Muir AI：利用人工智能打造可持续供应链

导读：在Muir创始人哈里斯•查拉特看来,当前供应链碳管理面临三大痛点:其一,现代供应链错综复杂,企业对上游缺乏透明洞察;其二,ESG信息搜集成本高,供应商积极性不高;其三,缺乏有效的衡量和优化工具,难以权衡商业和环境目标。如何破局?查拉特给出的答案是:人工智能。

在碳中和目标的倒逼下,绿色供应链管理已成为企业变革的新风口。然而,面对错综复杂的全球供应网络,传统的ESG管理模式已然捉襟见肘。新兴的人工智能技术,或许为这一难题带来曙光。

笔者近日有幸采访到Muir公司联合创始人哈里斯•查拉特(Harris Chalat)和彼得•威廉姆斯(Peter Williams)。作为一家成立仅一年的创业公司,Muir正以"AI+供应链"的独特理念,为企业的可持续转型探索新路径。

"供应链碳管理是一个高维动态优化问题,单靠人力是很难驾驭的。"身为CEO的查拉特解释道。他曾在麻省理工学院(MIT)攻读航空工程,师从优化领域大牛,后又在SpaceX从事火箭研制十余载,对于复杂系统优化可谓轻车熟路。"我一直在思考,如何将学术前沿和工程实践相结合,真正为产业赋能。"

另一位联合创始人威廉姆斯则是数据科学专家,曾在亚马逊、微软等巨头企业主导智能供应链项目。疫情爆发后,眼看全球供应链遭遇重创,他萌生了创业的想法。"我们就在问自己,技术如何帮助企业在动荡中稳步前行,实现经济和环境的双赢?"

两位创始人的背景看似"南辕北辙",却殊途同归,对环境问题和技术创新有着共同的执念。2021年,他们携手创立了Muir,希望以人工智能重塑供应链ESG管理范式。不到一年时间,这家初创公司已脱颖而出,获得数家财富500强企业青睐,融资金额近千万美元。

究竟是什么样的技术,让Muir备受瞩目?在谈到核心理念时,查拉特和威廉姆斯异口同声地说到:"是真正的'AI+供应链'!"

当下,"AI+供应链"已是一个烂大街的概念,不少企业宣称用机器学习算法优化库存、预测需求。在两位创始人看来,大多数方案只是"头痛医头",并未真正释放人工智能的潜力。"供应链是一个高度关联的复杂系统,局部优化很难撼动整体。我们需要全新的系统化思维。"威廉姆斯解释道。

Muir的"AI+供应链"方案,源于一个更高维的视角。"我们的目标,是帮助企业掌握整个供应网络的实时'CT'图像,既有广度,又有深度。"查拉特打了一个生动的比喻。Muir平台犹如一台智能"碳透视仪",以企业的采购数据为切入点,逐级追溯上游供应商的碳排放表现,并结合公开和专有的ESG大数据,对供应链碳足迹进行端到端估算、诊断、优化。

为实现这一宏大构想,Muir自主研发了一套极为复杂的AI系统。该系统以知识图谱为基石,将产品、供应商、工艺、物流等环节的碳排放要素编织成一张关联网络。在此基础上,系统运用机器学习、运筹优化、自然语言处理等多种算法,对数据进行智能化挖掘、融合、分析,最终形成对供应链碳排放的整体洞察。

AI重塑供应链ESG数据管理新思路

ESG数据管理,是供应链可持续转型的基石。然而,对于许多企业而言,获取上游供应商的真实碳排放数据无异于"登天"难。传统的人工调研、问卷填报等方式,面对日益错综复杂的全球供应网络,正变得捉襟见肘、力不从心。

"供应链ESG数据scattered、non-standard、low quality,可谓'三低'问题突出。"Muir联合创始人哈里斯•查拉特直言不讳。上游企业财务透明度不足、技术能力参差不齐,导致数据源头质量堪忧;供应链各环节缺乏统一的披露标准和技术规范,加剧了异构数据整合难度;加之缺乏数据全生命周期管理意识,使得数据真实性、时效性难以保证。种种痛点交织,供应链碳数据成了企业的"哑铃"。

