供应链数智化：从1.0到智能体的路径与成效——以中兴通讯为例

在全球地缘政治动荡与技术革新交织的复杂背景下，供应链管理正面临提高效率、韧性与可持续性的多重挑战。传统供应链模式依赖人工决策与经验驱动，难以应对动态市场环境中的不确定性。近年来，人工智能（Artificial Intelligence，以下简称AI）、物联网（Internet of Things，IoT）、大数据分析等智能技术的快速发展，为供应链的数字化转型创造了新机遇。通过实时数据采集、智能预测与自动化决策，供应链智能技术能够显著提升资源配置效率、降低运营成本，并提高对突发风险的响应能力。以下笔者将结合中兴通讯股份有限公司（以下简称中兴通讯）对智能技术在供应链领域的探索和实践，分析智能技术在供应链应用中的关键场景，旨在为相关企业和研究者提供技术落地与优化方向的参考，推动供应链管理向智能化、自适应化方向演进。

供应链智能化升级的背景

从宏观环境层面看，当前国际政治经济形势复杂多变，对供应链的风险抵御能力与韧性建设提出了更高要求。从客户层面看，中兴通讯主营业务所涵盖的通信网络和服务器算力设备，需应对来自运营商、政企等客户日益增长的定制化需求及数字化连接诉求，具体涉及生产过程管控、质量追溯与系统数据对接等。在企业内部，供应链作为中兴通讯承接从原材料采购到生产交付的核心环节，面对公司向“第二曲线”战略转型需求，需同步推进配套的业务流程变革与基础能力建设，以适应新业务格局下的发展要求。

新形势下面临新挑战，各方对中兴通讯供应链的需求，正驱动中兴通讯供应链通过数字化、智能化的手段持续提升业务运转效率和管理能力。此外，伴随着物联网、大数据、云计算、机器人、边缘计算、虚拟现实、增强现实、机器学习等技术的飞速发展，特别是大模型、智能体等技术应用场景的涌现，中兴通讯供应链须从新兴技术的视角重新审视现有的业务运作模式，依托创新技术为供应链注入活力。在这个过程中，如何充分运用各项智能技术，打造具备全面感知、实时分析、科学决策、高效执行特性的供应链核心能力，已成为应对新业务新挑战的核心破局点。

中兴通讯顺应AI技术发展趋势，推进以数智化为核心的供应链转型升级战略：

第一阶段（2018—2022年）：数字化转型1.0。该阶段着重通过业务线上化奠定数字化基础，并基于微服务架构构建供应链业务中台，促进系统间的数据流通。

第二阶段（2023—2025年）：数字化转型2.0。该阶段在第一阶段的基础上，专注于数据分析，利用算法、大小模型等智能技术，为业务提供智能化支持。

第三阶段（2026年起）：建成数字孪生供应链。该阶段目标为通过利用AI大模型等智能化技术，创建数字孪生供应链，实现实物与信息的智能自动流转，以数据驱动业务，构建供应链智能体。

以终为始，明确企业数智化转型愿景与目标

中兴通讯供应链数字化转型2.0阶段，明确了供应链实物流、信息流实现高效、自动流转的目标。为实现该目标，除完善和深化业务线上化的成果，并有效支撑新产品新业务的系统能力建设之外，中兴通讯供应链还结合AI技术发展趋势，提炼出“供应链智能体”的数智化愿景，旨在推动确定性业务实现自动化，同时辅助业务用户通过“人+机+AI”的协同模式，对不确定性的业务进行高效决策和快速响应。

中兴通讯进一步构建了未来供应链智能体的发展蓝图（见图1），即打造集自感知、自分析、自决策、自执行、自优化于一体的供应链智能体，通过充分分析与挖掘供应链丰富的数字资产应用价值、整合通用大模型能力、构造自研大小算法与模型，为业务提效增智，为客户交付更优质的产品和服务。

自感知即对自身、上下游、外部环境及信息进行主动获取和识别的能力。通过各种传感器、数据接口和监测机制，不断收集关于内部全域数据以及外部环境变化等多维度数据，以支撑分析和决策。

自分析即智能体对所感知的信息进行深入解读与评估的过程，利用工具对大量的自感知数据进行汇聚及净化。该过程不仅可以运用先进的算法和模型找出潜在的问题和瓶颈，及时预警，还能对不同任务的需求与自身能力进行匹配分析，为决策提供有力支撑。

自决策是供应链智能体在综合自感知和自分析结果后的关键环节，它如同智能体的指挥中心，可以根据设定的目标完成趋势预测，并模拟各种策略对多个方案开展智能寻优，快速作出决策，同时实时监测执行情况，及时调整行动策略。

