文 | 史中
操吴戈兮被犀甲，车错毂兮短兵接。
两千多年过去了，一场无名的战斗仍在屈原的诗句里尘土飞扬。
驾长车，冲敌阵，这样短兵相接的浪漫史诗并未蜷缩于“史家绝唱”，如今仍在赛博世界发生，只是它隐藏在灯红酒绿之后，栖身于代码丛林之中，变得极难辨识了。
没关系，你有“说书人”中哥。
今天咱们就说一段驾车远征的故事。
（一）山路十八弯和“最快车速”
先来科普一波。
一辆战车上一般有七个喘气的，四匹马，合称“驷马”；三个人，一个主将在车左，一个武士在车右，剩下一个人在车的最中央。
这哥们是谁呢？他是驾车的，称为“御”。
很多人会天然低估“御”的价值，可是仔细想想，要打一场胜仗，其实离不开两车交错那一瞬间老司机的风骚走位。
今天我们故事的主角不是别人，正是几位“御”。
在刚刚过去的“618”，最靓的崽是京东。在18天的时间里，人们剁手下单了价值3438亿元的货品，这些东西正在快马加鞭地飞奔向它们的新主人。
这货是谁送的？京东小哥。
↑↑↑
京东小哥的货是从哪拿的？京东库房。
↑↑↑
京东库房的货是从哪进的？品牌商。
↑↑↑
品牌商的货是从哪来的？工厂。
↑↑↑
工厂的货是靠什么生产的？供应商的原料。
这一连串的问题用一个词概括就叫：供应链。
在京东，有一群“神秘人”，专门负责研究供应链的顺畅和高效，左手不让囤货过多，右手不让下单缺货，还要保证把货最快地调度到下单老铁的手中。
他们就像老司机一样在秋名山上完美漂移，左不碰山，右不落崖，下水道过弯，创造最快飙车纪录，这群人所在的组织被称作“Y事业部”。（一般用单独字母，还是未知数来指代的部门都是很牛的。）
我对面的夏小龙，就是“老司机”的一员。
作为供应链专家，他一毕业就在宝洁工作（是宝洁不是保洁），后来加入了亚马逊，历经风雨之后选择了京东。
“库存周转天数”，是夏小龙日思夜想的词。
啥是库存周转天数？就是所有货物，在京东仓库里躺平的（平均）时间。
举个栗子吧，2021年第一季度京东的库存周转天是31.2天，就是说所有商品从进入京东仓库开始，平均31.2天之后就会卖出去。
运用基本的数学可知，这个数字越小，证明货物占用京东仓库的时间越短，也证明它占用京东资金的时间越短，恨不得是“0”才好呢。。。。
如果还有点懵，你可以想象一杯可乐。
假设一个班里50位同学都会从这一个杯里喝可乐。喝可乐的人就是“需求”，而往杯里倒可乐就是“供给”。现在你站在旁边，手里端着可乐瓶子，负责往杯子里倒。（当然你没这么可爱）
于是你会纠结：
1、往杯子里倒得过早，或者倒得过多，气泡就没了，口感就不好了。
2、要是同学们来喝的时候你还没倒，或者没倒够，那就会排队，同学们对你不会满意。
3、最好的结果是，刚往杯子里倒一部分，马上就有人给喝光。（此时，库存周转天数趋近于“0”）
我们做供应链的，如果简单来说就是要预测两个数：未来一段时间内的“供给”和“需求”。
所以，我们最希望的是“供需平稳”，越平稳越好，因为越平稳越好预测。最好永远不波动，那一定能预测准。
夏小龙一挥手，好像面前是一片太平盛景阳关大道。
可是，现实世界里如果供需真的那么平稳，村头王会计就能基本搞定，还要啥供应链专家？
真实世界往往是酱的：
某年9月12日，苹果发售新品，全网开抢，瞬间这边几百万人预定，那边没货；
盛夏时节，今年重庆突然贼热，空调销量暴增；
某款国产啤酒原本销量中规中矩，突然有一天请了流量小生代言，一夜之间妹子们都来抢购。
