ChatGPT、GPT-4等大模型出来之后，大家惊喜地发现这些模型跟以前的版本有了本质的区别。新的模型具有了基本的语言能力，部分通用知识，以及简单的逻辑推理能力（Chain Of Thought）。这样的技术突破未来会对供应链金融这个领域带来哪些影响呢？
1. 人类语言体系的突破
近期GPT-4的发布上有一个令人惊艳的例子，提问者让AI用A-Z的26个字母开头的词语把灰姑娘的故事讲出来，这样的语言能力人类几乎无法在短时间内完成。
Output：
A beautiful Cinderella, dwelling eagerly, finally gains happiness; inspiring jealous kin, love magically nurtures opulent prince; quietly rescues, slipper triumphs, uniting very wondrously, xenial youth zealously.
虽然目前没有公布GPT背后的技术细节和模型参数，但是可以猜测，通过大量的数据、模型参数的量级上升、预训练、人类反馈中强化学习等优化后，GPT模型从原有Transformer算法简单的“完型填空”功能，进化后实现了对人类语言体系的突破。可以理解为GPT大模型找到了语言体系背后的隐藏变量，从而真正能够理解语言文字之间的关系，而GPT之前的模型在处理语言上更像是鹦鹉学舌。
跟股票和债券金融产品相比，供应链金融是一个需要更多沟通的业务场景，每一个场景可能涉及到不同的流程不同的材料。GPT-4可以实现更准确、更快速的进行信息和文档处理，包括供应链金融中各个参与方的沟通内容、处理各种文件和合同等，这有助于提高供应链金融中各个参与方的协作效率。
2. GPT模型：让机器首次能够理解非结构化数据
在GPT大模型面世之前，机器无法真正理解非结构化数据，如图片、文字、视频等。这些不同类型的数据需要使用各种专业的工具或模型转化为结构化数据再进行处理。
比尔·盖茨，微软公司联合创始人，表示OpenAI的GPT人工智能模型是他自1980年首次看到现代图形桌面环境(GUI)以来，最具革命性的技术进步。图形化界面的出现，使得机器可以根据人类的需求生成更符合人类习惯的图片、界面和其他交互内容。但是，无论哪个软件要改变和定制图形界面，都需要高昂的成本。而在GPT模型面世后，AI不仅可以理解非结构化数据，还可以为图片自动打标签，并通过文字描述自动生成图片。因此，人与机器之间的交互成本进一步降低。
在供应链金融的场景中，现有数据大多已经经过高度抽象，如ERP数据、客户授信、税收数据、合同和票据等。而GPT模型可以直接理解、突破视频等各种原始非结构化数据，如工地建造监控视频与业务流、资金流的匹配，仓储监控情况和商品的全生命周期跟踪等。这使得供应链金融可以更好地处理业务发生时的原始信息，并使得金融资源更好地与业务匹配，例如租赁金融业务的运营成本可能会大幅降低。
3. 逻辑推理能力（Chain Of Thought）
GPT模型的逻辑推理能力（Chain Of Thought）可能源于大量逻辑代码和逻辑推理内容的阅读和训练。黄仁勋与伊尔亚·苏茨克的一次对话中，黄仁勋提问GPT模型是如何从Transformer模型的“完形填空”演变为具备推理逻辑的，伊尔亚·苏茨克则举了一个推理小说的例子来解释。在推理小说中，有各种不同的人物和情节，读者需要通过推理来解决谜题，最终得到答案。在GPT模型中，这类似于“完形填空”的功能，经过大量的训练后，GPT模型的逻辑推理能力得以提升。
