人工智能：2024年02期 (--) (Z-Library)

📄 File Format: PDF

💾 File Size: 44.5 MB

📖 Read Online ⬇️ Download

Registered users can read the full content for free

Register as a Gaohf Library member to read the complete e-book online for free and enjoy a better reading experience.

📄 Page 1

(This page has no text content)

📄 Page 2

—挖掘数据价值，筑牢人工智能发展根基 数据智能 2024 年 4 月 第 2 期 总第 39 期

📄 Page 3

“发展新质生产力是推动高质量发展的内在要求和重要着力点，必须继续做好创新 这篇大文章，推动新质生产力加快发展。”新质生产力，作为现代经济社会发展的重要 驱动力，正以其独特的优势改变着传统的生产方式和经济结构。新质生产力不仅仅是技 术的革新，更是思维方式和生产关系的深刻变革。在新质生产力的推动下，传统产业得 以转型升级，新兴产业蓬勃兴起，为经济的高质量发展注入了源源不断的动力。 数据要素，作为数字经济时代的“石油”和“金矿”，正日益成为国家竞争力的重 要体现。数据已经成为了一种新型的生产要素，它不仅能够提升生产效率，优化资源配 置，触发乘数效应，还能够驱动创新，引领未来。我们要深刻认识到数据要素的重要性， 加强数据资源的开发利用，推动数据要素的市场化、产业化，为经济发展注入新的活力。 数据智能正以其强大的计算能力、分析能力、判断能力和推理能力，为经济发展提 供了强大的智力支持。通过数据智能，我们可以更加精准地把握市场需求，优化生产流程， 提高产品质量，从而实现经济效益和社会效益的双赢；同时，数据智能还能够推动社会 治理的现代化，提升政府决策的科学性和精准性，为社会和谐稳定与协同进化提供有力 保障。 近年来，我国相继发布《数字中国建设整体布局规划》《算力基础设施高质量发展 行动计划》《关于深入实施“东数西算”工程加快构建全国一体化算力网的实施意见》《“数 据要素×”三年行动计划（2024—2026 年）》等一系列文件，从制度层面为数据智能 的发展“保驾护航”。 我们要深入挖掘数据要素的价值，推动数据资源的开发利用和共享，打造数字经济 新优势。我们还要加强数据智能的研发应用，提升经济社会的智能化水平，让数据智能 成为推动经济发展的新动力。 科技发展日新月异，原创性、颠覆性创新不断涌现。我们应保持清醒的头脑和坚定 的信念，迎接挑战，抢抓机遇，深刻认识到“新质生产力”对国民经济和社会发展的重 要意义，以科技创新推动产业升级，推进高质量发展。 中国传媒大学经济与管理学院 2024 年 4 月 专题序言

📄 Page 4

中国传媒大学经济与管理学院 2024 年 4 月

📄 Page 5

广告主 广告内容 版位 《机器人产业》 期刊征订 赛迪传媒官方微店 形象 赛迪智库 形象 公益广告 形象 公益广告 形象 美敦力康辉常州科技园创新孵化中心 形象 目 次 专题：数据智能 思考与探讨 挑战与展望 70 79 87 P48-A P62-B P48-B P78-A 美国人工智能战略政策新动向及特点分析 生成式人工智能内容安全风险分析与安全机制探讨 论人工智能的激励型立法——基于《拜杜法》的思考 1数据智能在供应链协同中的应用研究 王核成，刘侣麟，胡健，谷彦章，何军炎，王成中 宋艳飞，张瑶 张庆国 严驰 11生成式 AI 重塑数字生态系统：以 ChatGPT 为案例 杨雪，潘朗暄，应文池，张力 20算力网高质量发展探究：现实挑战、制度基础和技术支撑 沈健，孙道军 32基于大模型的多智能体协同炼化智能工厂架构刍议 李剑峰 应用实践 49 56 人工智能技术在文物保护中的探索与实践——以布达拉宫贝叶经勘察为例 基于视觉的 H 型支腿跨距检测方法研究 周霄，田帅，陈学莲 刘光磊，熊忆 主管单位：中华人民共和国工业和信息化部 主办单位：中国电子信息产业发展研究院 赛迪工业和信息化研究院（集团）有限公司 出版单位：北京赛迪出版传媒有限公司 编辑单位：《人工智能》编辑部 总编辑：王沛霖 副总编：张含阳 编辑部电话：+86(10)88558766 编辑部邮箱：aiview@ccidmedia.com 广告部电话：+86(10)88559742 / 88558711 广告部邮箱：wanglili@ccidmedia.com gexiaoxi@ccidmedia.com 订阅热线：+86(10)88558777 读者服务邮箱：wangwu@ccidmedia.com 法律顾问：北京市华泰律师事务所 本刊地址：北京市海淀区紫竹院路 66 号赛迪大厦 17 层 邮编：100048 英文刊名：AI-VIEW 汉语拼音：Rengong Zhineng 创刊年份：2017 年 国内统一连续出版物号：CN 10-1530/TP 国际标准连续出版物号：ISSN 2096-5036 发行单位：北京市报刊发行局 邮发代号：80-381 广告发布登记：京海工商广登字 20170178 号 印刷：廊坊市纸颜印刷有限公司 出版日期：2024 年 4 月 10 日 定价：60 元 本刊网址：aiview.cbpt.cnki.net 本刊为人工智能产业创新联盟会刊 版权声明：本刊刊登的所有文章仅代表作者个人观点。 凡投稿本刊或授权本刊刊登的作品，均视为已授权刊登 于本刊网站、微信等所有信息网络使用。未经书面许可， 任何人、任何单位不得转载、摘编本刊所刊载的作品。 关注人工智能产业创新联盟 63人脸视频伪造检测技术进展与趋势 冯尊磊，娄恒瑞，贝毅君，宋明黎 人工智能 2024 年 4 月 第 2 期 总第 39 期 广告目次 P62-A P78-B