还有，像“618”“双11”这样的人造购物节，各种品类齐刷刷促销，就是鼓励大家一窝蜂掀起“滔天巨浪”。
你就说吧，这样的“供给”和“需求”咋预测嘞？
这就需要专家们根据不同商品的供应链特点，把“历史供需数据”和“当下的各种影响因素”像炼金术一样搅在一起进行测算，才能得出最佳的进货节奏和每次的最佳进货数量了。
可以这样说：供应链的老司机虽然内心喜欢在平路上开车，但在战场上，将官分分钟就指挥你把车开上高山密林，开进戈壁泥淖。
军令如山，就算颠得脑仁都快散黄了，老司机还得HOLD住场面，咬牙把车开得又快又稳。
这就是“Y事业部”的宿命。
夏小龙寥寥几笔给我画了4个象限。根据“供给稳定不稳定”和“需求稳定不稳定”把日常商品分成四类。
一般“米面粮油”就是供给稳定，需求也稳定，这很好；
但是时装、化妆品之类的，就是供给稳定，但需求说不好；
一些高端3C数码，就是供货也不稳定，需求也不稳定。比如一些新款手机会缺货，所以有货时要赶紧囤一些，但也不能一直囤，因为电子产品到后来也有可能掉价很严重。。。
他说。
看到这儿，你可能血压都上来了。
这么多商品类别，每一个供应链特点都不一样，这可肿么办啊？每天得有多少“夏小龙”趴在电脑前收集数据计算预测啊。
如果你真的冒出了这样的想象，那说明你不够了解京东。
有句话说得好：遇事不决，量子力学；人手不够，智能来凑。
接下来出场的是浅友们的老朋友，胡浩。
胡浩是Y事业部技术平台部的领头人，他负责的部分正是“智能来凑”。
用“凑”这个词其实不太公平啦。胡浩自从2014年加入京东“零售平台部”，就带着大伙儿做了销量预测系统、智能补货系统、仓网优化系统等等好多“代码战斗群”。
这些系统的本质，就是把夏小龙团队这样的“供应链专家”变成撒豆成兵无限复制的“人造大脑”。
不瞒你说，在如今的京东，智能系统每天给出40多万次决策，一多半儿的日常供应链工作都是这些“人造大脑”给搞定的。这些在之前的文章里详细讲过，这里就不展开了。（可以参考《618：横跨十年的供应链战争》）
看到这儿，中哥给你出一道思考题：刚才强调过，3C数码、生鲜、时装各种品类商品的供应链各有特点，那是不是要给每个品类都分别定制一套“人造大脑”呢？
听听胡浩老师的答案。
其实不用，我们做了一个“通用模型”。
这个模型里有很多类型的参数，例如“供货平均时长”、“供货满足率”（这些属于供给），例如“价格影响因子”、“促销影响因子”（这些属于需求），还有“库存跌价损失因子”、“商品配送时长要求”等等。
不同品类的商品只要让智能系统去学习历史数据，就能自动修改参数，造出一个适合特定品类的“供应链模型”了。它会提示这个品类的负责人该进多少货，什么时候该补货，补多少货，事无巨细。
他说。
你可以这样想象：
在野外的丛林中，“京东战队”有100辆形态各异的战车，每辆战车都配备一个适合自己的“自动驾驶系统”。
日常路况，智能系统自己就能开，老司机在旁边监工，车上的武士专心打仗。
只有遇到秋名山级别的战况——例如618——人类老司机才会（部分）接管供应链的驾驶操作，开始人间大漂移。
科技是解药。
这些年，技术宅不断把智能技术注入供应链系统，京东“平均库存周转天数”逐年降低——老司机不断刷新最快车速。
数码3C、快消品周转较快一些；家电就稍微慢一点；图书更慢。
这些和行业、品类特性相关，但都有进一步降低的空间。
胡浩给我念叨。
看到这儿，你可能忍不住了：说了半天，京东库存天数，跟我有毛关系呢？
