ChatGPT在供应链面前还是个孩子

-序-

近期，ChatGPT的文章在社交媒体和网络上引起了热议，人们对新技术的应用前景充满期待，可以理解。但我们认为真正大规模商用还为时过早，目前更多的是作为大家“调戏”的聊天玩具。本来是不想蹭这个热点的，最近看朋友圈好多公众号转发一篇被多次“抄袭”的高度一致的内容：

作为一个讲供应链的公众号，我们认为有必要出来说点“公道”话，避免大家被这些文章误导。

-1-什么是ChatGPT

要搞清楚一件新鲜事物，首先需要理解它的概念和底层原理。ChatGPT是2022年11月30日由全球AI领军企业——OpenAI公司推出的一款对话式AI模型，可以理解成一种聊天机器人软件。GPT是“Generative Pre-trained Transformer”的缩写，即“生成型预训练变换模型”，该模型是Open AI公司的技术底座。

该模型的目的是生成与训练数据类似的新数据，例如图像、文本或音频。它通常是基于神经网络的深度学习模型，是一种强化过的人工智能深度学习模型，可以捕捉句子中的上下文关系，根据给定文本预测下一个单词的概率分布，从而生成人类可以理解的自然语言；可以学习大量的数据并使用这些数据来生成新的、合理的内容；同时大幅提高AI的思考力，并在人机对话中提升准确性和可控性。

其实，看到这里大家应该可以明白了，ChatGPT目前还是一个更为“智能”的对话或聊天机器，它的智能体现在能根据训练数据，形成更符合人类的语言。至于说是不是可以做很多供应链上的预判、推导甚至复杂的规划，ChatGPT的技术底座中并没有看到。

因此，网上那些张口就什么能提高供应链风险评估和管理水平，能提供准确数据等等的都是一些人的臆想或自high。我们也承认ChatGPT是一巨大进步，未来这些高阶的智能也带来了更多的可能。就目前有限的信息和使用情况来看，我们更倾向于它好比是一个会流畅用人类语言说话小学生，而且说得很有逻辑。小学生也懂信息获取、也懂风险，但我们还没法去相信这个小学生给我们说的风险和提供给我们的信息，特别是专业知识，就能达到或提高一个专业研究生的水平。

一个简单的例子，大家感受一下：经常有老人对着自己疼爱的孙子说：“真能干，真聪明，将来一定有出息，是考清华、北大的料！”。期望是美好的，至于未来有没有考上，好像和这个话关系不大。

-2-ChatGPT的“惊艳”

懂了前面的概念，你就应该知道ChatGPT擅长的是内容生成。我们以之前的一篇公众号文章《浅谈计划排程常见算法》来和ChatGPT交谈一下，看看它的语言组织能力吧：

问1：“ChatGPT认为以下三种计划排程算法都有哪些缺点：①爬山算法 ②模拟退火算法③遗传算法？”

ChatGPT：“ChatGPT认为以下三种计划排程算法都有一些缺点：

爬山算法：爬山算法是一种局部搜索算法，其核心思想是从当前解的邻域中选择能够使目标函数值最大化的解作为新的当前解，并反复进行该过程直到达到局部最优解。然而，爬山算法容易陷入局部最优解，而无法达到全局最优解。此外，爬山算法的搜索方向受到初始解的影响较大，因此需要通过多次运行来获取更好的解。

模拟退火算法：模拟退火算法是一种全局优化算法，其核心思想是通过控制一个温度参数来避免陷入局部最优解。然而，模拟退火算法的运行时间较长，并且对于不同的问题需要不同的参数设置，否则可能导致算法效果不佳。

遗传算法：遗传算法是一种基于自然进化过程的优化算法，其核心思想是通过不断迭代、交叉和变异来优化目标函数值。然而，遗传算法需要进行大量的计算，并且需要对问题进行适当的编码和解码，因此实现起来比较复杂。此外，遗传算法的性能高度依赖于参数的设置和选择算子的合适性，如果参数选择不合适或者算子选择不当，可能导致算法无法达到最优解。

总之，这三种算法都有其缺点和优点，选择合适的算法需要根据具体问题和需求进行权衡和选择。”

怎样？回答够惊艳、够丝滑吧，可见ChatGPT在语言的组织回答上是非常像人类了，而且逻辑框架非常好。我们再来加点选择的难度，看看它的表现：

问2：“那么，ChatGPT认为像汽车制造这样的离散型生产企业的计划排程用以上哪种方法最合适？”

ChatGPT：“对于像汽车制造这样的离散型生产企业，ChatGPT认为遗传算法是一种比较合适的计划排程算法。

首先，遗传算法在离散型问题求解中表现出色，能够有效地解决离散型决策问题。汽车制造企业的生产过程是由一系列离散型的任务和决策组成的，例如零部件的生产、装配工序、检测等，这些任务之间存在着复杂的时序和依赖关系。遗传算法可以通过合适的编码和解码方式，将这些离散型的任务和决策转化为遗传算法中的染色体和基因，从而实现高效的优化。