📄 Page 6

1 0 引言 我国《“十四五”数字经济发展规划》明 确提出要“加快全价值链业务协同，形成数据 驱动的智能决策能力，提升企业整体运行效率 和产业链上下游协同效率”。然而，随着贸易 保护主义的抬头、国际贸易摩擦的增多，以及 技术迭代升级的加速，企业供应链协同面临诸 多内外部挑战，如何有效提升供应链协同水平 成为保障企业高质量发展的关键问题。虽然以 往学者针对“牛鞭效应”[1,2]和“囚徒困境”[3] 等供应链协同中的重要问题进行了研究探索， 但是当今飞速发展的信息技术正快速改变着供 应链协同的管理实践，有效利用大数据分析与 人工智能等前沿技术已成为企业供应链协同中 的重要问题。 数据智能整合了大数据和人工智能相关技 术，为企业增强供应链可塑性和协同能力，并 数据智能在供应链协同中的 应用研究 □文 / 王核成 1，刘侣麟 1*，胡健 2，谷彦章 1，何军炎 2，王成中 2 （1. 杭州电子科技大学 创新与发展研究院，杭州 310018；2. 物产中大集团 物产中大数字科技有限公司，杭州 310020） 摘要：随着全球化进程的不断深入和市场竞争的日益加剧,供应链协同已成为企业提升竞争 力的关键途径。作为前沿技术,数据智能在供应链协同中的作用日益凸显。首先,本文在厘 清数据智能与供应链协同内涵的基础上,总结分析了数据智能对供应链协同的深远影响,及 其在供应链协同中的关键应用场景。其次,通过梳理归纳发现,数据智能技术主要通过数据 驱动决策、赋能平台“云边智能”与智能机器换人三种实现机制赋能供应链高效协同,并使 供应链协同呈现出智能同步决策、信息高效高质共享和实时无缝响应的发展趋势。最后,为 进一步发挥数据智能对供应链协同的支撑作用,提出建立数据标准体系、强化数据安全防护、 提升平台数智能力与培养复合型人才等对策建议。本文为有效利用数据智能促进供应链协同 发展提供了针对性参考。 关键词：数据智能;供应链协同;应用场景;实现机制;对策建议 中图分类号：F272;TP391 文献标志码：A 文章编号：2096-5036(2024)02-0001-10 DOI：10.16453/j.2096-5036.202411 基金项目：国家自然科学基金资助项目（72072048）；浙江省哲学社会科学规划课题（24NDJC217YBM） 数据智能在供应链协同中的应用研究

📄 Page 7

专题：数据智能 AI-VIEW  2024 年第 2期 2 为适应当今不确定性的外部环境提供了有效支 撑。在供应链协同的管理实践中，华为、京东、 阿里巴巴、谷歌等许多领先企业都在积极部署 数据智能战略，加速布局数字化和智能化的供 应链系统，不断探索数据智能在实现供应链高 效敏捷、网络协同和安全稳定等供应链协同关 键目标中的应用。然而，在供应链协同的理论 研究中，鲜有文献针对数据智能在供应链协同 中的应用展开系统性探索。因此，鉴于数据智 能在供应链协同实践中的重要作用，以及现有 研究对数据智能在供应链协同中应用理论探索 的缺乏，本文在厘清数据智能与供应链协同内 涵的基础上，对数据智能在供应链协同应用中 主要的应用场景、实现机制、对策建议进行了 系统性探究，为有效利用数据智能促进供应链 协同发展提供针对性参考。 1 数据智能和供应链协同的内涵 1.1 数据智能 在当今数字化时代，诸如手机、电脑、摄 像头、传感器等无处不在的感知终端催生了大 量的数据。每天数以万计的数据不断生成，意 味着现在信息的可得性已经不再是一个难题， 关键在于如何智能分析和利用这些海量的数 据。近年来，深度学习引领的人工智能技术发 展迅猛，推动着大数据研究迈入了以先进分析 方法为中心的新阶段。现代人工智能技术与大 数据分析技术紧密相连，二者相互交融中催生 出了巨大的创新与发展潜能。在此背景下，数 据智能技术快速涌现，数据智能的理论内涵也 成为相关学者近期关注的重点。 梳理文献发现，学者们通常将数据智能界 定为大数据和人工智能融合升华的产物。例如， Wu等提出数据智能是一个跨学科的研究领 域，数据智能结合了大规模数据处理、数据挖 掘、机器学习、人机交互与可视化等信息技术， 主要从数据中抽象、挖掘和获取具有揭示性和 可操作性的信息，从而为人们基于数据做出决 策或执行任务提供有效的智能支持 [5]。王秉认 为，构成数据智能的核心要素包括场景、数据、 分析与管理，数据智能是指针对某一现实场景， 从数据中分析提取对管理有用的信息，并用于 服务和支持管理的能力 [6]。吴俊杰等提出，数 据智能的本质是预测性数据分析技术，主要通 过大规模数据挖掘、机器学习和深度学习等技 术，对现实应用场景的内外部多源异质大数据 进行处理和分析，从中提取有价值的信息或知 识，并用于提升复杂实践活动中的管理与决策 水平 [7]。因此，在信息技术快速迭代的时代背 景下，传统管理正在转变成为基于数据的管理， 传统决策逐步演化成为基于数据分析的决策， 基于数据的商务智能应用逐渐成为企业提升管 理创新的核心竞争力 [8]，数据智能已经成为复 杂管理实践活动中企业供应链协同有效的技术 支撑。 1.2 供应链协同 由于新产业、新业态和新模式不断涌现 并冲击既有市场，消费场景也更加分散化、 多元化和去中心化，供应链管理的目标已不仅 仅是为了降低成本，而是如何更好提升服务能 力，快速响应需求和应对风险挑战。而实现这 一目标的关键是供应链协同，供应链协同是企 业为提升竞争优势与拓宽合作渠道，通过信息 共享、同步决策、协同交流和信任提升等方式 与供应链成员进行紧密合作，从而促进供应链 整体配合与效率提升的管理活动 [9]。供应链协 同的关键因素包括信息共享、同步决策、实时 响应、风险管控等 [10,11]。其中，信息共享是协

📄 Page 8

数据智能在供应链协同中的应用研究 3 同的基础，通过实时透明的数据传递可提高决 策准确性；同步决策要求供应链成员能够基于 最新、准确的数据共同制定策略并执行；实时 响应要求能够快速感知市场变化、客户需求或 内部运营状态等；风险管控则可以应对不确定 性事件，保障供应链协同的稳定性。然而，供 应链上主体众多，且易受到各种内外部环境因 素的影响，企业需要通过有效的管理手段和机 制以确保供应链协同，打破传统的各自为战模 式，将供应商、制造商、分销商、零售商和终 端消费者等多元主体纳入一个有机的整体中， 实现采购、生产、物流和销售等关键环节的深 度协作和一体化运作 [12]。例如，在销售预测方 面，基于共享数据平台进行跨组织的需求协同 预测，可以提高预测精度并减少牛鞭效应 [13]。 在仓储物流管理中，采用可视化方式协同采 购、补货和运输计划，可大幅提升库存周转和 响应速度 [14,15]。 2 数据智能在供应链协同中的主要 应用场景 2.1 销售预测与计划协同 数据智能技术可以基于大数据和机器学习 算法提供精准的需求，使企业能够在不确定性 环境中前瞻性地与采购、生产和供应等部门协 调生产计划、资源配置、采购管理和库存控制 等计划策略。首先，通过大数据技术自动化地 收集线上线下销售数据、用户行为数据和市场 趋势信息，企业能够全面而精准地掌握市场动 态。同时，基于机器学习算法和统计模型，企 业可以对这些数据进行深度挖掘和分析，识别 出影响销售的关键因素和潜在趋势，并进一步 构建出销售预测模型，对未来一段时间内的销 售情况进行准确预测，使得企业能够更快速地 响应市场变化，及时调整销售策略和库存计划 等，保障供应链各业务活动协同运行，精准对 接。例如，物产中大集团在钢材全域销售支持 平台中，开发了智能销售预测系统，构建嵌入 式AI服务，内置大数据计算引擎与机器自学习 模型，基于大数据和机器学习技术对钢材未来 的销售趋势进行精准预测，为门店要货、库存 管理和业务运营等提供决策支撑，驱动原料采 购和生产管理等计划的高效执行，优化库存结 构，提高了供应链整体的运作效率和效益。 2.2 物流运输调度 高效精准的物流运输调度对供应链协同至 关重要，在物料运输中，数据智能通过实时优 化物流运输路线和资源分配，实现货物从供应 商到消费者的高效流转，可以有效减少配送时 间提高供应速度，并为供应链协同提供稳定可 靠的物理连接，确保了货物能够及时准确地送 达指定现场。 首先，借助GPS定位系统、交通信息发布 平台、车联网等技术，企业可以实时收集并分 析道路交通状况，包括车流量、事故、施工等 因素导致的拥堵情况。这些信息有助于精准预 估运输时间，避免因不可预见的交通问题延误 运输配送。其次，运用运筹学中的路径规划算 法结合强化学习，能够综合考虑多个因素进行 配送路径优化。例如，根据各配送点的需求紧 急程度、货物体积重量、装卸时间窗口限制、 配送成本等因素，计算出最优配送顺序和路径， 提高整体物流效率。再次，通过对历史数据和 当前环境因素的学习和模拟，企业还可以对未 来一段时间内的路况作出预测，从而提前进行 预防性的配送策略调整，减少潜在延误风险。 例如，美团投入使用了自主研发的O2O即时配 送智能调度系统，该系统会根据任务要求对大