答：关系很大。
羊毛出在羊身上，不仅是京东，整个上下游工业供应链的效率都会最终反映在商品价格上。
不瞒你说，在中国，虽然商品售价已经很便宜，但我们主要的竞争优势还是上游生产成本低廉，供应链成本仍旧占据了商品最终售价的很大一部分。
这里有一个数据：我国社会化供应链费用是18%。
也就是说，你花100块钱买两盒杜蕾斯，其中大概有18块钱给了供应链。
这个比例仍然远超欧美。
让人欣慰的是，如果仅看京东内部，经过这些年的努力，供应链成本大概降低到了8%，这个指标已经是世界领先了。
所以，如果你想买到更质优价廉的杜蕾斯，那不妨给夏小龙、胡浩和这帮供应链技术人多一点鼓励。
故事讲到这里，这部《老司机传》还只是一个少年屠龙、百战成名的经典爽文套路。
别急，有趣的事情马上来了。
你也许没想到，这几年，老司机们在深山里练就了一身开车的本领，车越开越快，越开越好，但是，如同那些绝世高手一样，他们却感觉到了一丝丝寂寞。。。
（二）老司机需要“对讲机”
供应链是一条“链”。
看名字就能体会到：它不是单打独斗，而是需要多人配合的“接力运动”。
可是，对于京东来说，很长时间里这个链条只有在自己这一环才是透明、智能、高效的；
对于供应商， 无论是海信美的还是迪奥古驰，他们的货是怎么生产的，放在哪个仓库，各个仓库里分别有多少货，京东订货他们从哪给送来，通通都是一知半解。
这就像在一个地形复杂的战场上，友军各自驾驶战车奔突，各自的车技和战斗力都不错，但就是缺个“对讲机”，队友们的位置在哪不得而知。
于是，大家只能各自为战，没办法从车队层面执行更好的战术。
还是举个栗子吧：
假设京东北京仓库要订100台A品牌的空调，订单发给A厂，他们一看，自己在北京的仓库只有50台，剩下的50台需要从石家庄仓库运过来。于是，他们就从北京和石家庄各发50台。
过几天，有3个石家庄人想从京东上买A空调，于是京东就从北京仓库给他们发货。
单独看京东，或单独看A厂，都执行了各自的最佳策略。但是你发现了吧，有3台空调实际上是从石家庄到了北京，然后再运回了石家庄——整体上看，跑了冤枉路。
这背后就是不必要的物流成本和库存周转天数的增加。
如果A厂能够和京东提前进行数据协调，留3台空调别动窝，有人下单后从A厂的石家庄仓库直接发货不就完事儿了么？
这就是对讲机——数据打通——的好处。
问题来了：为什么这么多年，车和车之间还没有装上“对讲机”呢？
所谓对讲，是双向沟通。大体上说，京东是愿意把数据分享给厂商的，但厂商把数据分享给京东却有点障碍。
一来，很多厂商还在用 Excel 管理生产、渠道数据（对于厂商来说，京东是渠道之一），也没个能调取数据的系统，不是说给就能给；
二来，就算已经有系统管理数据了，真要把自己的某些数据透露给京东的时候，心里还是会觉得有点没底。就像姑娘第一次穿分体泳装，虽然一切都合情合理，但内心就是有点拒绝。
事实上，在2020年以前，京东和绝大多数厂商的沟通还以老土的邮件和电话为主。
你可以想象一个场景：
京东某位经理给厂商打电话：“老铁，下礼拜想整100台空调，你这能给安排不？行，等会我给你补个邮件，你记得录入你们系统。铁子够意思，666！”
挂完电话，两边开始忙活，把同样的一条订货信息录入各自系统。（京东这边是供应链系统，厂商那边可能就是 Excel。）
这其实也是当时中国供应链数字化进程的缩影。
虽然这种“松耦合”合作模式两边都不太舒服，但卡在一个瓶颈上，也没有那么大的力量来推进，于是选择先躺平一会儿，舒服一秒是一秒。
