行业的专家。
结合我们多年的行业经验和智能化的应用经验，我们总结沉淀了以下九大AI的应用范式，包括基础范式、行业场景范式、前端交互范式、组合应用范式。
很多行业的应用，场景非常的复杂，不仅业务复杂，而且数据多元异构，简单的用基础范式里的任何方式去处理，肯定是达不到效果的。所以我们要针对场景进行业务的细化，业务的建模，数据的预处理，数据的建模，核心的问题是把业务的问题要转变为大模型可以理解的技术问题和数据问题。对大模型的反馈结果还要进行二次处理，这样才能达到我们想要的行业应用效果。
筑龙大模型应用方法论：大模型不是“法官”，而是“律师”。
任何一个大模型都是人工训练出来的，像律师一样提供证据链和建议的结果，这个结果一定要是可解释的，是有过程的，最终让法官去决策，让我们的人去进行决策，而不是只给结果不给过程，将我们的决策权交给AI是不行的。
例如在筑龙的智能评标当中，我们基于OCR知识图谱、LP等智能化技术，形成基于业务的规则引擎，基于AI的算法引擎，利用这样的技术，查找对比都让机器来完成，同时机器来进行标书的内容提取、分析对比还能自动定位，而专家利用机器给出的数据链和对应的结果对比的结果给出结论。
筑龙大模型应用方法论：大模型落地不是一步到位，而是由点到面。
筑龙的智能评标算法，从2017开始就已经落地到各个项目当中了。从2023年开始，我们利用大模型算法语义识别方面的能力优势，对我们智能物料垂直行业模型的对应算法进行了迭代，这使整个模型更加精准，交付更加高效，同时结合大模型的海量知识储备和泛化能力，加入不断积累的行业管控算法，提升了模型对于新物料的识别能力。
我们发现物料数据在央企集团和二级公司存在数据断层，不仅叫法不一样，品类的颗粒度很难达成一致，那么我们通过利用智能的算法，将集团和二级公司的物料数据关联映射起来，可以实现维持二级公司生产系统以及主数据不变的情况下，盘活全集团的采购物料数据。借助全集团数据的统一及管理的打通，我们又可以去逐步实现集采需求的挖掘，供应商精准的管控，最终就可以实现基于点状云的价格智能管控，反向支撑设计需求和预算，可以看到整个智能化通过各个业务环节的点的提升逐步突破，最终才能可以实现智能化的效果的最大化。
例如中粮集团E采供应链采购平台，实现MRO物料主数据、招标文件编制、投标文件递交、开评标，在线报价、定标签约等集中采购全流程的数字化，并基于MRO物料主数据，借助智能化算法，实现了全部物料清单内容的识别和自动赋码。通过对比中粮集团财务综合报账系统中的往期采购成交价，对MRO集中采购物料每项单品锁定拦标价，大幅提升了集中采购降本增效，实现了数据与业务的深度融合，大大提升了智能化的应用效果。那么通过智能算法打通物料集团的主数据，各统建、非统建的ERP采购平台，集团电商和外部电商，实现了物料与SKU的智能关联与全集团管控的智能的贯穿。
筑龙大模型应用方法论：大模型不是孤立的应用，而是要与业务系统相辅相成。
智能化与业务系统不可偏废，某种程度上业务系统会更大程度上制约智能化的落地，在过去招标文件审查需要耗费大量的人工，为了解决这个问题，我们在业务系统当中留出了很多数据预处理的埋点，这就是业务系统要提前为我们的智能化去做相关的一系列的准备。那么在引入大模型之后，我们很快就实现了招标文件审查的智能化落地，相反如果只有大模型，没有我们的业务系统，不仅梳理业务点和数据点会耗费大量的精力，而且结果很难应用到我们全流程的业务当中来。正是因为我们业务系统的通力配合，所以我们快速的实现了招标文件审查的落地。