📄 Page 9

4 专题：数据智能 AI-VIEW  2024 年第 2期 数据进行筛选分析，根据运力、车型、配送员 的位置与空闲时间为配送员推荐任务。最后， 借助区块链、数据分析和GPS技术，记录货 物的来源、去向和状态等信息，在平台上便可 查询到物流实时轨迹、到货时间安排等信息； 此外，借助电子围栏技术，通过特定模型对配 送员停靠敏感地点进行识别，实现货物在客户 要求的可签收范围内的精准交付。该系统上线 后，美团外卖的订单由平均每单41分钟减至 28分钟，配送服务和效率极大提升，获得了大 量客户好评。 2.3 库存监控与补给 库存管理是反映供应链协同水平重要的一 环。传统库存管理中，供应链协同较难，容易 引发库存积压、缺货现象频发和运营成本上升 等一系列问题。在数据智能相关技术支撑下， 通过构建信息透明和响应敏捷的库存管理体 系，可以确保各节点企业能够依据实时准确的 库存数据进行同步决策与行动。 云计算与物联网技术的发展为边缘端人工 智能的嵌入打下了基础，通过在平台云端连接 或将训练好的人工智能系统封装到硬件中等方 式，极大提高了边缘设备的智能感知能力，其 可以实时感知并收集供应链各环节的库存状态 并同步至云端平台，实现跨地域、跨组织的库 存信息同步与透明化，使得企业能够精准掌握 各个环节的物料消耗速度和产品储备情况，实 现精准补给；同时，借助先进的预测分析算法， 企业能够提前预估未来需求并自动触发相应的 补货指令，确保上下游合作伙伴在正确的时间 提供或接收正确的货物数量，从而实现供需平 衡，确保各环节库存水平既不因过高造成资金 占用，也不因过低导致缺货损失。如此，不仅 提升了单个企业的运营效率，而且强化了供应 链上各合作伙伴间的协同效应，使得整个链条 更加灵活且反应迅速，有效降低了整体运作成 本。例如，物产中大物流公司建设的“智慧仓 库”，通过在各个仓储中心部署先进的RFID标 签、智能传感器和自动识别系统，能够实时收 集并传输每个货品的进出库信息和库存数量， 当某一产品的库存量低于预设阈值时，智能库 存管理系统会自动触发补货流程，生成采购订 单并通知供应商，实现“采-发-补”的一体化 协作。 2.4 敏捷柔性制造 敏捷柔性制造实现了供应链生产制造从传 统静态和线性运作向实时互动与网络化协作的 转变，使得企业能快速调整生产计划和资源配 置，以满足需求和市场的变动，从而推动供应 链上下游企业间形成深度的同步响应机制。 首先，基于大数据分析，企业可以收集并 分析历史销售数据、市场趋势、消费者行为等 大量信息，运用机器学习和人工智能算法进行 精确的需求预测。这种精准预测能力有助于制 造商制定更准确的生产计划，并及时将计划同 步给供应链上的合作伙伴，如供应商、物流商 和分销商，从而实现从市场需求到生产执行的 快速响应与无缝对接；此外，数据驱动下的生 产调度系统，能够实时监控工厂内部各生产线 的状态，包括设备利用率、物料消耗速度和产 品质量等关键指标。一方面，通过分析生产设 备异常数据进行预测性报警，减少非计划停机 时间，保障了生产活动的持续稳定；另一方面， 基于这些实时数据，智能调度系统可以自动调 整生产节奏，合理调配资源，促进生产协同效 能的最大化。例如，在阿里巴巴犀牛工厂中， 不同的设备都有一套改装的智能导航“棋盘式 吊挂”系统，可监控各生产线的负载和健康状

📄 Page 10

5 数据智能在供应链协同中的应用研究 况，根据材料、款式、版型、工艺和交货日期 等生产信息，智能吊挂系统会自动将服装裁 片、半成品或成品挂在衣架上，生产专员只需 在远端制定好工序计划，智能吊挂便可同步实 现物料的精准传递。 2.5 风险识别与管控 在供应链中，一个环节的问题可能会对整 个供应链产生连锁反应，进而导致供应链的瘫 痪。因此，识别和减少潜在的风险，确保供应 链的稳定性和连续性，有效开展风险管理对于 供应链协同至关重要。 数据智能技术在风险识别与管控方面有 着重要作用。一方面，数据智能技术运用大数 据分析和机器学习算法，通过对历史交易记 录、供应商绩效、市场动态和政策法规变化等 多维度数据的深度挖掘，能够帮助企业提前发 现并预警供应链中的潜在风险点。例如，通过 监控供应商的历史交货表现、财务健康状况和 市场信誉评级，可以识别出可能影响供应稳定 性的高风险供应商。另一方面，借助机器学习 和人工智能等技术可构建风险评估模型，对不 同风险因素进行科学的权重分配和综合评估， 使企业能够全面迅速地掌握事件的影响范围 和严重程度。如此，企业便能够制定出更加精 准和有针对性的风险应对策略，从而确保供应 链的稳定运行，最大程度地降低风险带来的损 失。例如，京东物流超脑基于多模态大模型实 现实时交互，利用数据智能技术实现供应链风 险识别。通过收集并分析供应链中包括供应商 生产、物流运输、仓储、市场需求等在内的相 关数据，运用机器学习模型，超脑能够实现深 度学习并识别潜在风险，通过可视化报告快速 定位生产异常或物流延误等风险，从而即时预 警。此外，借助AI和大数据技术，物流超脑可 量化评估风险因素，提供针对性策略。 2.6 作业流程自动化 供应链各环节的实时沟通和协同，离不 开高效的信息传递。在供应链协同中，往往需 要跨多个信息系统进行协同操作，同时许多业 务工作都存在着一定的重复性，阻碍了信息传 递效率的提升。针对供应链中重复率高的业 务场景，流程机器人（RPA）作为一种典型的 数据智能技术，可以模拟人在计算机上的操作 行为，自动执行一系列设定的流程任务，例如 供应链业务中的系统录入、订单核对、财务对 账和自动开票等。通过预设的规则和算法，流 程机器人能够准确无误地在各个信息系统中 进行数据交换、信息更新和流程衔接，极大地 提升了工作的自动化水平。此外，通过视觉识 别技术，如光学字符识别（OCR）技术，可以 自动识别并提取纸质或电子文档中的关键信 息，如订单详情和客户信息等，从而实现了信 息的快速录入和处理。这些流程的自动化不仅 大大提高了员工的工作效率，也显著提高了数 据的准确性和处理速度。例如，壹沓科技通过 RPA+AI+iPaas 的综合性技术，打造供应链数 字机器人，从而赋能供应链企业实现业务超自 动化。在国际物流领域，壹沓数字机器人可实 现单证识别、订舱、报关、舱单和箱货追踪查 询等业务的自动化操作，通过 RPA 辅助装运 和订单管理实现实时订单交付状态和交货时 间报告。 3 数据智能赋能供应链协同的实现 机制 数据智能技术正深刻改变着供应链协同的 实践场景，通过赋能各个环节，实现了高效、