自执行即智能体将决策转化为实际行动的过程。它就像是智能体的行动部队，拥有高效执行力，能够准确、迅速地实施自决策阶段确定的行动方案，实现自动化的人机互动、软件系统自执行和装备自动化，最终达成预定目标。

自优化是供应链智能体提升自身性能和适应能力的重要机制。它不仅能通过自动调整算法参数、改进模型结构、更新知识库，实现升级演进，还能快速适配业务模式变化，实现流程的自动编排与组织，更能自动拓展产业链空间，自动实现供应商寻源、机会洞察等。自优化使供应链智能体在不断变化的环境中持续进步，保持竞争力。

通过集成上述能力，供应链智能体实现了从数据感知到决策执行，再到持续优化的全流程智能化，从而在提升运营效率、降低成本的同时，增强在复杂市场环境中的适应力与竞争力。

从痛点出发，技术适配场景

供应链场景应用和推广智能技术是打造供应链智能体的核心手段。中兴通讯在推进智能化落地过程中面临多重挑战，因此，需要在智能技术方面持续保持创新能力。为此，中兴通讯成立了供应链智能技术应用团队，明确了包括感知智能、交互智能、认知智能、决策智能和行为智能的五大智能技术方向。每个方向均配备业务专家、专业技术专家和IT（Information Technology，信息技术）专家，通过深度协同推进工作。团队围绕业务场景和问题，选择适合的智能技术开展攻关并推动落地。截至2024年底，相关技术已应用于300余个场景，构建了覆盖计划、交付、采购、制造、质量等全链条的智能技术应用体系。下文将针对中兴通讯供应链部分已实现的典型场景案例详细阐述业务痛点、解决方案与成效。

感知智能典型场景：基于AI+机器视觉的物料数智化接收

以机器视觉、语音识别、多传感器融合为代表的感知智能技术，赋予了供应链对外部环境和内部流程的实时感知能力。它不仅能够监控生产线的状态、检测产品质量、识别物流异常，确保供应链各环节透明可见，还能提供早期风险预警。以机器视觉作为感知智能的关键技术，中兴通讯供应链在识别扫码、质量检测（含测量）、定位引导、智能安防4个应用方向上，持续探索行业领先的机器视觉应用。目前，中兴通讯供应链已经在识别扫码和智能安防两个方向分别形成完整的视觉解决方案，并搭建了多维度的度量告警与评价体系，有效支持接收入库、自动盘点、交接转移、行为识别、区域管控等业务流程需要，实现流程业务的可视、可管、可控。

1.需求背景

在传统作业模式下，原材料接收场景依赖人工卸货收货，容易因送货车辆停靠位置不确定、卸货器具补充不及时、外来人员违规进入内部库房或管控区域、人工扫描收货效率低、换箱入库操作冗余等问题，造成人力投入大、信息断点多、物料入库周期长。AI+机器视觉以及数字化技术有助于实现信息流多系统贯通，自动驱动实物的全流程自动接收。

2.解决方案

可以通过融合AI、机器视觉、数字化等技术，实现接收业务全流程管理，达到预约到货均衡有序、接收过程高效透明、关键要素防呆管理、数据指标实时呈现的效果。使用的关键技术包括深度学习、AI模型训练推理、智能传感、光学扫描、OCR（Optical Character Recognition，光学字符识别）、飞拍技术、相机阵列、自研RPA（Robotic Process Automation，机器人流程自动化）、控制系统等多个分支。

通过在接收场景应用智能技术，不仅可以促进预约到货均衡有序、接收过程高效透明、关键要素防呆管理，还搭建了多维度的度量告警与评价体系，实现接收全流程业务的可视、可管、可控。

在技术层面，通过将AI与视觉结合，利用AI预测和优化算法，合理安排货车停靠点，及时调配物料托盘，可以避免仓库拥堵，提升卸货效率。然后，使用智能传感、光学扫描自动解析物料条码，并对接系统数据。最后，整合多个子项目，形成识别＋安防整体解决方案。在业务流程层面，从纯人工作业模式，逐步过渡到借助数字化、AI视觉技术赋能，完成送货预约、月台指引、自助接收、AGV（Automated Guided Vehicle，自动引导车）搬运交接等自动化流程，最终实现接收无人化。

3.实现成果

（1）月台度量车位指引：项目依托高分辨率视觉技术，实现接收月台各种数据的实时提取；依托识别数据开发的各类监控看板和导引系统，有效提升接收效率，促进月台的精细化管理。该成熟方案已在公司五大基地全面推广。

（2）器具低位自动补充：使用5G摄像头采集图像，先对托盘标签进行模型训练与推理，识别托盘个数，再在人机界面显示实时监测内容，如果托盘数量低于临界值，界面将弹出告警信号并播报相关信息，及时通知现场人员。