"人工智能恰恰为破解数据困局带来了新思路。"查拉特眼中闪烁着兴奋的光芒。Muir平台巧妙结合多种AI技术,为供应链ESG数据管理开出"智能药方"。其秘诀在于:以知识图谱为引擎,多管齐下打通数据流通的"任督二脉"。

构建一套全链条、全要素的碳排放知识图谱,是Muir供应链碳智能方案的"定盘星"。这一图谱犹如一部"ESG大百科",涵盖产品、原料、工艺、物流、能源等各维度要素,刻画其内在联系,形成端到端碳排放逻辑。"大家都在喊数字化转型,但很多企业只是单点着力。我们要做的是从全局出发,厘清碳排放的系统性规律。"Muir联合创始人彼得•威廉姆斯解释道。

在"制图"过程中,Muir广泛汲取公开和行业数据,并与头部企业合作获取一手资料,最大限度丰富图谱的"属性"和"边"。威廉姆斯举例说,一台手机从采购、生产到配送的碳足迹剖析,可能涉及数百家供应商、上千种物料,以及错综复杂的工艺路线。"为了追溯每个零部件对应的实际排放水平,我们要融合天差地别的异构数据,这本身就是个大工程。"

为化解multi-source data的"风格迥异",Muir自研了一套智能数据"配平"系统。通过本体匹配、语义分析等技术,该系统可自动将不同来源、不同格式的原始数据"翻译"成统一语言,实现"无缝拼接"。即便是非结构化的文本、图像,系统也能通过知识抽取、OCR等技术,将其转化为可机读、可计算的结构化表征。"比如从供应商的设备说明书中,我们的算法可自动刮取工艺参数,再转化为相应的能耗数据。"威廉姆斯解释道。

异构数据打通只是第一步,如何保证数据"原汁原味"也是大问题。"很多企业不愿共享数据,担心隐私泄露、竞争劣势等问题。这就需要在数据采集和加工过程中,嵌入隐私保护机制。"威廉姆斯表示,Muir平台应用联邦学习、多方安全计算等前沿技术,在不触及企业原始数据的前提下,实现加密数据流动和建模分析。"数据所有权和使用权分离,有助于调动各方参与热情。"

数据有了,质量如何保证?Muir另一项独门利器是,将区块链技术融入数据全生命周期管理。通过在上链数据中嵌入"数字水印",系统可自动追踪数据流转全过程,确保其来源可溯、去向可查。同时,利用智能合约机制对数据访问、使用、交易行为进行规则化管控,从源头遏制造假、滥用等失信行为。"我们还规划了一套基于NFT的激励方案,企业上传数据可获得相应的算力等资源优先权,形成数据共享的良性循环。"威廉姆斯补充道。

碳排放核算,Muir的AI进阶之道

数据有了,接下来的重头戏就是核算企业的实际碳足迹。但让众多从业者头疼的是,传统的碳核算方法难以适应供应链日益扩张的场景需求。

"成本高、周期长、粒度粗,是制约传统碳核算的'三座大山'。"查拉特一针见血地指出。主流的碳盘查方法,或采用产品生命周期评估(LCA),逐一估算每个供应链环节的排放;或借助投入产出分析,从宏观视角测算产业关联引致的碳排放。无论哪种路径,都需投入大量人力,历经数月乃至数年,才能得出一个"静态"的核算结果。而在当今瞬息万变的商业环境下,这样的信息粒度和时效性远不能满足企业的管理需求。

"我们需要一套能够实时洞察、预测、优化供应链碳排放的智能方案,传统方法显然不够看了。"查拉特话锋一转,神秘地说,"这正是Muir的人工智能体系大显身手的时候。"

Muir碳智能核算系统的第一个利器,是一套自适应排放因子智能匹配模型。传统碳核算需要手工搜集、录入各类参数,如能源折算因子、物料排放因子等,效率低下且易出错。Muir则另辟蹊径,充分利用前期构建的碳排放知识图谱,将影响排放的诸多因素划分为产品、工艺、能源等不同维度,对应构建机器学习子模型,自动刻画各因素与碳排放强度之间的非线性关联。"这就像孙悟空的'七十二变',针对不同场景,系统可自动调用相应的算法组合,智能适配最优的核算参数。"威廉姆斯打了个形象的比方。