📄 Page 11

6 专题：数据智能 AI-VIEW  2024 年第 2期 图 1 数据智能赋能供应链协同的实现机制 精确和实时的协同。首先，从数据视角看，数 据智能以强大的算法学习和优化模型为基础， 使供应链具备了自主优化和决策的能力，通过 处理跨地域、环节和时间点的数据，促进了供 应链协同中智能同步决策的实现；其次，从平 台视角看，通过人工智能与边缘计算的融合， 数据智能提升了边缘设备的处理能力，推动了 数字平台向“云边智能”转型，打破了信息孤岛， 确保了信息的高效高质共享；最后，从机器视 角看，通过工业机器人的自动化和精确执行， 数据智能优化了劳动力结构，提升了劳动效率， 实现了供应链的实时交互和无缝响应，如图1 所示。 3.1 数据驱动赋能供应链协同实现智能同 步决策 数据智能技术基于数据驱动的认识、学习 和推理，正通过强大的算法学习和优化模型， 不断赋能供应链协同具备自我意识、自我优化 和自我决策的能力，帮助不同供应链网络节点 的企业高效处理来自不同地域、不同环节和不 同时间点的供应链数据，促进供应链协同实现 跨时空的智能同步决策。 数字化时代，数据已经成为一种核心的管 理资源，具备更高的价值与更深远的意义。数 据不仅可以记录和反映企业的运营状态，还可 以通过分析和挖掘，揭示出隐藏在背后的规律、 趋势和问题，为决策提供更加可靠的支持。因 此，以数据为基础的算法和大数据分析正在逐 步替代传统的管理手段和方法。以往以部分信 息（样本数据）为依据进行推理和判断的因果 思维模式，正在逐步转变成以大数据为依据的 因果思维模式 [16]。在此情景下，基于数据驱动 的认识、学习和推理，数据智能正赋予供应链 具有自我意识、自我优化和可自我决策的特点。 首先，在传统供应链管理中，决策过程常受人 工干预和信息延迟的困扰，导致效率低下和错 误频发。然而，数据智能技术的引入彻底改变 了这一局面。通过强大的数据处理和分析能力， 数据智能可以实时收集、整合和分析供应链各 环节的海量数据，揭示出数据背后的模式、趋 势及其相关性。在此基础上，人们只要通过定 义清晰的决策目标、约束条件和优化标准，便 可自动得出决策方案，从而消除以往因为牛鞭 数据智能 数据视角 平台视角 机器视角 基于数据驱动的认识、 学习和推理 高效处理来自不同地域、不同环节和不同时 间点的供应链数据，实现跨地域的智能 同步决策 减少人力黏性，提高工作效率，打破传统 工作模式下的时间和空间限制，保障企业 不间断实时响应 打破信息孤岛，实现信息的高效高质共享 数据驱动决策 平台“云边智能”升级 智能机器换人 基于人工智能与边缘 计算的交叉与融合 基于工业机器人的自动 化操作和精确执行任务 实现机制 供应链协同

📄 Page 12

数据智能在供应链协同中的应用研究 7 效应造成的信息延迟和依赖人工决策而造成的 决策滞后、效率慢与不统一等问题；更重要的 是，深度学习等技术的应用使得供应链具备了 从数据中学习的能力，人工智能可以不断学习 和分析人类的经验与决策，从而持续优化和改 进自身的算法和模型，使得企业在供应链协同 中面对海量数据和复杂运筹调度问题时，能够 作出准确的决策。 3.2 平台“云边智能”赋能供应链协同实 现信息高效高质共享 基于人工智能与边缘计算的交叉与融合， 数据智能正赋予边缘设备强大的数据处理能 力，进而提升数字平台“云边智能”能力，打破 信息孤岛，实现信息的高效高质共享。 供应链链路通常较长，业务角落离散等原 因不可避免地会导致大规模的连接扩展和数据 增长，使得集中式计算的弊端日益凸显，无法 满足万物互联应用场景的需要 [17]，阻碍了企业 服务向更深更细的场景延伸。而随着物联网、 机器学习等技术的不断发展，以及边缘人工智 能芯片的引入和应用，使边缘设备的数据处理 能力得到了显著提升，能够在本地处理密集型 的计算任务，逐渐满足了嵌入式人工智能的需 求，推动了平台“云边智能”的形成和发展 [18]， 进而推动信息智能挖掘和同步共享。首先，在 “云边智能”架构下，计算任务被分散到网络 边缘的设备或节点上执行，如智能终端和网关 等，其可将数据的初步分析和处理工作放在离 数据源头更近的边缘节点上。这种模式显著降 低了数据传输延迟，提高了实时性，使得供应 链各环节能够快速获取和响应关键信息，从而 实现高效的协同运作。同时，“云边智能”通 过云端的深度学习训练模型，可在边缘设备本 地运行模型并执行推断、分析和预测，从而将 算法算力深度下垂到边缘端 [4]，使得边缘设备 能够对数据进行智能化预处理操作，进而返回 高质量的数据。最后，“云边智能”通过提供 标准化的开放服务接口，可以支持不同设备、 系统，以及跨领域的异构系统的无缝接入和集 成。这一特性使得供应链中各种来源和格式的 信息能够统一转换、共享和交换，有效消除了 信息孤岛现象，提升了整个供应链系统的协同 效应。 3.3 智能机器换人促进供应链协同实时无 缝响应 数据智能技术通过工业机器人的自动化和 精确执行，可以打破时间和空间限制，实现供 应链协同的实时无缝响应。 在供应链的复杂网络中，作业的自动化 和精确执行不仅是提升效率的关键，也是确 保供应链稳定性、可靠性和响应速度的核心 要素。首先，在传统模式下，人力资源的有限 性和生理需求，往往导致供应链协同中工作 交流和任务执行的不稳定和间歇性。而工业 机器人的广泛应用，对供应链劳动力结构进 行了根本性优化与升级，劳动效率得到质的 提升。工业机器人通过预设的程序和算法，能 够全天候、不间断地自动执行各项任务。在这 种连续作业的模式下，传统工作模式中的时 间和空间限制被打破，使得供应链真正实现 了全天候和无间隙的协同作业。其次，与传统 的人力操作相比，工业机器人在执行任务时 具备更高的精准度和一致性。这种高度的精 确执行可以减少供应链各环节在衔接中人为 因素造成的错误和延误，使得各环节衔接更 加紧密，信息流动更为准确和畅通。通过实时 数据反馈和精确响应，工业机器人能够实现 与供应链中其他环节的实时交互，及时调整