（3）电子围栏入侵监测：通过对5G摄像机进行视觉开发，运用深度学习算法对人体、工衣和红色马甲进行模型训练，划定库房警戒区域线后，可识别出人员是否穿戴工衣，并在出现跨越警戒区域线的情况时触发警报，同时将警报信息推送至相关工作人员。

（4）读码门批量扫码入库：采用视觉扫描机搭建读码门，实现大视野下的批量扫码，收货效率提升83.3％。

交互智能典型场景：基于大模型的物料选型智能推荐

以自然语言处理模型、大语言模型、多模态大模型为代表的交互智能技术，在人与系统的交互中扮演了智能化沟通桥梁的角色，为信息传递和响应提供更加高效的解决方案。以大模型作为交互智能的关键技术，中兴通讯供应链从大模型技术应用中总结出三大能力需求，包括总结推理能力、文档解析能力和工具调用能力。通过大小模型协同应用，满足业务用户在查找推荐、解析洞察、专业创作与调度执行4类场景的各种需求，并将应用触点集成于中兴通讯内部聊天工具iCenter与各业务系统的智能伙伴触点中，从而实现面向用户的聊天式交互应用。

1.需求背景

生产类采购寻源是生产类物资采购业务活动的重要节点之一，其本质为寻找和选择能交付合适物料的供应商，满足产品对功能、性能、可靠性等方面要求。产品系列齐全的通信设备制造商会面临自研产品配套的物料种类多（百万级）、更新迭代快、交付压力大等难题，这要求物料选型工作必须敏捷、高效、有竞争力。

为了找到合适的物料，硬件工程师、材料技术质量工程师等岗位的人员，往往需要查询公司内外的很多系统、查阅大量的资料文献并对比分析海量的技术参数，非常费时费力。例如，材料技术工程师在处理新增材料需求时，需要先在A系统查找器件，再到B系统查询规格书，然后将初步确定的初始料单从C系统导入D系统，得到BOM（Bill of Materials，物料清单）后再导入优先库，检查物料的通用性。

2.解决方案

以中兴通讯星云大模型和企业大模型为基础，首先，通过投入大量与采购物料相关的语料，让大模型学习理解用户自然语言的含义。其次，借助提示词工程，使大模型在理解语义的基础上识别结构化参数。再次，调用中兴通讯智能搜索引擎，从物料资源库中筛选满足条件的物料清单。最后，由用户从AI推荐的物料清单中进行最终决策。

为了使大模型能理解材料工程师的自然语言，并将自然语言转化为结构化的信息，应采用“语料输入+提示词工程”结合的方式，对大模型进行采购物料选型的专业化训练。

首先，整理物料的关键参数、供应商信息、物料在不同产品中的绩效表现等信息。其次，将收集到的信息导入AI应用平台，形成语料知识库，让模型能从这些语料中学习物料相关的语言规律和模式。最后，在模型完成足够的语料训练基础上，设计特定提示词引导模型，使其输出符合预期的结构化参数或信息。

通过实施以上步骤，AI可以将工程师的自然语言转化为自身能理解的结构化语言，后续只需调用智能搜索引擎，就可以向用户反馈满足要求的物料清单，并整理出对应物料功能、性能、商务、质量、交付等方面的参数对比信息。

为了确保智能搜索引擎精准获取有效数据，需要对物料相关数据进行包括数据清洗、剔除无效数据、信息结构化整理等在内的预处理，以便输出的结果有效、直观、简洁。

3.实现成果

采购物料智能推荐准确率达95％以上，已上线物料的选型工作提效接近80％，成为物料工程师的得力助手。

决策智能典型场景：基于多目标优化的订单资源分配

运筹优化技术为供应链提供了解决复杂问题的决策能力，该能力尤其体现在资源分配、库存管理和物流规划等方面。运筹优化作为决策智能的关键技术，能够帮助供应链在决策场景中计算最优方案，在多重约束条件下进行优化，确保供应链运行高效且具成本效益。中兴通讯供应链秉持科学管理的理念，较早引入了运筹优化技术，并广泛应用于供应链计划、仓储、货运物流等环节。在运筹优化技术的部署方面，对于以APS（Advanced Planning and Scheduling，高级计划与排程系统）和MES（Manufacturing Execution System，制造执行系统）为例的大型嵌入业务系统的算法，应采用微服务架构结合数据平台的方式，实现无感嵌入业务流程。对于日常模拟决策场景，通过与RPA和机器学习技术结合，实现标准场景的快速部署和随时调用。

