导语

本文作者是编辑部特约撰稿人，曾就职于国际快递公司，担任供应链分析与管理工作，期间游历于各大物流企业与货主企业，学习企业经营理念，并将其融会贯通，自创一派，尔后担任各大企业供应链物流顾问工作，对中国台湾地区物流发展有先进独特的眼光，总是能够洞烛机先，布局未来。近年来，在研究与实践中，不断提出科技趋势与产业创新发展策略，希望能为供应链产业注入活水。

Chat Generative Pre-trained Transformer，简称ChatGPT，它的出现为各行各业都带来颠覆性做法，其重要性不亚于工业革命时期出现的蒸汽机。ChatGPT是一个大型语言模型，擅长理解语意内容，例如提供一段文章，可要求ChatGPT写出该文章的摘要重点，或是针对文章内容做出Q&A。

ChatGPT3.5于2022年11月推出，当时最多只支持2,048个字符（专业术语称为token）做为输入，也就是说要向ChatGPT提问，必须把问题精简到2,048个字符以内。2023年3月，ChatGPT4推出，可支持8,192个字符输入；同年八月，ChatGPT企业版正式推出，基本上功能类似前版，但原始资料输入可达32,768个字符。

在自然语言处理（NLP）的术语中，token是指语句内有意义的最小单位，可以是一个单词、一个英文字母、甚至是一个标点符号，取决于上下文和使用的分词方法。举例来说“ChatGPT is‘great’”，这句话包含5个token，其中标点符号也算；而“你好吗Jack”是4个token。

目前新版的ChatGPT4无法通过交谈界面直接分析照片、声音、影像这些多媒体资料，也无法直接绘图（如简单的二维图形），毕竟ChatGPT的核心就是语言模型，可分析使用者的语意，并做出适切回答。不过，网络上已出现多个外挂程序，可使ChatGPT4的应用面扩大，除了绘图、分析照片内容，也可与数据库直接连接，做出实时查询的效果，例如根据最新的物流绩效指标，画出排名前十名的折线图。注：以下为部分测试结果，并非实际依照物流绩效指标排名。

 

现阶段使用上，仍会有部分问题，例如解析PDF内的文字无法完全正确，或是连简单的统计都会算错，在整个过程中，ChatGPT大约能做到80分，还无法达到100分的解答。此外，要提供ChatGPT资料处理，最好先将资料自行做精简。理论上ChatGPT当然都可读入，但是会花费更多时间，而且容易出现错误解读。

举例来说，我们希望ChatGPT画出物流中心内每个人最近一周的拣货工作效率，那么，只需在XLS提供计算上必要的栏位即可，千万不要把无关的栏位也抛入ChatGPT内。因为数据过长时，ChatGPT还需要分次载入，徒然浪费时间。

 

大概在五年前，AI基本上是大型企业才玩得起的，因为要造出AI模型必须有很好的算法、硬件及大数据；ChatGPT的出现让一般企业、一般人通过自己的计算机，简单的数据输入，就可得到不错的结果。ChatGPT就好像一个刚毕业的大学生，具备包括数学、物理、化学、逻辑等基础知识，接下来的深入应用，可以由各企业带领这个大学生做特殊行业的调适。

针对ChatGPT，我们基本的结论是：AI正式开始迈入低价、普及的时代，如果不知道怎么应用AI，将会很快被淘汰；而善用AI的企业，可以使自己犯的错越来越少，作业过程越来越有效率。

对物流与供应链管理来说，拣货、包装、运输配送、逆物流这些日常活动，甚至员工教育训练、日常5S的落实、IoT数据的整合分析，ChatGPT都已可提供初步的辅助，特别是文件处理。我们刚刚提到，ChatGPT才刚从大学毕业，因此现阶段不要期待ChatGPT做事达到完美水平。但是过不了多久，ChatGPT很可能主导生活的一切，例如消费者可以直接与ChatGPT交谈进行线上购物，ChatGPT会自动帮我们找到最划算，且购物赠点最多、到货时间最短的交易店家。

 

以下我们就常见的物流情境，看看ChatGPT的表现，最后则是提供一些测试案例，让大家了解ChatGPT实际操作，应该如何正确问问题，以及产生的结果。

案例：ISO文件理解与快速Q&A

随着物流企业越来越成熟，相关ISO典章制度也会越来越多，包括环保、资安、企业社会责任、温室气体等制度与表单正快速累积，然而这些典章制度，不论对新进员工还是老员工而言，都会有很大的学习障碍，因为文件实在太多了。

举例来说，公司在五年前对于危险品的保存、报废、库存、运输方式等都做了规范，但是近期因应ESG的需求做了新的调整，新人需要知道新的规定，而老员工则需要知道新、旧做法的差异；甚至许多时候，新人一开始到公司并不知道要怎么问问题，如果这时要新人自己去看SOP文件，又是旷日废时，因为新人根本不知道要读哪一个版本的ISO文件，而且新人通常都是遇到了问题，才知道要问什么问题。