然而，就在2020年，有大事发生。
疫情像孙悟空，把“松耦合供应链”这个凌霄宝殿给搅成了一锅粥。
疫情一来，需求发生了很大的变化：米面粮油的需求肉眼可见地增多，可是家用电器的需求一下就下来了。
其实也很好理解，当时的隔离政策下，没办法上门安装空调，大件家电也不方便进小区。。。
夏小龙回忆。
京东供应链的老司机们很快就从销售数据中察觉到了这些“异象”，于是紧急改变了订货计划。
可这么一来，上游家电商有点懵：怎么才订这么点啊？几月份订货量能上去啊？我们怎么安排生产啊？
京东的同事告诉他们，我们的预测都是根据数据实时变化的，这样的变化很微秒，用电话和邮件沟通很难说明白。要不咱们趁这个机会把双方的销售、仓储和生产数据打通，你看如何？
数据意识强的几家厂商立刻明白，塞翁失马焉知非福。于是，他们趁着疫情这个机会赶紧着手系统升级和数据对接。
比如美的和海信，就在2020年的时候，把自己的生产系统和京东打通。这样一来，美的和海信就能根据京东的“实时销售数据”和“未来销售预测”提前安排生产；京东也能根据厂商的“备货情况”和“仓储信息”更好地调整预定。
数据这么一对接，之前提到的商品跑“冤枉路”的问题也顺理成章地解决了。因为对于京东和厂商来说，都可以同时看到自己和对方的两套库存，这就叫“全盘库存”。
京东北京仓库向A厂订100个空调，同时预测接下来一周大概会有3个人石家庄人要在京东上买这个空调。那系统就会设计“全盘库存”——自动安排在A厂的石家庄仓库留3台空调。如果有人下单，都不用经过京东仓库，从A厂库房直接送过去。
技术上来说，我们其实是把两张网的数据叠到了一起来计算结果，这样虽然对技术和算力的要求更高，但得出来的结果一定比只计算一张网要更优。
胡浩把两只手叠在一起，指缝交织出了一个更细密的网络。
数据的叠加，不仅带来了老司机设想中的很多好处，还带来了很多意外的惊喜。
比如在物流上，原本的操作是京东向A厂订货，A厂负责送货，向B厂订货，B厂就送货。
但是现在，系统可以综合测算A、B、C三家的订单，根据三方的生产情况，协调到同一天，京东派车依次去ABC三家把货物提回来。
这样一来，物流费用也能被大大优化了。
夏小龙说。
京东商城CEO徐雷的话说得很带劲：“疫情可能让传统企业的数字化转型速度提高1-3年”。
既然好处这么多，那就趁这一波给每个车里都装个对讲机，把数据都打通呗！话虽这么瘦，但是，对讲机不是你想装，想装就能装。
刚才我们说到，有很多企业还在用 Excel 管理自己的生产。这意味着，数据都没有进入系统，更别说数据打通了。这就像旁边这辆汽车还是手动挡摇玻璃，你的智能汽车怎么跟它对话呢？
人工智能最大的敌人就是 Excel。
胡浩一语中的。
事实不容乐观。
且不说在京东平台上占多数的中小厂商，就连很多年销售额过百亿的家电，或者全民皆知的网红爆品厂商，背后的数字化水平还都停留在 Excel 的阶段。
我曾在宝洁工作，那是建立于道光年间的企业，一直走到了现在。但和宝洁同期的绝大多数企业，走着走着就消失了。
网红、爆品总会出现，但从历史上看，很多制造业企业的高光时刻都没有太长。要保证基业长青，就需要在看不到的地方做很多功课，供应链技术当然是其中重要的部分。
夏小龙说。
这帮老司机一合计：要不咱们把自己的“供应链系统”给分享出来，办个驾校，教厂商“开车”吧。
（三）老司机办驾校