1.需求背景

中兴通讯在国内拥有五大制造基地，产品种类繁多，需求侧客户订单数量多且定制化强度高，供应侧供应商遍布全球，企业的生产工厂和库房分布广泛。在满足客户订单需求的前提条件下，实现原材料、产能等资源的最优配置，是供应链亟须解决的核心问题之一。

过去，中兴通讯在订单排产与资源分配时依赖优先级规则和人工经验，耗时耗力，且应变能力不足。在原材料供应或产能紧张时，难以通过科学合理的物料分配方式实现资源优化配置。此外，因受限于海量数据信息的分析处理能力不足，订单交付时间承诺准确性也较低。

2.解决方案

中兴通讯供应链结合订单和产品特点，运用运筹优化和机器学习等智能技术，设计并实现了从物料齐套分配到订单排产的端到端智能排产解决方案（见图2）。该方案具备以下特点：

（1）基于可配置多目标的物料分配：综合考虑订单需求、产品结构等约束，设定订单交付率、订单供货周期、产品齐套数量、产品齐套金额目标函数，并支持按照配置的目标函数优先级分级寻优。

（2）一次运算多种分配方案：根据物料供应的紧缺程度设计多种物料分配方案，如基于全部物料、高风险物料、生产直接用料的分配等。

（3）按策略设定差异化目标：通过差异化参数设定，使一套算法既能保障短期订单的排产稳定性，又能满足长期订单的资源优化分配。

（4）可交互的分配图表：总结可视化物料分配的结果，并按照订单视角、物料视角、运营指标视角进行多维度报表输出，通过多版对比、多级下钻的方式进行数据对比，为业务决策提供更直观的支撑。

3.实现成果

基于多目标优化的订单资源分配，可依据业务自定义的参数配置，每日输出多版优化分配方案，并模拟不同方案在预测期内的运营指标差异，有效提升业务效能。具体成效如下：

（1）大幅度提升订单齐套比例：相比于按排序逐单分料的物料分配逻辑，基于运筹技术的智能物料分配方案会从全局综合考虑齐套情况，将不齐套的订单物料及时释放，避免结构性缺料问题。

（2）提高原材料周转效率，降低库存管理成本：通过合理分配物料并确保齐套供应，原材料库存的周转率得到显著提升，大幅减少因物料分配不当产生的调拨费用和协调成本。

（3）缩小订单交期偏差，提升客户满意度：通过设置交期偏差约束参数，在算法中对已答复和未答复交期的订单施加不同的惩罚值，优先分配已答复交期的订单，确保按期交付，从而提升客户满意度。

价值变现，助力供应链提质增效

中兴通讯供应链在计划、交付、采购、制造、质量等端到端业务流程中，深度发掘智能技术的应用潜力，致力于切实为业务减负、为管理赋能，为供应链信息流和实物流的高效自动流转提供有力的技术支撑。各领域通过智能技术赋能带来的量化指标成效如下：

通过在计划领域引入AI技术赋能供应链决策，实现对不确定环境下的未来趋势预测，以及相对确定环境下的不同目标的资源最优分配，生产资源利用率提升21％。

通过在交付领域的配置、仓储、物流、关务、逆向等业务流程中嵌入智能技术，提升单据流转与执行效率。以物流单据自动识别审核为例，识别准确率达99％，相比人工手动审核效率提升72.7％。

采购领域风险防范从被动应对转变为主动预防，守护企业价值并保障稳健经营。材料交付风险识别准确率提升38％，提前避免损失。

制造领域作为供应链实物流、信息流和资金流的交互窗口，通过利用AI赋能人、机、料、法、环各环节，形成一套完整的中兴通讯供应链智能制造解决方案。经过多年的沉淀，生产周期有效缩短62％，制造费用率降低21％。

质量领域通过将智能技术融入供方质量管控、材料拦截检测、生产质量保障三道防线中，以全流程、全要素、全员、全数据的全面质量管理，为客户打造精品质量。在AI赋能下，多项检验效率明显提升，检验及时率提高28％。

中兴通讯供应链在数智化转型方面深耕多年，充分运用生成式AI、机器视觉、具身智能、RPA、大数据分析等技术，并荣获多项国家级、行业级认证与奖项，打造了中兴通讯供应链的数智化品牌。同时，中兴通讯积极总结相关经验，将创新成果与实践经验整合为综合解决方案，推广至上下游合作伙伴，助力行业数智化转型与能力提升。

结语

展望未来，人工智能技术演进将进一步与实际业务融合，大小模型协同互补、先进技术交互协同、智能体应用逐步完善，共同助力传统供应链从“经验驱动”向“智能驱动”的自主型供应链升级。

（作者单位：中兴通讯股份有限公司）