以产品维度为例,Muir利用自然语言处理技术,对大量产品说明书、参数表进行语义挖掘,形成一套产品"画像"知识库。当新产品出现时,系统可自动比对其属性特征,用相似产品的历史排放数据初步估算其碳足迹。再如能源维度,Muir通过分析各国电网结构与碳排放的时空关联,构建了一套多粒度动态排放因子库。输入工厂所在地和用电量,即可智能匹配最逼真的区域电力排放参数。

"通过这些因子智能匹配,我们的计算粒度可精确到每一件产品、每一个生产步骤。"查拉特自豪地说,"相比之下,传统方法只能估算企业或车间层面的笼统数据。这就像医学影像从X光片进阶到CT,信息维度成倍跃升。"

排放因子的动态适配只是基础,更高阶的智能体现在全流程自动化。Muir另一项独门绝技,是利用深度学习实现海量异构数据"一站式"处理。系统通过卷积神经网络等技术,可从复杂的文本、报表、图形等非结构化数据中准确抽取碳排放要素,并自动梳理其内在逻辑,代替了人工编码、映射的繁琐步骤。"比如供应商的废水处理报告,系统可自动提取化学需氧量、PH值等关键参数,判断其达标水平,转化为碳排当量。传统人工录入可能要一周,机器轻松几秒钟搞定。"威廉姆斯如数家珍。

在"千人千面"的需求驱动下,Muir碳核算引擎还嵌入了自学习迭代机制。系统搭载了多个预训练模型,可根据行业、场景、时间等多重特征,自主调试核算模型。一旦识别出"有teach value"的新数据,系统会自动吸纳并调整相应权重,整个过程无需人工干预。"这就像让算法具备了持续学习的'生命力',随着数据的丰富,模型会越来越聪明。"威廉姆斯解释道。据测算,Muir智能核算相比传统盘查,人力投入减少80%以上,交付周期也大幅缩短至数周。

不过,威廉姆斯也坦承,Muir的AI核算体系还远非完美。由于缺乏统一的行业基准,不同企业的碳排放数据很难横向比对。产业链上下游信息壁垒亟待打通,核算结果的可解释性也有待加强。未来,Muir计划搭建一个开放的碳数据联盟,集各界之力构建统一的排放核算知识库和基准方法论,让碳信息在产业图谱上快速流转。"我们的终极目标是打造一套数据驱动的'轻量级'碳核算操作系统,用更智能、更精准、更高效的技术工具,为企业的绿色决策提供科学依据。"查拉特展望道。

AI多目标决策优化赋能绿色供应链管理

"供应链的可持续转型,不应是企业的额外负担,而应是塑造新竞争力的战略抉择。"Muir联合创始人哈里斯•查拉特一语道破症结所在。在他看来,之所以许多企业在降碳行动上裹足不前,根源在于缺乏经济效益和环境效益"双赢"的系统解决方案。"传统的碳管理咨询往往头痛医头,只盯着单一目标优化,经济性、技术可行性考量不足,最终很难落地。"

如何实现商业价值与环境责任的平衡,打通决策"任督二脉"?Muir给出了一剂AI"良方"。"我们的理念是将碳排放管理嵌入供应链各个决策环节,通过多目标动态优化,为企业的采购、生产、物流等运营活动提供全流程智能决策支持。"查拉特侃侃而谈。

以采购决策为例,Muir自研的智能采购平台集成了多种优化算法,可同步考虑成本、交期、质量、碳排放等多重目标,自动生成"千人千面"的采购计划。系统首先汇聚企业ERP等业务主数据,运用机器学习算法准确预测未来一段时间的采购需求。在此基础上,系统访问Muir独有的全球供应商知识图谱,匹配涵盖ESG表现、生产能力、交付周期等多维画像的潜在供应商名录。再运用启发式搜索、多目标规划等运筹优化技术,"穷举"海量的供应商组合,找出能够最大限度满足目标约束的"最优解"。

"这就像在食材超市里挑选符合口味、营养、预算的最佳配方,只不过选择的维度更丰富,品类也多达数万种。"Muir联合创始人彼得•威廉姆斯打了一个通俗的比方,对于这样体量的排列组合问题,人力很难驾驭,机器却可以轻松搞定。"通过算法自动优选供应商,平均可帮企业减少10%-20%的采购成本,同时将碳足迹降低15%以上。"