在京东眼里，厂商的角色是“供货商”；在厂商眼里，京东的角色是“渠道商”。
这里就有了一个小问题：京东这套供应链系统是给“渠道商”研发的，能给厂商用吗？
这个担心不无道理，一款轿车的自动驾驶系统能不能放在巴士上呢？能用，但是需要经过一番改造。
这种改造并不简单，也不讨巧。但思来想去，又必须有人去做。
从2020年开始，Y事业部这群师傅就在尝试跟一些意愿强烈的老铁厂商一起做供应链系统的数智化改造。
很多系统还在磨合中，但以京东的供应链技术强项来看，起码有两件事做得不错：
1、渠道销量预测
假设你是一家手机企业的老板，那么京东就是你的渠道，可能天猫也是你的渠道，可能你还有自营线上商城，这也是你的渠道；你还会有线下专卖店等等渠道。
现在，你站在公司总部68层大厦办公室的落地窗前，面前的天空中好似出现了几个黑黢黢的管道，这就是你的各大渠道。
他们会在接下来的一年里向你订货，但你不能等他们订货再生产，要提前生产。
但如果拍脑袋胡乱生产的话，你一不小心就会生产多了，造成积压存货，那个核心指标“库存平均周转天数”就会很高。
所以，最好的办法就是：提前预计一下这些黑漆漆的管道将要订多少货。
这时，你就可以回到身后的电脑旁，进入“销量预测系统”，然后把过去各个渠道的拿货量历史数据事无巨细地输入系统，人工智能就会帮你算出未来几个月各个渠道最有可能的销量走势。
你拿着这个走势去排产，虽然不一定百分百准确，但却比两眼一抹黑地瞎生产效果好上一万倍。
2、仓网的优化
别着急做回你自己，现在你还是手机厂的老板。不论是哪个渠道，人家订了货，你都得给别人送去。为了送货方便，你在全国都要建设仓库。
问题来了：中国这么大，你要选择哪些地方建设仓库呢？建设多少个仓库呢？
回答这个问题，其实你是在做一个妥协：运输成本和运输时间的妥协。
如果你在全国每个城市都设一个仓库，那无论是哪个渠道跟你订货，你基本都能当天送到。
但这样的代价就是，你得建设一个遍布全国像毛细血管一样的“仓网”，且每个仓里都要放货物。
如此一来，不仅租用仓库的成本很大，仓库里躺着的每一台手机也是血淋淋的成本——你的库存平均周转天数会奇高。
所以，你需要一套“仓网优化系统”，根据历史送货数据，帮你规划一套更合理的仓网结构。这也是京东的强项，因为他们从2009年开始做物流，自己的仓网也是这么多年一点点优化出来的。
至于仓库，如果你有能力在新地区找到仓库，那完全可以自己去建设；如果你没有能力找到性价比高的仓库，那也没问题，京东物流有很多库房，你也可以租用京东物流的库房。
道理大家都懂，可是实际操作中，却没那么简单。
问题归纳到极简，无外乎四个字：“人机矛盾”。
京东对于厂商来说毕竟是外人，只提供“供应链管理系统”，这套系统还需要人来配合使用。而使用这套系统的人，就是厂商自己的渠道经理。
受过良好“数据训练”的渠道经理本来就是熊猫一样的稀缺物种，大多数人不是“因为相信所以看见”，而是带着怀疑审视的目光看待这个“外来物种”。
如果觉得这东西不好用，就不会认真把数据输入进去。越不认真输入，这东西就越不好用。
毕竟数据是算法的食粮，在人工智能领域流传着一句真理：“Garbage in，Garbage out.”（输入垃圾数据，就得到垃圾智能。）
这也不能怪渠道经理，早几年，在京东也发生过一模一样的情景。
夏小龙给我讲了个故事：
之前有一款鼠标，品类经理经常会“囤货”，就是总是比系统提示的补货量大很多。我们觉得很奇怪，就把它当做一个“Bad Case”研究。