对ChatGPT而言，只须把公司历年所有ISO文件都整理到指定目录，ChatGPT就可自动分析，因此可以专门针对公司自己的典章制度进行回答，举例来说：

1.危险品应该放置哪个储区、储位，摆放时有哪些数量限制；

2.堆高机每个月必须做哪些定期点检，检查的方式为何；

3.贵重品要怎么报废，如何填表单；

4.要请假应该怎么填假单，要附上那些证明文件。

这些问题通过ChatGPT的交谈界面，已可以产生图文并茂的解释，不过如前面所提，现阶段要做到图文并茂，必须加入外挂程序，单独使用ChatGPT还做不到。利用ChatGPT可预先读取所有公司的ISO文件，新人则可利用Q&A方式快速与ChatGPT交谈。

 

案例：报表处理与预测

公司高阶主管可能随时想知道相关经营绩效、或是实时的物流讯息，例如：

1.今天有多少订单需要拣货；

2.今天物流中心有多少人力可用于出货线；

3.目前有哪些订单拣货过程发生问题，是哪些问题；

4.今天共需要派发几台车，目前已有几台车准时出货，有多少台车还在装车。

要做到这些，就需要把ChatGPT与既有的WMS系统与数据库做串联整合，让ChatGPT可直接读取资料，但是，并非让ChatGPT接上WMS就足够，如果WMS里面数据不够新，或数据格式不统一，又或数据格式本身没有效率，那么ChatGPT一样无用武之地。以下我们通过简单的历史记录，询问ChatGPT哪一种商品最有可能再次出货。

 

案例：优化配送路线

以下我们测试ChatGPT的逻辑，这是一个优化配送路线、节省能源的案例，假设简化的配送路线如下，并假设A商品每公里配送耗用5单位能源、B商品每公里配送耗用2单位能源、空车返回物流中心每公里耗用0.5单位能源，我们要看看ChatGPT是否可正确判断出配送路线。初步测试的结果，ChatGPT会有些错误，但是经过再次调校，告诉ChatGPT哪里错、请ChatGPT重新计算，ChtpGPT确实也会找到正确答案，本案例正确答案就是从物流中心到A、B，再回到物流中心，总耗能27单位；如果采用逆时针配送，总耗能达到39.5单位。

 

 

案例：舆情分析

企业要长久经营，舆情分析是相当重要的，也就是说客人对于我们公司产品或服务的评价、评论到底是正面（positive）还是负面（negative），如果有抱怨，是抱怨哪些事情。在以往要做这件事，必须聘请一位专门的AI工程师，除了要写出网络爬虫程序，还要训练出一个有用的模型，而且模型不见得可正确判断消费者语意，以下我们使用ChatGPT4，做出一个简单的舆情分析，可看到ChatGPT4在这方面确实有很大的潜力，特别是消费者如果有大量评论内容时，ChatGPT可以有效精简，做出摘要内容。

 

案例：客人特征分群

我们用以下案例，例如我们根据过去销售记录，初步整理出以下11个不同客人的原始资料，我们希望使用ChatGPT做简单的分群，其中分群的做法是使用每个客人原始特征矩阵来计算，因此特征越相似的，就会分为一群。

其次，我们也可提供自己希望的分群作法，例如使用客人特征矩阵内前二个数值作为主要分群的基准，如下图所示：

由此可知，ChatGPT对于一般人类常用的基本语意，其实是可以理解的。

 

 

结语：正确的问题，并重视资料质量

ChatGPT潜力无穷，除了可以帮我们处理大量文字、数字资料，通过外挂程序也可读取既有的ERP、WMS，但是如果没有问对问题，或是问题太笼统，数据质量太糟糕，ChatGPT也不可能答得好。

简单的原则是：请把ChatGPT当一个人，我们会如何问人问题，就把同样的问题、同样的口语去问ChatGPT。

要把数据库直接与ChatGPT串接，必须先做好资料质量的调整，否则ChatGPT得花更多的时间帮我们整理资料，无法做到实时回应。

举例来说，我们可使用数字的0、1、2来代表目前某个供应商某次供货的质量状态，假设0不符合、1部分符合、2质量完全符合；同样的，我们也可使用A、B、C，甚至A0、A1、A2、A3等文字状态来记录。

在小规模的应用下，资料处理的速度其实没有太大差异，作业人员也不太会感受到差异；但是当需要做历史资料反查时，就会产生显著的效率影响。

例如我们希望做到根据某个供应商最近一年所有的供货记录，立即判定应针对该供应商的到货做加严检查，或是可以放松抽检比例，这时候原始资料的格式就会产生显著影响，因为使用整数型（integer）资料，其资料比对效率会远比使用字符串型（string）资料高。类似的问题，太长的字符串编码也会影响搜寻效率，如果当初的储位编码是使用类似A0-123312-0014这样的字符串格式，会比使用02-01-03这样的储位格式效率差。

简单的说，编码过长，或是使用单纯的字符串编码，在后续大数据实时的应用上，都会面临效率问题，以致于减损AI的使用效果。