联想集团一直以卓越的全球供应链运营能力而著称，7次入选Gartner全球供应链25强。在新的时代，联想集团一直致力于通过自研的先进技术推动自身供应链的数字化、智能化发展，在供应链智能决策领域积累了丰富的技术成果与实践经验。

在此背景下，联想研究院牵头撰写了《联想供应链智能决策技术白皮书》，剖析了现代供应链管理决策面临的难点与挑战，总结了联想供应链智能决策技术的创新与应用经验，并对智能决策技术推动供应链的未来发展进行了展望。4月26日，这本白皮书正式对外发布。联想集团期望这本白皮书能够为各行各业供应链管理与决策的数字化、智能化转型提供一些参考借鉴与助力。

如何应对供应链管理的新挑战？

供应链是从原材料或配套零件开始，到制成中间产品以及最终产品，最后由销售网络把产品送到用户手中的价值交付全过程，很显然，对很多企业的发展至关重要。
随着业务场景的日益复杂与商业环境的不断变化，企业供应链管理正面临前所未有的挑战，包括需求多变难以预知、难以精细化管理、用户要求不断提升、市场环境不确定性加剧、网络结构愈加复杂，以及众多业务指标之间相互制约等。在这种情况下，传统的决策模式已难以应对日益复杂的供应链管理需求，如何决策成为供应链管理的主要难点。

随着物联网、大数据、云计算、人工智能等技术的发展，智能化的决策正在成为供应链决策技术未来发展的重要方向。以机器学习为代表的人工智能技术与数据挖掘分析、运筹优化技术的结合，正孕育出智能化的决策技术，为供应链决策提供了新的方法与工具。

自研关键技术驱动供应链智能决策

机器学习、机器学习驱动的运筹优化，以及机器学习驱动的预测性分析等技术是驱动供应链智能决策的关键技术。机器学习技术包括图神经网络、强化学习以及多智能体学习等。机器学习驱动的运筹优化包括在线优化和求解器等。而机器学习驱动的预测性分析则包括因果推断和概率性预测等。
在这些重点的技术领域和方向上，联想集团打造了一系列的核心技术成果。
比如以图神经网络技术为例。基于图注意力网络，联想集团对其进行改进，提出了Relational GAT（R-GAT）技术方案，设计出一套复杂图结构下的信息表示与传递方式（如下所示）。其中，vi为节点i的嵌入表示，eij为连接节点i, j的边的嵌入表示。

基于R-GAT的复杂图结构表示

联想集团将R-GAT技术应用在了供应链供需匹配问题的实践中。以离散制造过程中的供需匹配为例，工厂在制造成品时，需要按照物料清单（Bill of Material, BOM）捡取相应的物料组合。而BOM中的物料替代关系会使产品同时存在多种可能的组装方式，选择不同的组装方式会导致物料的消耗（种类与数量）存在差异，因此在物料供应数量有限的情况下，需要优选组装方式。

联想集团利用图神经网络将供需匹配问题近似分解为排序-选择问题，将完整的BOM信息构造为复杂的BOM图结构，通过基于图神经网络的特征传递，对节点的重要性程度打分，并基于分值对不同替代节点进行剪枝，实现了对不同替代料之间的优先筛选，并输出更符合真实生产环境与优化目标的组装方式。
除了图神经网络，联想集团在强化学习、多智能体学习、在线优化、求解器等因果推断和概率性预测等重点技术领域，也取得了很多创新技术成果。

联想供应链智能决策技术方案与应用实践

在这些技术成果的支撑下，联想集团打造了一系列的供应链智能决策解决方案，涵盖了需求预测与智能备货、物料管理与生产计划，以及物流规划与调度优化，有力提升了联想供应链的智能化水平和效率。

具体的解决方案包括智慧服务供应链解决方案、智慧零售供应链引擎方案、智能物料分配方案、智能生产排程方案、原料库存优化方案、智能打包方案、智能物流网络规划方案以及城市配送调度优化方案等。