其次，遗传算法可以应对大规模和复杂的问题。汽车制造企业的生产过程涉及到许多资源和约束条件，如机器设备、人力资源、原材料等，这些资源和约束条件会对生产计划产生重要的影响。遗传算法具有较好的可扩展性和鲁棒性，能够应对大规模和复杂的问题，并提供高质量的解决方案。

最后，遗传算法具有较好的全局搜索性能。汽车制造企业的生产计划需要考虑许多因素，如资源约束、时间限制、生产效率、成本控制等。遗传算法能够通过不断迭代和交叉变异来寻找全局最优解，而且在解决问题时具有一定的随机性，有助于避免陷入局部最优解，提高算法的全局搜索性能。

因此，综合以上三点，ChatGPT认为遗传算法是一种比较合适的计划排程算法，可以为汽车制造企业的生产计划提供高效、可靠的优化方案。“

呵呵，还不错，回答得人模人样，这个结论也给我们那篇公众号文章结论一致。目前看来，辅助我们做一些内容输出是没有问题的了。

-3-ChatGPT的“智障”

测试到这里，有人开始“害怕”，觉得是不是就说明ChatGPT真有过人的计算和判断能力了？我们再来加大难度（以下回答内容有点多，大家可以略过，只是感受一下ChatGPT的语言组织能力就好，结论对不对不要轻易相信）：

问3：“ChatGPT请用遗传算法给我一个尽量均衡的排程结果，输入条件如下：1、100台车有ABCD四种型号各25台；2、AB不能连续排程；3、C不能连续排5台以上；”

ChatGPT：好的，我可以根据你提供的输入条件，利用遗传算法为你生成一个尽量均衡的排程结果。下面是具体步骤：

1. 定义染色体编码 首先，我们需要定义一个染色体编码，来表示不同车型的排程顺序。这里我采用序列编码的方式，将1100的编号按照排程顺序组成一个序列，其中1-25表示A型车，26-50表示B型车，51-75表示C型车，76-100表示D型车。

2. 适应度函数设计 由于我们希望排程结果尽量均衡，所以适应度函数应该考虑两个方面：一是要满足输入条件，二是要尽可能均衡地分配各种车型。为此，我设计了如下适应度函数：

• 惩罚连续排程A和C车的数量；

• 计算所有车型数量的标准差，将其作为适应度的指标，希望尽可能地降低标准差。

3. 遗传操作设计 在遗传操作方面，我采用了以下几个操作：

• 选择操作：采用轮盘赌选择方法，按照适应度大小选择优秀的个体；

• 交叉操作：采用两点交叉，将两个染色体随机选择两个交叉点，然后将两个交叉点之间的基因进行互换；

• 变异操作：采用随机重排基因的方式，随机选择一个基因位置，然后将该位置的基因与其他随机位置的基因进行互换。

4. 算法流程 综上，遗传算法的流程如下：

• 初始化：随机生成一组初始种群；

• 选择：按照适应度函数大小，选择优秀的个体；

• 交叉：按照一定的概率进行交叉操作；

• 变异：按照一定的概率进行变异操作；

• 计算适应度：计算每个个体的适应度值；

• 终止条件：当达到预定的迭代次数或者达到最优解时，停止迭代；

• 输出结果：输出最终的排程结果。

5. 结果展示 在实际操作中，可以根据具体需求调整遗传算法的参数和流程。下面是一个可能的排程结果，其中0-24表示A型车，25-49表示B型车，50-74表示C型车，75-99表示D型车。

   

   当我们看到这个回答的时候，乍一看差点被ChatGPT“骗”了，难道它真的有超过我们想象的计算和判断能力？于是我们又补充了一些内心的疑问：

这个回答我们认为是客观的。为了进一步证实，我们将上一个遗传算法的例子做了简化，ChatGPT的回答结果露陷了：

-小结-ChatGPT还是个孩子

“技术总是在短期内被高估，但是在长期又被低估”

这种现象在科技领域特别常见，例如人工智能、虚拟现实等技术都曾经历过类似的发展历程。在人工智能领域，早期的人工智能技术在上世纪50年代到70年代受到了极大的热捧，人们相信人工智能技术可以取代人类完成各种复杂的任务。然而，由于技术的局限性和难以克服的问题，人们逐渐认识到人工智能技术的局限性，对其进行了重新评估。但是，在近年来，随着深度学习等技术的出现，人工智能再次成为了热门话题，重新受到了关注和研究。

因此，我们需要在评估和使用技术时保持客观和理性，既要看到技术的潜力和优点，也要认识到技术的局限性和问题。只有这样，我们才能更好地把握技术的发展趋势和应用方向。