📄 Page 13

8 专题：数据智能 AI-VIEW  2024 年第 2期 工作状态和任务分配，确保供应链的协同响 应效率达到最优。 4 促进数据智能在供应链协同中应用 的对策建议 4.1 建立数据标准化体系 供应链数据来源于多个环节和层面，其多 样性和异质性导致数据格式和标准差异明显， 对其进行整合分析难度较大。同时，不同记录 方式、编码和存储格式，以及信息系统和技术 平台的不兼容性也都增加了数据整合的难度。 而且，在实际操作中，供应链数据的准确性、 完整性和及时性通常难以保证，这些问题可能 源于人为错误、系统故障、数据采集不全或传 输丢失等，从而严重影响了数据智能分析的准 确性和有效性，甚至可能导致决策失误和运营 中断。此外，数据智能技术的应用存在“道德 洗白”和“机器洗白”等现象。例如，部分企业 利用对人工智能技术责任的公关宣传手段，转 移了公众的视线，以此掩盖或美化在技术实际 应用中所存在的不当行为和难题 [19]。因此，建 立统一的数据标准和管理体系，加强数据清洗、 校验和治理，确保数据及时性和一致性，对充 分发挥数据智能在供应链协同中的作用至关重 要。数据标准化体系可以帮助企业从海量供应 链数据中提取有价值的信息，为其供应链协同 中的决策优化和流程改进提供有力支持，进而 提升其整体运营效率和客户满意度。 4.2 筑牢数据安全防护网 海量原生数据是数据智能赋能供应链高效 协同的根本基础。然而，在当今数字化快速演 进的背景下，企业的业务活动往往涉及大量的 敏感数据和商业机密，如客户信息、产品配方、 生产工艺和定价策略等，企业可能出于数据隐 私和安全的顾虑，不愿与上下游企业进行信息 共享和系统互联互通，制约了供应链协同中数 据的获取、分析与共享。因此，应鼓励相关部 门和企业建立完善的数据安全保障体系，包括 数据加密、访问控制与安全审计等措施，对敏 感数据进行加密处理，确保数据在传输和存储 过程中的安全性。同时，实施严格的访问控制 策略，防止未经授权的人员访问和篡改数据。 此外，要定期进行数据安全审计和风险评估， 及时发现和修复潜在的数据安全漏洞。 4.3 提升平台数智能力 当前，许多企业的供应链协同平台仍然 相对传统和落后，智能化和协同化能力严重不 足。因此，需对企业的供应链协同平台进行全 面升级，使数据智能相关技术更好地融入到企 业的供应链协同应用场景中。为了促进数据智 能与供应链协同的深度交融，平台的数据处理 和分析能力需要得到根本性的提升。这就需要 企业深耕处于源头的数据智能技术，以物联 网、大数据和人工智能等新一代信息技术为坚 实底座，全面建设数字化和智能化的供应链协 同平台。通过部署数据智能技术，供应链协同 平台能够从庞大的数据流中精准提炼出有价值 的信息、模式和规律，进而优化整个供应链的 运作流程。这不仅增强了平台对市场动态的敏 锐感知，还使得企业能够更快速地响应用户需 求，预测市场趋势，提升平台的运营效率和服 务质量。 4.4 培养复合型人才 提升数据智能技术在供应链协同中的应用 水平，需要具备数据科学、供应链管理和信息 技术等多方面知识和技能的复合型人才。此类

📄 Page 14

数据智能在供应链协同中的应用研究 9 人才不仅要能够对复杂的数据进行深入分析， 还要能够理解供应链管理的核心要素，同时也 要掌握现代信息技术，以实现数据驱动的供应 链协同决策与优化。为此，企业应建立跨学科 和多层次的人才培养体系，结合数据科学、供 应链管理和信息技术的最新理论和实践，培养 具备全面知识和技能的复合型人才。同时，与 高校和研究机构建立紧密的合作关系，共同探 索供应链协同中的新问题、新挑战和新技术， 推动数据智能技术在供应链协同中的持续创新 和高效应用。通过这些途径，可以逐步培育和 壮大具备多学科知识和技能的复合型人才团 队，为提升数据智能技术在供应链协同中的应 用水平提供坚实的人才保障和智力支持。 5 结束语 数据智能技术已经在销售预测与计划协 同、物流运输调度、实时库存监控与补给、敏 捷柔性制造、风险识别与管控，以及作业流程 自动化等多个供应链协同的关键场景中得到 应用，为企业有效应对数字化时代供应链管理 不确定、不透明性和复杂性带来的挑战提供了 重要支撑。数据智能技术主要通过数据驱动决 策、赋能平台“云边智能”、智能机器换人三种 实现机制赋能供应链高效协同，使得供应链协 同展现出了智能同步决策、信息高效高质共享 和实时无缝响应等特点。同时，尽管数据智能 技术在供应链协同中已经取得了初步的应用 成果，但随着新兴信息技术的不断进步，生成 式人工智能、多模态数据处理与分析等技术快 速迭代演进，未来数据智能在供应链协同中的 应用仍有巨大的发展空间和应用潜力。此外， 随着国际局势不断紧张和贸易政策不断变化 等不确定性因素的增多与交互，供应链协同的 环境将日益复杂多变，供应链协同对数据智能 技术实时性、预测性和关联性的要求也会逐渐 提高。综合供应链管理中业务创新和应用场景 的发展方向，以及数据智能技术的迭代涌现趋 势，可通过建立数据标准体系、强化数据安全 防护、提升平台数智能力与培养复合型人才等 方式，有效发挥数据智能在供应链协同中的重 要支撑作用。 参考文献 [1] 李青原, 李昱, 章尹赛楠, 等. 企业数字化转型的信息溢出效 应—基于供应链视角的经验证据[J]. 中国工业经济, 2023(7): 142-159. [2] GAO J, GAO Y, GUAN T, et al. Inhibitory influence of supply chain digital transformation on bullwhip effect feedback difference[J]. Business Process Management Journal, 2024, 30(1): 135-157. [3] 安小风, 张旭梅, 张慧涛. 供应链知识共享的囚徒困境及经济 学的解决方法研究[J]. 管理世界, 2008(9): 182-183. [4] 陈金晓. 人工智能驱动供应链变革—平台重构、生态重塑 与优势重建[J]. 当代经济管理, 2023, 45(5): 50-63. [5] WU B, HU Y L, GU X Q. Achieving greater educational impact through data intelligence[M]. Singapore: World Scientific, 2020. [6] 王秉. 何为数据智能：定义与内涵[J]. 现代情报, 2023, 43(4): 11-16+76. [7] 吴俊杰, 刘冠男, 王静远, 等. 数据智能: 趋势与挑战[J]. 系统 工程理论与实践, 2020, 40(8): 2116-2149. [8] 陈国青, 曾大军, 卫强, 等. 大数据环境下的决策范式转变与使 能创新[J]. 管理世界, 2020, 36(2): 95-105+220. [9] HEYDARI J, GOVINDAN K, BASIRI Z. Balancing price and green quality in presence of consumer environmental awareness: a green supply chain coordination approach[J]. International Journal of Production Research, 2020: 1-19. [10] CAO M, ZHANG Q Y. Supply chain collaboration: i m p a c t o n c o l l a b o r a t i v e a d v a n t a g e a n d f i r m performance[J]. Journal of Operations Management, 2011, 29(3): 163-180. [11] 贺金霞. 基于关系管理的供应链协同关键要素识别与分析[J]. 商业经济研究, 2019(24): 32-35. [12] 王启鹏, 李泰霖, 龚业, 等. 制造业链主企业数字化供应链协 同管理应用[J]. 价值工程, 2024, 43(2): 89-91. [13] 郭俊岑. 电子商务的供应链和销售链协同策略研究[J]. 中国 市场, 2020(3): 165-166. [14] 邹筱, 庞天赐, 张晓宁. 系统动力学下易腐产品协同共享库存 管理模式建模与仿真[J]. 技术与市场, 2023, 30(3): 140-143. [15] 徐明. 多式联运供应链金融的协调与协同优化[J]. 中国外资, 2021(22): 94-95.

