——在2025年（第二十四次）中国物流学术年会上的演讲（摘要）

天津大学运营与供应链管理系主任、讲席教授、博士生导师、中国物流学会兼职副会长 刘伟华

2025年11月29日 湖北·武汉

今天我给大家分享的是我们发表在《供应链管理》期刊的文章，由我和李俊峰、黄颖、华国伟、李果、陈金亮、吴华敏、傅海威共同完成的，是关于人工智能怎么样推动物流与供应链科研方法转型的学术文章。

为什么要研究这篇文章？俊峰主任给了非常好的诠释，今天我们已经开启了一个新的时代，从第一次工业革命到第四次工业革命，我们会发现，每一次技术进步都会催生商业模式的变革，而商业模式的变革，又必然驱动科研范式与管理模式的创新。

从传统的工具迈向智能的工具，从过去传统的决策到今天又迈向了智慧的决策，在这个过程中我们正面临着工具革命和决策革命的双重转型。

从科学研究的范式演进来看，最初的经验科学以观察和实践为核心驱动，像《本草纲目》的编撰、神农尝百草的实践，都属于典型的经验科学范畴。此后，科研范式逐步发展为理论科学、计算科学，再到大数据驱动的数据科学；而如今，我们正迈入第五种范式——AI for Science，一个人机共生的全新时代。

AI在物流与供应链中的应用有非常多的潜力，传统的科研范式在应对供应链高度复杂性问题的时候总是面临着效率低下和能力受限的短板。未来，随着第五研究范式的转型会使得我们科研范式发生很深刻的变化。目前，已有众多企业开始布局并应用AI 技术推动自身发展，正如刚才王所长所分享的，该领域内不少企业都已投身于这场转型浪潮之中。

今年，上海科学智能研究院联合复旦大学和施普林格·自然（SpringerNature）旗下的自然科研智讯，面向全球发布了《科学智能白皮书2025》，这个报告依托2015-2024年全球科学智能领域的多源大数据，深入剖析了AI跟科学研究深度融合的全新趋势。这个趋势里面有两个非常重要的热点，第一个是AI驱动的科学研究正在加快科学发现，包括在一些生物医药、数据、气象等领域用AI驱动科学的创新。另外一方面，以科学基础理论和层出不穷的科学突破也推动AI底层技术和架构的不断创新，Open AI不断在推陈出新，DeepSeek等也是在加快底层技术的创新。

我们梳理了2015-2024年AI相关出版物的总量与构成情况。数据显示，工程科学、人文与社会科学领域的相关成果占比极高，而在AI出版物的整体格局中，物流领域的管理与工程方向也呈现出显著的发展趋势。

从全球的趋势来看，2015-2024年期间，人工智能出版物的国家中，中国占了非常大的比例，整个比例占到全球的29%。这样的趋势也告诉我们，在AI驱动科研范式的新时代已经到来了。

刚才俊峰主任介绍了教育部教师队伍建设专家指导委员会在11月28号正式发布了《教师生成式人工智能应用指引（第一版）》，希望各位老师能够关注关于AI的应用，对我们有非常重要的启发。其中特别提到了我们要加快场景创新，也要助力新的变革，包括学习变革、教学提质、育人进阶、评价增效、管理升级、研究创新。特别是在研究创新里面提到了很多的我们可以使用AI的范畴，比如辅助文件综述、选题设计、研究脉络、创新方向、研究路径等等，这也是教育部专门发文所提出来的，要驱动老师在这样的领域里加快创新。

讲讲目前传统的科研方法的现状与局限。

在物流与供应链管理和工程领域的研究中经常会采用一些方法，比如案例研究法，案例研究法样本量很少，普适性不足，主观依赖性很强。另外执行和复现的难度非常高。

除此之外还有系统仿真方法，它也有一些优势和缺陷，局限就在于优化的功能缺失，因为仿真模型不具备自动寻优的能力，而且调参存在一定的困难。还有建模偏差会导致仿真的结果全部失效，这是仿真方法的缺陷。

运筹优化也是一个主流趋势，很多时候模型的假设和现实往往脱节，而且往往模型假设你必须要比较精简，但是一精简之后，你会发现跟实际情况有很大的差异，还有一些数据的范围有限，我不能够去做大规模的数据，所以导致我们运筹的结果只能做参考，但是不能作为决策和判断的有效的依据。

未来AI技术与科研范式要进行融合，在范式转变上应该怎么做呢？

第一，AI赋能物流与供应链案例研究，比如用大语言模型和知识图谱从非结构化文本中快速提取相关信息，另外也可以通过关联多源知识结构进行全局化分析，这样推动的是一些研究范式的转变，从过去事后经验的洞察到实时洞察的转变，是能够有效提升我们研究的时效性、客观性和覆盖的范围。

第二，AI融合系统仿真，比如用机器学习为仿真模型提供强大的支撑，同时我们也可以把智能算法直接嵌入，仿真真实的情景，另外我们应用的价值也可以从传统的模拟到优化的质变，我们能够有效去推动系统仿真的效果，这也是很全新的趋势。