在材料选型环节,Muir的AI"魔法"同样大放异彩。系统嵌入了一套基于深度强化学习的智能替代推荐引擎,可从物理属性、化学成分、力学性能等多角度,为产品"私人定制"最佳材料配方。"我们先用知识图谱技术,构建一个涵盖数千种材料的性能指标库。然后利用图神经网络,学习材料分子结构与宏观性能间的内在关联。"威廉姆斯如数家珍,"一旦发现新材料,系统就像有了'透视眼',可快速预判其物化性质。"基于此,该算法可在众多候选材料中"审时度势",智能权衡成本、性能、环保、供应风险等多重因素,自动推荐最优替代方案。

一个生动案例是,Muir曾协助某车企优化座椅面料。该公司原本使用的皮革制品碳排放高,成本也不菲。系统搜罗分析了数百种纺织面料的环保性能数据后,锁定出一款新型仿皮革材质,其生产过程碳足迹仅为真皮的1/5,而手感、耐磨性等关键指标也毫不逊色。如此一来,每台车的碳排放可减少50千克,而成本仅增加1%左右,实现了环境效益和经济效益的"双丰收"。"我们就像一位出色的'材料管家',以最经济实惠的方式,满足企业产品创新中对性能、成本、环保的多重诉求。"威廉姆斯总结道。

在生产运营层面,Muir还打造了一套集排产、调度、物流于一体的智能优化系统。"我们通过分析订单和库存数据,结合市场预测,产能约束等信息,自动生成最优生产排程,在满足交期前提下最小化消耗和排放。"查拉特介绍道。值得一提的是,该系统不拘泥于单个工厂,而是放眼供应网络全局,实现从供应商到仓储配送的一体化调度优化。"我们采用了多智能体强化学习技术,可根据供需波动实现产销协同,并优化物流线路,最大程度降低碳足迹。"

然而,单个企业的"头痛医头"式努力,很难撼动供应链碳管理的复杂局面。"供应链是一张牵一发而动全身的'关系网',群策群力才能实现系统最优。"查拉特一语中的。Muir另一项开创性工作,是运用网络科学理念和图神经网络技术,构建了一套"碳智能大脑",为产业链各方编织协同优化的"神经网络"。

网络化协同,AI重塑供应链全局格局

疫情大流行暴露了全球供应链"散、乱、虚、低"的顽疾。断链、压货、产能过剩等问题频发,凸显了产业链韧性的匮乏。"传统的'点对点'式供应链治理模式走到了尽头,亟需从'线性'向'网络化'思维升级。尤其在碳管理领域,产业链上下游唇齿相依,更需通过平台嫁接各方力量,打通数据流、物流、资金流和碳流,实现多方协同共治。"威廉姆斯一针见血地指出。

网络化协同的基础,在于洞悉整个产业图谱的全貌。为此,Muir自主研发了一套供应链大数据治理平台,广泛汇聚海关、工商、物流等公共数据以及企业ERP等内部数据,通过异构数据自动关联、清洗、融合,逐步建立起一张覆盖全行业的供应链知识图谱。

"大到宏观产业结构,小到企业间业务往来,这张'关系网'连接了碎片化数据,让整个供应链的物流、信息流、资金流和碳流尽收眼底。"威廉姆斯形象地比喻道,这就像给供应链披上了一件"隐形衣",物料采购、生产制造、仓储配送等环节的碳排放情况一目了然。

在此基础上,Muir创新性地应用图神经网络技术,让供应链"动"起来。传统的机器学习算法往往孤立地看待个体,很难揭示群体间的动态关联。图神经网络则不同,它能捕捉个体属性和连接关系的演变,洞察行为在网络中的传导效应。"这就像'蝴蝶效应',产业链一端的小小扇动,经过网络传导可能引发另一端的巨大涟漪。"查拉特打了一个形象的比方。