📄 Page 15

10 专题：数据智能 AI-VIEW  2024 年第 2期 [16] 何大安. 大数据时代厂商决策的数据智能化[J]. 浙江社会科 学, 2020(4): 18-26+155-156. [17] ALNOMAN A, SHARMA S K, EJAZ W, et al. Emerging edge computing technologies for distributed IoT systems[J]. IEEE Network, 2019, 33(6): 140-147. [18] DAI W B, NISHI H, VYATKIN V, et al. Industrial edge computing: enabling embedded intelligence[J]. IEEE Industrial Electronics Magazine, 2019, 13(4): 48-56. [19] SEELE P, SCHULTZ M D. From greenwashing to machinewashing: a model and future directions derived from reasoning by analogy[J]. Journal of Business Ethics, 2022, 178(4): 1063-1089. 男，杭州电子科技大学创新与发展研究院教授，博导。研究方向为创新管理与战略管理。王核成 男，杭州电子科技大学创新与发展研究院硕士研究生在读。研究方向为供应链管理。 通信作者 email：18767828722@163.com 刘侣麟 男，杭州电子科技大学创新与发展研究院助理研究员。研究方向为创新管理与战略管理。谷彦章 男，物产中大集团数字总监，物产中大数字科技有限公司执行董事，总经理。研究方向为信息化与数字化。胡 健 男，物产中大数字科技有限公司副总经理。研究方向为信息化与数字化。何军炎 男，物产中大数字科技有限公司业务部部长。研究方向为信息化与数字化。 王成中 作者简介

📄 Page 16

11 0 引言 人工智能（AI）正不断重塑我们的生活和 工作方式 [1,2]。在众多AI技术中，大型语言模 型（Large Language Model，LLM）、 大 型 多 模 态 模 型（Large Multimodal Model， LMM） 和 生 成 式AI（Generative AI， GenAI）尤为引人注目。它们不仅改变了人们 与机器的交互方式，还为整个生态系统带来了 前所未有的变革。LLM和LMM作为强大的 自然语言或多模态数据的大型深度学习模型， 已经成为了GenAI的核心技术之一，从而为 GenAI提供了强大的语言和多模态数据处理 能力。在这一技术的应用和发展中，ChatGPT 的出现是关键里程碑 [3]，将GenAI的潜力推向 了新的高度，彻底改变了人机交互方式 [4]，对 各领域的未来研究方式与商业模式的发展导向 带来了颠覆性变革 [5-7]。 由 于 以 ChatGPT 为 代 表 的 GenAI 应 用 在过去一年里大量出现并快速发展，人们的 生成式 AI 重塑数字生态系统： 以 ChatGPT 为案例 □文 / 杨雪 1，潘朗暄 1，应文池 2*，张力 3 （1. 华北水利水电大学 管理与经济学院，郑州 450046；2. 北京交通大学 经济管理学院，北京 100091； 3. 新华三集团有限公司，杭州 310051） 摘要：以 ChatGPT 为代表的生成式 AI（GenAI）应用正在引领数据智能的生态系统变革。本 文以 ChatGPT 为研究对象,聚焦 OpenAI、微软公司及其合作伙伴与用户在数据智能应用领 域的联合创新与商业行动,分别从数字平台、供给侧、需求侧三个层面对数据智能应用（以 ChatGPT 为例）与传统应用进行对比,论证其异同点。基于生态系统理论深度分析 ChatGPT 数据智能应用对数字生态系统带来的转型和影响,进而提出基于 ChatGPT 的“以人为本”操 作系统及其生态系统。研究成果能够补充和丰富人工智能应用和生态系统战略的相关理论文 献,并为 GenAI 的技术创新和商业应用提供实践参考。 关键词：ChatGPT;生成式 AI（GenAI）;数据智能;大模型;数字生态系统 中图分类号：TP18 文献标志码：A 文章编号：2096-5036(2024)02-0011-09 DOI：10.16453/j.2096-5036.202413 基金项目：国家自然科学基金项目（71573086）；华北水利水电大学研究生创新课题项目（NCWUYC-202315039） 生成式 AI 重塑数字生态系统：以 ChatGPT 为案例