GPT模型的逻辑推理能力使其具备了一定的智能，可以在人类的引导下将复杂问题分解为多个简单问题，然后逐步得到最终的答案。举个例子，乌鸦喝水的问题，可以通过观察、感知、认知、学习、推理和执行，将难题拆解为可行的简单方案。目前的GPT的智能水平，已经开始有类似乌鸦智能的”涌现“。
利用GPT模型的逻辑推理能力，我们可以将客户的复杂需求拆解为单独的环节，由不同的产品来满足，最终形成完整的解决方案。此外，逻辑推理能力还可以帮助金融机构在给定的限制条件下，为特定客户群体定制适合的金融产品，打造更多适用于各行业的供应链金融产品。在风险控制方面，供应链中常常会出现虚假贸易或者融资需求与业务不匹配的问题，GPT模型的逻辑推理能力可以帮助机构降低处理这些问题的成本。
4. 业务场景中链路越长，AI提升的空间越大
供应链金融是一个典型的长链路场景，特别是在多级流转的情况下，链路可能多达十几层；在国际供应链体系中，一个产品的全生命周期可能涉及多个国家和多个供应商的资源整合。供应链金融涉及核心企业、核心企业内部多个部门、核心企业的供应商、多级供应商、多个资金方和监管部门。由于专业分工的限制，每个部门和岗位只能在自己熟悉的领域达到高效沟通，跨领域和跨团队的沟通效率则可能降低，例如95%的沟通效率。在跨企业沟通中，由于缺乏信任关系，效率进一步降低，例如进一步降到75%。每个环节发生的效率损耗可能使得整体的效率低于10%，链路越长业务被卡住的概率越高。
而GPT模型可以辅助各个参与方将自己的内容翻译为对方熟悉和习惯的风格，从而保持高效率的沟通。即使经过多个链路，整体信息传递也没有太多的损失，从而提高长链路业务场景中各个参与方的效率。
除了供应链金融的业务场景，软件开发也是典型的长链路场景。软件行业最大的一个痛点，软件开发的速度没有客户需求变化的速度快。从客户的经销商发起需求，到客户的业务部门，通过客户的IT部门翻译，最终到产品厂商的商务、产品、项目经理和IT开发，每个环节都有可能损失效率，导致最终交付物无法满足客户需求。客户发现一个新的问题或者有一个新的想法，可能只需要几秒钟的时间，但是哪怕是简答的问题，最终解决起来可能需要几天甚至几个月的排期。GPT模型可以帮助客户快速实现想法的原型，并将准确的需求信息无损耗地传递到开发团队，从而大幅提高需求交付的效率。
5. 效率提升的量变引起质变，促进更多供应链金融交易
GPT模型本身就是一个量变引起质变的实践过程，GPT-1出来的时候只有1.17亿的参数，GPT-2有15亿参数，而GPT-3的参数提升到了1750亿。更大的参数，更多的数据训练集，更多的人工校对，更强大的AI硬件能力，使得GPT模型终于突破了传统AI模型的天花板。
对于个人消费者而言，也许会经常逛街而不买东西的情况。但是对于企业来讲，信息的获取和分析最终的目标还是为了交易，无论是为客户提供服务，还是企业内部资源的分配，或者是采购生产需要的资源。在GPT大模型之前的时代里，信息获取和处理的成本很高，使得很多交易无法达成，很多事情一直处于议而不决的状态。企业在寻找合作伙伴供应商的时候，往往花了太多的时间在决策的准备中，而最终达成交易的比例却不一定理想。
能力更强的AI模型可以降低供应链金融中的每一个环节，更低的交易成本将会带来更多的交易规模，资源也可以被更好地整合起来。大模型对非结构化数据的理解，可以使得供应链金融扩展更丰富的场景，最终实现信息流、资金流和物流的融合，每一种资源的贡献都可以被计算。长链路业务场景中的AI提升空间是巨大的，它能够通过改善跨领域、跨团队和跨企业之间的沟通效率，使得整个供应链金融体系更加协同高效，从而实现从量变到质变的提升。
强人工智能的到来对企业的交易的变革，将类似于当年互联网电商对线下购物场景的升级，过去一直没实现的产业互联网可能会迎来新的机遇。
更多阅读，请关注微信公众号—— 信息化与数字化