比如智能物料分配方案。以飞机、汽车、电子设备生产为代表的离散制造业，生产过程会涉及到种类庞杂、数量繁多的物料。而对于大型的生产制造企业，生产基地和厂房往往遍布多地甚至全球，所需物料数量大、种类多、变化频繁。因此，当核心物料的供应无法满足各个工厂各类产品的需求时，如何更加公平、高效的完成物料分配是一个亟待解决的问题。以往的人工分配模式基于规则与经验，不仅要考虑各地物料需求、运营目标、物料齐套和替代关系、运输时间等多项复杂因素，还要兼顾大量的业务规则约束，并在不同的时间、空间粒度上做出多项决策，难以兼顾物料分配的公平性与高效性，决策难度极大且分配效果不佳。
联想集团基于自身在消费电子产品领域的业务经验，通过自主研发的人工智能算法，打造了智能物料分配方案，基于先进的求解器引擎和优化算法，实现了多个具有实用价值的功能，包括支持不同时间粒度的物料分配方案、复杂场景下的多物料分配方案、基于多目标的智能分货引擎、多角色协同的人机协作模式、可交互的多维图表等。

智能物料分配方案架构图

联想智能物料分配方案已应用在联想集团全球供应链管理部门，大幅缩短了物料分配与调整时间。人工手动分配及后续调整需要半个月左右，而智能物料分配方案在数据校验通过后，仅需几分钟就能给出优化分配结果。该方案提升了每季度的平均出货量与利润；能够提供最公平或利润率最高的分配方案，减少了后续物料调拨的成本。

再以智能生产排程方案为例。在大规模制造业中，生产规划时需要考虑数十种复杂因素（如设备的能力、物料的配比、生产工序与方法、订单的交付方式、客户的定制化需求）对生产效率和产能利用率的影响。传统的人工排程耗时长，计划员每天需花费6个小时完成排程。排程结果只能考虑单目标任务，无法兼顾产量、交期达成率、生产成本等多个目标。此外，严重依赖人工经验。

联想智能生产排程方案功能架构图

联想智能生产排程方案基于实时的运筹优化技术，多阶段联合求解技术，可配置的多目标优化平台，可解释决策模型以及适应模型进化等技术，突破了传统的高级计划和排程系统(APS)仅基于业务规则进行简单僵化的自动化处理的局限，真正意义上实现了人工智能综合决策，释放了大量潜在产能，实现了生产资源的最优配置，可大幅缩短生产计划的制定时间，并有效解决制造业生产计划效率低、无法兼顾多个目标等问题，助力企业实现更高效、优质的生产计划决策。
该方案目前已在联想集团全球最大的PC制造基地——联宝科技部署落地。联宝科技拥有全球PC制造业最大的单体厂房和数十条生产线，年订单数超过69万笔，涉及500余种PC产品和超过30万个成品物料料号。该方案在联宝部署后，制定生产计划的时间从传统的6小时大幅缩减到1.5分钟，产量提升19%，处理订单数提升24%，交期满足率提升3.5倍。即便是经验不足的计划员，在智能生产排程方案的辅助下，也可以快速上手，保证排程质量。
供应链智能化的未来
白皮书指出，未来，随着物联网、数字孪生、边缘计算、知识图谱等技术与机器学习、数据挖掘分析、运筹优化等决策技术进一步融合，供应链的智能决策水平将持续提升。另外，智能决策有望贯穿企业供应链管理的全链条，设计、采购、生产、物流、销售、服务等多个场景实现一体化决策。此外，智能决策技术将持续提升可靠性、可复用性、可调节性、可信赖性，以解决当前落地实施周期长、验证困难、用户信任度低等问题。
展望未来，联想集团希望能够和业界携手，通过前沿技术创新，不断提升供应链的数字化和智能化水平，持续驱动经济的高质量发展。