📄 Page 17

专题：数据智能 AI-VIEW  2024 年第 2期 12 注 意 力 都 被 它 们 展 现 出 来 的 能 力 所 吸 引， 也都在探讨企业甚至国家如何研发 LLM、 LMM 和 GenAI 应 用。然 而，作 为 影 响 未 来 的关键核心技术，其创新、研发和发展离不开 健康可持续的技术生态系统和商业生态系统 提供支持和资源。 因此，本文以生态系统理论为视角，深度 观察ChatGPT的技术生态与商业生态的发展、 应用和影响。通过分析型归纳的方式，梳理出 基于ChatGPT的数字生态系统结构。研究成果 能够补充和丰富以ChatGPT为代表的GenAI 技术创新战略和生态系统战略的理论文献，并 对GenAI技术创新和商业应用具有实践意义。 1 研究背景与理论基础 1.1 ChatGPT： 从GPT-3到GPTs， 从 LLM到LMM G P T （ G e n e r a t i v e P r e - t r a i n e d Transformer）是由OpenAI团队研发的一种 基于Transformer架构的自然语言处理模型， 发展历程可以追溯到2018年OpenAI发布的 初代GPT模型。从GPT-3到GPT-4，OpenAI 不断提升模型的参数规模和训练数据量，各代 GPT主要产品的相关信息整理如表1所示。 不同阶段的GPT模型可被划分为：大型语 言模型（LLM）（如GPT-1~GPT 3.5）和大型 多模态模型（LLM）（如GPT-4）。其中，LLM 是一种能够预测或生成语言的AI模型，并用于 问答、文本生成、情感分析等多种任务情境。 大型多模态模型LMM与LLM相比，不仅可 以理解并生成人类语言，还可以理解并生成其 他形式的数据，能够产出图像的GPT-4就是 LMM的代表模型。综合而言，LLM与LMM 都是实现GenAI的方式。以ChatGPT为例， GenAI应用中的概念关系如图1所示。 ChatGPT以平台的形式出现，标志着人 工智能从数据理解向数据生成的转变，实现了 从机器感知到机器认知与创造的跨越。 1.2 生态系统理论基础 生态系统理论最先引入管理学研究是聚 焦于商业生态系统（Business Ecosystems）。 商业生态系统是指一个由不同参与者（如供应 商、分销商、竞争者、政府机构等）组成的网络， 它们在交付特定产品或服务的过程中通过竞争 表 1 GPT 系列主要产品时间线 注：表格信息来源自OpenAI 官网（https://help.openai.com/en/articles/6825453-chatgpt-release-notes） 及作者整理。 事件 日期 相关信息 GPT-3 模型发布 2019 年 6 月 10 日 第三代的语言模型，代表了自然语言处理技术的一大飞跃。 GPT-3.5 发布 2022 年 11 月 在 GPT-3 的基础上进行优化和改进，提高了文本理解和生成 的能力。 GPT-4 在 ChatGPT 中的发布 2023 年 3 月 14 日 ChatGPT Plus 用户首次引入 GPT-4 模型，提供增强功能。 插件（plugin）的引入 2023 年 3 月 23 日 开始实验性支持 AI 插件，包括网络浏览器、代码解释器和第 三方插件。 GPTs 的引入 2023 年 11 月 6 日 为创建和共享引入了名为 GPTs 的 ChatGPT 自定义版本。 Turbo 发布 2023 年 11 月 6 日 GPT-4 Turbo 性能更强，具有截至 2023 年 4 月的世界常识知 识。能够比 GPT-4 在输入 Token 上便宜 3 倍、输出 Token 上便宜 2 倍的价格提供 GPT-4 Turbo。

📄 Page 18

生成式 AI 重塑数字生态系统：以 ChatGPT 为案例 13 图 1 ChatGPT 中的概念关系 和合作互动 [8]。技术生态系统（Technology Ecosystems）也被称为产业生态系统，以平台 作为协调轨迹 [9]，强调创新和外部性利益作为 主要的价值来源，参与者共生以互补和创新驱 动经济。随着数字化的发展，商业生态系统和 技术生态系统的概念已经扩展并融合到数字生 态系统 [10]。数字生态系统依靠技术平台或一组 可互操作的平台，允许不同的软件应用、服务、 数据和商业模式共存。其特征是数字技术提供 的高度连接性、开放标准和分散控制 [11]。因此， 微软公司基于Windows操作系统建立起典型 的数字生态系统 [11]。 同时，生态系统理论包括三个基本特征： 价值逻辑、参与者共生和制度稳定性 [12]。相比 于价值链是围绕着一种产品或服务提供的各个 环节参与者组成的体系，生态系统则是围绕着 一种价值主张的利益相关者组成的体系 [11]。随 着ChatGPT的出现，微软公司开始投资并大 力支持OpenAI在GenAI方面的创新，并促进 ChatGPT生态与Windows生态相融合，促进 更多的合作伙伴能在ChatGPT生态中受益， 进一步体现了OpenAI和微软公司在构建数字 生态系统中的战略与布局。因此，生态系统理 论非常适合作为理论视角用于研究ChatGPT 的数字生态系统，揭示OpenAI与微软公司如 何发展以ChatGPT为代表的GenAI，以重塑 数字生态系统。 2 以 ChatGPT 为代表的 GenAI 数字 生态 在数字科技的发展过程中，“操作系统 （Operating System，OS）每20年一周期” 这一经典理论正在得到新一轮的验证。从第 一代交互方式命令行界面（Command-Line Interface，CLI）到第二代交互方式图形用户 界 面（Graphic User Interface，GUI）， 再 到如今以ChatGPT为代表的第三代交互方式 “自然用户界面（Natural User Interface， NUI）”。每一代人机交互（Human-Computer Interaction, HCI）方式的迭代都诞生了新的 全球巨头，并深刻影响着全球商业版图的形成。 2.1 数字平台：GenAI与传统操作系统 融合的以人为本操作系统（HOOS） 操作系统—微软的Windows、苹果的 iOS和谷歌的Android等—作为一类具有 双边市场特征的特殊软件平台，连接着应用程 升级 大模型 GPT-1~GPT-3.5 GPT-4 升级 大模型平台实例 GenAI应用 模型使用 不同类型的向量 数据库 Diverse Vector Database 模型训练 （嵌入） （外挂） 大型语言模型 LLM 大型多模态模型 LMM 图1 ChatGPT中的概念关系