发现真相之后眼泪掉下来，其实原因很简单：品牌方说了，如果买够一定的量，我就给你折扣。经理一算，“囤货”更合算。
可问题的关键在于，他没有把这个决策逻辑输入系统，系统压根不知道“量大从优”这回事儿，当然就计算不出最优补货方案。后来把这个逻辑补充进系统，系统立刻变聪明，可以更好地帮他补货了。
那两年，Y事业部的老司机们日常的重要任务就是跟各个品类的同事开会，把智能算法一个螺丝一个螺丝地拆开给他们看，让使用方更了解算法的“思考”过程，也能把自己的经验融合到算法的迭代中来，一点点改进，一点点磨合。
就这样，各个品类的负责人才慢慢地对智能平台从“不信任”到“将信将疑”，到觉得“矮油还不错”。
看来，“人机融合”这件事儿也没有什么捷径。能做的，只是在时间的长河里一点点沟通，一点点磨合，一点点接受。
让夏小龙他们欣慰的是，确实有一些厂商接受能力非常强，他们正在把“供应链系统”纳入各个渠道的工作流中，而且还搞了一些比赛，比拼各个渠道谁能把智能系统用得更好。
如果你像鹰一样盘旋在山顶，你会发现无数辆车前后接力组成了供应链：几辆头车的速度越来越快，配合越来越娴熟，紧随其后的第二梯队也开始改造自身动力系统，不断追赶；但是落后太多还没有奋起直追的车就逐渐被甩掉，无影无踪了。
商业和科技的竞争毕竟残酷，最快车速被不断刷新。
伴随而来的，就是社会总体“供应链成本”缓慢而坚定地下降，也是中国工业竞争力的缓慢爬升。
就在帮助上下游的司机们提升“车技”的同时，京东Y事业部的老司机们一刻也没闲着，他们还得牢记使命不忘初心，不断刷新自己的最快车速——继续降低京东自身的“库存平均周转天数”。
为了这个目标，各种神仙招数都使出来了。
（四）老司机还有办法开更快的车吗？
你有没有注意到，刚才我们说的降低“周转天数”的方法，无论是预测需求还是安排生产，都默认了商品本身是固定的——4L高压锅、3000w电磁炉，是什么就是什么。
实际上，还有一种方法可以显著降低周转天数，那就是生产消费者非常喜欢，但尚不存在的东西。
我们举个稍微魔幻一点的例子：
现在你是一个厨具厂老板，生产铁锅、电饭锅、微波炉之类。最近一段时间，民间非常流行养生，觉得茶叶蛋可以延年益寿。
于是，有意思的情况出现了。
铁锅可以煮茶叶蛋，电饭锅也可以，但是你还有另一个选择——开发一个专门煮茶叶蛋的锅。
你赶紧组织工程师开发了一款“智能茶叶蛋锅”：它可以根据程序，自动定时定量给你添加茶叶，最后一打开盖子就是一锅品相极佳、连上面的裂纹都是一只浴火凤凰的茶叶蛋。
推上京东，大家一看，这不就是我们日思夜想的产品吗？于是马上抢购一空。
这套流程，其实就是 C2M 消费者反向定制模式（C2M 原始定义是消费者直接向工厂下单，引申义为通过消费者洞察生产适销对路的产品）。
你可能会问，那厨具厂老板怎么能知道想买“茶叶蛋锅”的究竟有多少人呢？
厨具厂可能不知道，但京东知道。
每天都有上千万消费者在京东上购物，所有人的购物行为组成了大数据，从这些大数据中可以清晰地“洞察”到消费者的趋势。把这些细分市场洞察输送给上游的厂商，他们就能有针对性地生产商品了。
事实证明，从消费者需求出发的产品客观上就会卖得更块，周转天数更低。
但是要注意，越是满足细分要求的商品，用户量就会越低。比如“橄榄油”就是“植物油”的细分品类，它的需求量一定比植物油要低。
对于生产者来说，数量越少，就越没有规模效应，单位生产成本就会提高。这就需要工厂改进技术，来适应这种小批量定制生产的模式了。