这么多年筑龙已经积累了众多的智能化场景应用，也已经开始针对大模型的原生应用研发和开发，也将会结合具体的业务场景进行逐步的落地。
杭州端点网络科技高级副总裁、数字产业链首席专家程序
山东某交通路桥集团，引入多家第三方电商和集成AI智能比较算法，帮助用户优选高性价比商品。
采购数字化平台引入电商之后，进行多家电商的商品对比，过去用的是搜索引擎里面的猜词的技术，通过猜词把两个商品的信息关键词找出来进行对比，精确率可以达到95%。
但是现在引入AI的算法，它不是猜词了，而是去阅读商品的内容，解决了原来猜词技术解决不了的问题。比如说“肯德基”三个中文汉字和“KFC”三个字母，是同一个东西，但是猜词技术找不出来，它不认为这个肯德基等于KFC。
还有，很多供应商在线下渠道和在电商同一个产品用不同的型号，甚至是两个不同的电商也用不同的型号，但是用AI去识别的时候，会发现各种参数都是一样的，这样用AI找出同款的商品之后，就可以进行性价比的对比。
贵州某大型矿产化工企业，利用AI打造智能客服，AI机器人代替用户体系去，复杂问题再转采购部人工服务。
用户会去咨询各种问题，问采购部门，问运营部门，问供应商，他经常提的问题重复率是非常高的，那么我们就可以用AI去回答他，甚至AI可以代替用户去提问题，这也是一个新的思路。那么我们如果说有机器人解决不了的时候，这个时候才转向我们的人工服务。
广州某大型房地产央企，数字化采购平台应用品类策略RPA引擎和第三方AI算法引擎，智能匹配采购策略，傻瓜式成成采购方案。
一些内容企业里面有规定，有结构化的数据，有明确的规则，就可以去用机器人自动化，但是机器人自动化能覆盖的可能只占70%，另外还有30%，那么我们就可以去用AI的技术访问它的历史数据，通过不断的训练，AI给出一种推荐，比如说采购，用同质比价法或者同价比质法，根据历史数据机器学习之后得出的一个建议。
山东某大型实话集团，利用AI应用能力实现物料编码自动化。
比如说一个东西来了，没有编码，先给它一个编码，之后把它放到库里面计算。第一代算法也是通过猜词技术。第二代算法是通过语义的理解，通过AI去阅读这样的一个商品信息和物料信息，来判断它是否是同一个东西。如果它是同一个东西，那么完全匹配旧有物料，临时的编码就失效了。如果说它完全是一个新的，那么临时编码就变成了一个正式的物料编码，通过主数据平台发放全集团就可以了。
以前通过猜词技术是95%，现在是能达到99.9%，也就是说是5/万的物料还需要人用眼睛去判断是不是同一个东西，所以说这个就是AI算法带来的一个革命性的变化，我们可以通过这种方法把企业的物料编码做一遍数据清洗，让计算机这跑一两天，最后全部展现给你新物料编码，新的东西引入进来了，自动化的进行编码就可以了。
上海汇招信息技术有限公司联合创始人徐祎
通过AI大模型构建智能采购新产品。我觉得从三个方面来说：
第一，利用大模型技术，实现采购供应链的数据、知识及规则的精准化总结，从而驱动采购供应链管理。
第二，利用大模型技术全面加速企业智能采购供应链建设，为企业采购供应链从数字化到智能化、从智能化到智慧化进程安装最佳引擎。
第三，利用大模型技术，实现采购供应链数据、知识、规则的不断优化，长效赋能采购供应链管理。
未来，采购需求完全是靠人工智能进行分析和预测，不再靠我们人工去填写，这是在需求端的一种大的改变；在寻源过程当中，让数字人去做更好的匹配，完全不需要通过人工来介入；在技术规范的沟通中，智慧采购能够提供更多的工具；建立更具超级智慧大脑的评审系统，能够帮助评委专家、代替评委专家，甚至超越我们专家，完成智慧评审；在合同执行阶段，可以依据大模型实现更好的验收、跟踪、评价。