📄 Page 19

14 专题：数据智能 AI-VIEW  2024 年第 2期 序开发商和终端用户 [13]，形成了以操作系统 平台为核心的生态系统 [14]。Windows操作系 统作为第二代交互方式GUI的代表，属于传 统的视窗操作系统，即以多任务人机互操作的 方式实现人机交互。相比之下，ChatGPT以 人类通用语言为载体，无需翻译成机器语言， 使得人机交互过程更加简单直接，并突出以人 为中心，而非以机器为中心，改变了生产活动 中人类的地位及其关系，能够兼顾标准化、 规模化、流程化、人性化地帮助用户完成任 务。因此，ChatGPT被认为展示了GenAI具 有构建“以人为本的操作系统”的潜力，或者 一种类似于操作系统的新型数字平台 [15]。以 ChatGPT为代表的GenAI的以人为本操作系 统（Human-oriented Operating System， HOOS）与以Windows为代表的传统操作系 统的异同点如表2所示。 本文定义的以人为本的操作系统是生成式 AI数字生态系统的核心。GenAI-HOOS是一 种强调以人的需求和体验为核心设计和实现的 操作系统 [16]。基于ChatGPT的案例分析，本 文进一步将HOOS定义为GenAI基础应用（如 ChatGPT）与操作系统平台（如Windows操 作系统）相融合后形成的新型操作系统。 一方面，通过跨传统操作系统平台，整合 各种数据、算法和计算能力，支持建立由灵活 模块组成的人机交互平台；另一方面，通过进 一步提升对声音和肢体语言等非语言线索的理 解能力，更好地理解用户想法，更有效地与人 互动。微软公司洞察到HOOS作为未来操作 表 2 ChatGPT 与传统操作系统的异同对比 ChatGPT：GenAI 的 HOOS 操作系统 Windows：传统的操作系统 不同点 设计用途与依据 基于向量数据库训练出的大语言模型代表产 品。主要用于自然语言处理任务，能够提供 多学科的基础知识。基于用户的需求和使用 行为模式设计，降低用户的学习门槛。 用于管理计算机硬件和软件资源的产品， 提供用户界面以及软件运行环境。更多 地基于计算机科学的原则和实践进行设 计。旨在提供稳定、高效的计算环境。 交互方式 可以通过语音 / 文本 / 图像等自然用户界面 进行交互，更强调用户体验（如用户界面的 易用性、个性化等），能够主动完成人类命 令工作的补充与延伸。 主要通过图形用户界面（GUI）和一些 文本命令进行交互，无法像人类一样思 考，也不会在命令基础上完成拓展工作。 扩展性 可以通过训练更大的模型，使用更多的训练 数据，或者改进模型架构来提高性能。 可以通过添加新的硬件，安装新的驱动， 或者更新操作系统以提高性能。 适用性 可以通过接入 API 接口嵌入到各种应用中， 如应用程序、客服机器人等。由于其丰富的 语料库及优秀自然语言处理能力，可被广泛 用于各种语言的环境，受众群体广泛。 适用于各种电子设备，如个人电脑、服 务器等。目前，已有多种语言适配系统， 但底层逻辑仍主要面向以英语为主要语 言的用户。如重装系统时对于一些非英 语母语的用户就会面临困难。 依赖性 需要大量的计算资源和（优质的）数据加以 训练，研发成本巨大，运营成本也较高。 依赖于具体的硬件设备，例如CPU、硬盘、 内存等。 现存不足 对复杂人类语境的理解能力有限，可能无法 准确把握情绪、讽刺或特定文化背景的细微 差别；知识库更新有限，无法获取训练之后 发生的事件信息。 可能存在硬件和软件的兼容性问题，可 能导致系统崩溃、性能下降或软件无法 运行；安全性仍有待提升，常成为黑客 和病毒攻击的主要目标。 相同点 系统管理 均需要管理计算机的硬件和软件资源，如内存、磁盘、CPU 等。 文件系统 均需要提供文件系统，以便用户存储、访问、管理文件。 安全保障 均需要提供安全性保障，如数据保护、用户权限管理等。 网络功能 均需要提供网络功能，以支持网络连接和数据通信。

📄 Page 20

15 生成式 AI 重塑数字生态系统：以 ChatGPT 为案例 系统的发展方向，并与OpenAI公司在以人为 本的价值主张方面达成共识。由此，双方建立 了较为平等互惠的投资与合作关系，实现了以 ChatGPT与Windows为代表的传统操作系统 的融合形成新型的HOOS。 2.2 供给侧：应用程序（库）与跨平台 相 较 于GPT-3.5之 前 的 版 本，GPT-4提 供了插件（Plugins）及GPTs。可将它们视为 ChatGPT的“眼睛和耳朵”， 通过引入应用 系统，用户可以按照需求安装和使用不同的 插件，或者亲自构建自己的GPTs应用，以扩 展ChatGPT的功能和场景应用能力。因此， ChatGPT的插件和GPTs应用能够帮助用户完 成各类“听说读写”等操作。相较于微软的应 用程序库或苹果的App Store，ChatGPT在独 立应用的基础上与已有的操作系统融合，能够 实现跨平台和跨应用的对接。 ChatGPT（GPT-4版本）提供了两类插件 系统（应用程序库）：原生插件系统（Native Plugins）系 统 和 第 三 方 插 件（Third-party Plugins）系统。其中，原生插件系统以自主 托管形式存在，由OpenAI直接提供。该类插 件与ChatGPT无缝衔接，可在ChatGPT界面 中直接使用。同时，第三方插件系统则通过作 为ChatGPT“外挂”的方式被使用。此外， 第三方插件中还有一类特殊插件—连接型插 件。不论是微软的应用程序库或是苹果的App Store，不同应用程序之间互操作一直是个难 题。相比之下，ChatGPT的连接型插件为人 们提供了一种全新的智能连接方式，即将这些 看似独立的应用串联起来，实现了集成，即将 不同的软件或功能组合起来以实现共同的目 标（例如“Zapier”插件，用户可通过该插件 将ChatGPT直接连接到五千多个其他应用程 序）。这种方式使得ChatGPT的功能可以灵活 扩展，而不必在其主体部分添加大量应用代码。 可见，各种工具、应用程序都能因ChatGPT的 嵌入、集成和连接等能力实现重构和整合，从 而赋能和重塑各行各业中的数字化应用。 更 重 要 的 是，OpenAI 于 2023 年 11 月 推 出 了 GPTs Actions— 一 种 让 使 用 者 能 够 量 身 打 造 自 己 的 AI 助 理（ChatGPT 应 用 程 序）的 工 具，并 且 只 需 要 通 过 GPT Builder（GPTs 创 建 器）通 过 无 代 码 方 式 进 行 创 建。截 至 本 文 投 稿，OpenAI 正 在 通过 GPTs Actions 逐步扩展、改进甚至替 代 插 件。然 而，OpenAI 的 目 的 在 于 增 强 ChatGPT 的 应 用 能 力 和 生 态 系 统，使 其 能 够处理更多样化的任务和应用场景。因此， 从生态系统角度不再赘述二者差异。 ChatGPT应用程序（库）与传统的应用程 序库的对比如表3所示。 2.3 需求侧：用户使用和创作参与 ChatGPT 的 用 户 能 够 无 差 别 地 使 用 ChatGPT 提 供 的 默 认 功 能。 同 时， ChatGPT 提供了 APIs 和各种开发支持，让 用户也可以参与到 ChatGPT 的应用开发中。 然 而，由 于 GenAI 对 于 人 们 而 言 还 是 新 鲜 事物，有一定的入门、使用和技术门槛，可 以将 ChatGPT 初级发展阶段的使用者区分 为掌握一定程度的 GenAI 专业技能的专业 用 户（Domain-specific users）和 大 量 没 有 GenAI 专 业 技 能 的 长 尾 用 户（Long-tail users）。这两类用户在使用 ChatGPT 时会 表现出不同的行为逻辑。 对于长尾用户，他们多数“用而不思”，即 他们对技术的依赖更多体现在直接使用上，不 追求深入地理解和批判性思维。由于ChatGPT