胡浩提醒我。
你还别说，真有一种商品特别适合小批量定制化的“C2M 生产模式”，那就是图书。
从消费者角度看，图书品类众多，且各不相同；
但从生产角度来说，图书之间的区别可以没那么大——打印红楼梦，它就是《红楼梦》，打印西游记，它就是《西游记》。
如果印刷设备变成智能控制，那开足马力，一会儿就能印出几千本不同的书。
如此，C2M 就可以进化到最极端的形态：消费者先下单，工厂再生产。不见兔子不撒鹰，肯定没有积压，库存周转天数无限接近于0。
我们正在和合作伙伴一起，在很多品类上尝试定制化生产。目前看来效果还不错。
夏小龙剧透。
除此之外，老司机们这几年还在“库存网络优化”上持续做新尝试。
你还记得胡浩把两只手叠在一起，表示“京东库存+厂商库存”的“全局库存”吗？其实叠上去的手还可以更多，全局库存还能更全局。
假设你下单买一瓶农夫山泉矿泉水，那么，京东仓库里有这个库存，农夫山泉的仓库里有这个库存。别忘了，你家附近的小卖部、水站也有这个库存。
这就叫“社会化库存”。
如果把社会化库存也纳入全局库存，就可能进一步降低成本。你买一瓶水，楼下水站分分钟就给你送到了。
网络不断叠加，能产生的新价值是指数型增长的，价值空间很大。但是同时，对系统性能和算法要求也会变高。
这其中涉及到“时效”和“成本”的替换，网络越大，优化起来的难度就越大，这些是我们一直在探索的。
胡浩说。
胡浩其实说出了在智能领域的一个大趋势，那就是：越来越多的数据被集合在一起，越来越多的计算力集合在一起，智能系统越来越聪明。
他告诉我，如今他非常看好一个技术方向：超级自动化。
零售业最小的操盘单位就是“品类”。对于一个品类的操盘应该是一个整体，而现在的情况是，它被人为割裂成了几个系统，例如“采购”、“营销”、“履约”这几大系统。
因为一个部门很难同时照顾这几大模块，是组织方式和技术限制了它只能形成这个结构。
但智能系统如果足够大，是可以同时管理一个品类从“采购”到“履约”这一整条链条的。它可以自动订货自动补货，然后根据市场反馈自动打折，再把配送履约环节的数据拿回来，持续改进运营，自己进化。
胡浩形容了一个颇为科幻的世界。
过去的人机配合模式是：机器干活，人类统筹。
但是，智能技术正在挑战一个新的 Level：机器干活，机器统筹。
“这样的技术要什么时候能应用呢？”我随口一问。
“我们已经在某个品类上开始尝试了。”胡浩的回答吓了我一跳。
我必须说，作为一个激进的科技智能的拥趸，现实世界的智能化水平甚至比我所想象的更超前。在供应链领域的系统“完全自动驾驶”，很可能比现实世界里汽车的“完全自动驾驶”来得更早。
在蛮荒的世界里，智能可能是一条路。当智能被编制得足够密集，它就成为网。当网和网重叠，就成了大地。而把镜头拉开，我们的生活就建立在这个由机器和智能编织成的大地上。
在这片大地上出生的孩子，难以想象那些繁复的预测和调度竟曾需要人类来做，就像我们难以想象曾经的人们打仗还需要驾车御马那样。
我们也许正处在这样一个时代。
脚下的大地被重新编制，而今天故事的主角京东也只是千万编织者中的一员，从天空俯瞰，也面目难辨。
我知道总有人怀念车马慢，但时间的箭头一直指向前方。而随着那些见过旧时光的人离去，一场演化也得以完成。
来源：freebuf.com 2021-06-23 13:36:00 by: 史中浅黑科技
请登录后发表评论
注册