拿供应链风险预警来说,系统可提前识别"木桶效应"中的薄弱环节,评估一旦该点"崩塌"对整体韧性的冲击。比如在碳管理领域,若某关键供应商突然停产,可能对下游制造商的减排进度造成连锁影响。Muir通过图嵌入等技术,可动态刻画供应链全局的"失效概率",并反推出最佳的应对策略,实现"先知先觉、精准施策"。

在动态资源协调方面,图神经网络也可助一臂之力。传统的"点对点"交易思维往往造成资源错配,比如A企业产能过剩,B企业却不得不花高价"抢人"。通过图神经网络技术,Muir可跨层级、跨企业实现供应链全网"碳资源"的实时感知和动态匹配,犹如一个"看不见的手",在幕后精准调控资源流动。

一个有趣的案例是,Muir曾服务某大型光伏组件制造商。受原材料涨价影响,该企业供货压力陡增,减排计划面临搁浅。系统探测到这一"预警信号"后,立即在供应链全网广播"产能求助令",很快锁定了三家上游企业的"盈余产能",双方一拍即合,危机迎刃而解。"我们就像一个智能'媒婆',可跨主体实现碳资源的精准撮合。"查拉特打趣道,事后统计,该系统帮助光伏企业节省了20%的采购成本,碳排放也因产能利用率提高而降低了15%。

在Muir的碳智能"神经网络"中,区块链技术也扮演了关键角色。由于涉及多方利益博弈,产业链不同企业在数据共享、减排分工等方面容易产生信任问题,成为阻碍网络化协同的"拦路虎"。区块链以其去中心化、不可篡改等特性,恰好可化解这一困局。

"我们利用智能合约机制,将碳配额的分配规则写入代码,杜绝了主观干预的余地。每一笔碳交易和减排行动也会自动记录在账本中,保证所有参与方权责对等、奖惩分明。"威廉姆斯如数家珍。通过与图神经网络技术"联姻",区块链还可赋能"群体博弈"场景下的智能决策。系统可模拟不同企业在减排行动中的策略组合,推演收益矩阵,基于纳什均衡等理论找出"多赢"方案。

一个典型案例是,Muir曾服务某电池回收产业联盟。各企业原本在废旧电池的运输、拆解、再利用等环节各自为政,运作低效。系统通过对物流、库存、工艺等数据进行网络化建模,结合企业减排意愿调查,设计出一套基于区块链的"碳普惠"机制:按贡献大小奖励碳积分,并与分红挂钩。在经济激励和技术配套的双重驱动下,原本涣散的联盟迅速向"利益共同体"转变,减排合力倍增。据测算,整个产业的资源利用率提高了30%,单位产品碳排放下降20%。

纵观当下,供应链的可持续发展之路依旧荆棘丛生。"产业链各环节减排意愿参差不齐,上下游数据仍高度割裂。要真正实现网络化协同,技术只是发动机,更需要文化认同、机制创新的'双翼'。"查拉特坦言,这需要企业高层率先树立"你中有我、我中有你"的命运共同体意识,并植入全员ESG理念,构建适配协同优化的弹性组织。

对于政策制定者而言,完善绿色供应链的顶层设计和配套举措也至关重要。"减碳不应成为企业的'包袱',需建立覆盖全产业链的碳普惠机制,并通过差异化信贷、绿色保险等手段为协同者赋能,化解'搭便车'心理。"查拉特呼吁监管部门加大跨区域、跨部门统筹,在政策引导、金融支持、标准规范等方面多管齐下,为绿色供应链发展营造良性生态。

"对于普通消费者而言,绿色供应链意味着更环保、更有温度的产品。对于企业而言,这是高质量发展的新引擎。而对整个社会来说,人工智能赋能的绿色供应链大有可为,它意味着更可持续的经济形态,是实现碳中和目标的关键一环。我真诚地邀请所有利益相关方携手同行,共同开创绿色包容的美好未来。"查拉特语气坚定地总结道。

人工智能时代的新风口已然来临。借助数字科技的翅膀,绿色供应链管理正从概念走进现实。展望未来,智能算法将与产业智慧、政策支持、普惠金融交相辉映,不断突破瓶颈,助推实体经济实现全方位、高质量、可持续的绿色发展。在这场变革中,Muir正努力扮演产业链的"黏合剂",以开放协作的姿态,与所有梦想者一道,共创人工智能驱动的绿色供应链新范式。