第三，AI驱动数据分析与优化，像机器学习、深度学习、强化学习、大语言模型，这些新的趋势也是给科学研究中提供很强大的数据范畴。

在这篇文章里面我们也梳理了AI融合科研的典型案例。首先，基于库存模型优化研究。如果引入AI，我们会发现库存研究会更有效果。研究者经常研究库存模型，但是传统的方法往往陷入局部优化的困境，难以获得全局的最优解。但是如果我们要使用深度学习强化来推动捕获，尤其是一些以平台为核心的大规模库存，它的效果可能会更优。第二，智能配送的仿真。大家知道大规模仿真求解的时候，仿真平台怎么样基于AI的算法去寻找最优解，这也是非常重要的。国内的京东利用数字孪生的平台去推动大规模AI数据的求解，这个也先后斩获非常多的科学奖项。第三，AI辅助供应链决策分析。像车企在全球有非常多的供应链，它有很多的供应商，这个时候它的风险可视化的监测，怎么样基于知识图谱和智能事件来检查AI驱动的风险管控，现在也有不少的企业都在强调怎么样用AI来推动供应链决策的提升。

AI工具和平台方面也有一些，简单跟大家说一下。

第一个是仿真工具，这是一个基础，包括AnyLogic、Simio、Flexsim等等最传统的。还有数据分析与机器学习的工具，这个可以给学者在进行研究的时候提供非常重要的参考。还有比如大语言模型与应用开发，包括新的一些框架，包括怎么样去推动AI的助手。刚才俊峰主任提到的中物灵镜里面有非常多的案例库，也是有效的工具。

面向AI的物流与供应链研究实施的路径要分九个阶段。首先从选题和定义来看，聚焦的是问题导向，要识别场景，特别是AI可以创造增量价值的场景。第二个是文献调研，AI驱动文献调研，这是非常高效的工具，但是这里面的精度可能会受到AI底层知识库的影响。第三个是模型的构建，在模型构建里面要规划AI融合的路径，包括具体的一些技术方案等等。第四个是数据收集与处理，会涉及到多源的数据，还有预处理的过程，这也是AI很重要的方面。后面就是AI技术集成研发，包含怎么样通过大规模用AI进行求解，获得有效的准确的结果。还有训练、仿真、评价优化，最后还有论文发表等等，我们作为科研工作人员来说需要去提升、去规范、去实现可复现。还有一点就是开源代码，这也是非常重要的方面。

这里展示一下，国内有些期刊已经对AI的使用提出了很重要的参考，比如说《数量经济技术经济研究》这个杂志明确提出了对AI使用规范，包含选题、数据处理、模型设计、文章写作等等，大家在撰写的时候要参考杂志社基本的要求。

他们也特别提到外审的专家不得将审稿论文上传到公开的AI平台，也不能使用AI审稿并撰写外审意见，这是对学术规范提出了新的要求。

《中国社会科学》杂志是四大顶刊之一，也对生成式AI的使用提出了很高的要求，这里提到比如有些关于AI的稿件，还有它认为AI怎么去用，强调仅限于语言润色、文献检索、数据整理等非核心环节。目前大多数国内的期刊还是持着相对比较谨慎的态度，但是随着AI的驱动，未来更多的期刊会接受基于AI工具去探索的科研成果。这也是《中国社会科学》提出来的一些其他建议，大家可以做一些参考。

对于未来的趋势展望提点个人的建议。

第一个是前沿技术。前沿技术对于科研人员来说是非常重要的，数字孪生、生成式AI等一些新的技术，帮助我们更多地去解决物流与供应链中非常前沿的学术性的问题，给我们的科研人员提供更好的帮助。

第二个是在团队建设上也需要推动知识体系的创新。比如知识的更新、团队的建设、产学研的合作、平台的建设，都需要围绕AI去进行进一步的推广和驱动，只有这样我们才能够响应时代的变化。

对于环境角度来讲，学校和学院也应该为教师的能力建设和团队的建设提供必要的支持。天津大学上半年就开始鼓励所有的老师要去接AI的课程，我自己接了两门AI课程，过去出一份卷子可能需要三天时间，现在出一套卷子只需要1分钟时间，非常迅速，可能学校和学院是需要我们驱动AI的提升。第二个，我们也需要有一些激励机制，特别是基于AI产生的一些新的成果怎么样去认可、评价，这也是很重要的问题。当然我们在指导学生的时候也要注意鼓励学生慎用AI和选用AI，这样能够帮助他们建立一些必要的伦理知识、意识和社会责任的培养，使得学生能够在掌握AI工具的同时做得会更好。

最后的结论，我们处在一个变化的时代，我们需要对物流与供应链外部的环境变化保持敏感和好奇心，当然我们还需要掌握更多的技术工具，我们还需要在专业领域外做跨专业的交流，特别是与信息技术要进一步衔接，最后还需要拥抱开源共享，要做更有价值和更有意义的创新研究。

以上就是我对这个话题的简要分享，再次感谢中国物流学会给我提供的机会，给大家分享我们团队一起撰写的这篇文章，欢迎大家批评指正，谢谢大家。

（根据速记整理，转载请注明作者和来源中国物流学会。）