总之，AI技术深入的发展，未来有一天实现超级的智慧采购将不再是梦想。
网麒科技（北京）有限公司大模型研究院院长戴俊
网麒大模型中的9个应用：
应用1：法律法规、集团各层级制度知识库。
用法律法规开放的文件制度进行大模型的预训练，也会将集团内的规章制度进行文件管理，然后一起进行监督微调，从而达到符合集团内知识内容的需要。
应用2：万能的大数据系统处理任意维度的数据问题。
传统的数据开发过程中，如果领导问到了一个系统中没有的问题，需要走需求设计、数据集成、程序开发、功能测试，去形成一个固定的产品形态，而在大模型中是不一样的，我们会通过自然语言解析，提取关键指标，然后通过SMT的训练，输出对应的查询结果，并且这个结果可以多模态的形式展示。
我们的数据维度是哪来的？总共有4大维度：成本、服务、效率、质量，我们总结了超过1000项的管理数据的指标来进行对应的训练。
采购数据的全景中，通过智能驾驶舱的关键指标自动穿透到了场景层，查看各场景的数据要素，实现了多维度的分析，采用穿透式的数据结构逻辑，找到数据根源，为宏观的决策去做支撑。在供应商场景中，我们从区域行业等不同维度实现供应商多元分析，并生成对应的图表。
应用3：优质供应商筛选。
首先会将内部供应商和外部供应商的历史数据，通过大模型NLP相关的模型，进行关键数据的一个抽取，形成结构化数据存在数据库之中。第二步，我们提交了采购计划的时候，大模型从采购计划中提取类似于物料品类、型号、规格、需求时间等相关的数据，并且将这些数据进行比对，最后对关键的供应商进行一个推荐。
应用4：采购策略引擎-采购策略的生成。
采购策略主要从两个维度：合理价格的建议、采购需求的建议。我们从需要采购的物品品类中抽取，查询市场价格、供应商规格、需求时间，将历史信息进行整合；通过需求计划，历史采购数量，也交由大模型计算。计算之后生成对应的采购计划，包括采购编号，物料编号，包括物料名称，预算供应商和交货日期，交由采购人员来进行确定。
应用5：重点项目关注。
我们提取采购行业最关注的5大数据：采购人、供应商、专家、项目、标的物，并自动推送最新动态。例如发布程序中的内容不合理，某些项目两次成标，当然也包括合同内是否有违反了国家的法律法规，我们会提醒和预警。因为我们拥有一个20万行业敏感词词库，通过这样的内容的话，我们来对它进行分解。
应用6：强大的语义理解能力，处理复杂文本监督难题。
利用网麒大模型构建出来的智采解析引擎，在处理采购文件、投标文件、合同文件、公示公告等复杂文本监督难题时，会有一个非常优秀的能力，我们提炼出来的4个功能，采购文件合规性检查、客观评标建议，评标报告自动生成、合同审查。
我们拥有数据还原模型、OCR模型、文档分析模型、意图分析模型、意图分类模型，还有行业大语言模型，通过这样N+1的大模型和小模型相结合的方式，形成工作流，提取信息、拆解信息，支撑一致性的校验、真实性的校验、合规性检测、客观评分和报告生成这样的一些能力。
应用7：运营/监管报告自动生成。
主要流程是，首先接收到原始的数据，再进行自然语言的解析，再进行关键性的抽取，融合知识库进行报告框架一个解析，最后再进行报告生成的优化。
应用8：供应商业绩校验。
首先会对供应商提供的材料，例如投标文件、采购合同去提取相关信息，例如公司的基本信息，业主资质和证书信息等内容，然后调用一些第三方平台，也包括内部的一些信息来源，将对应的供应商结构化信息拿出来比对，进行真实性校验，以及当前项目的适配性校验，如果有问题的话，会提出对应的一个预警。
应用9：评标室监督。