在科技日新月异的今天，以大模型为代表的新一代人工智能（Artificial Intelligence，以下简称AI）已经成为推动各行业创新升级的核心动力。在招标采购领域，AI大模型也必将改变传统的工作方式。招标采购智能化转型成功与否的关键，在于从企业决策者到招标采购部门业务骨干，能否快速建立有效的AI思维，并且用其指导和引领智能化创新。笔者在介绍AI思维基础上，以典型场景需求为切入点，深入分析AI大模型的能力，提出若干创新应用方案，旨在为企业决策者、招标采购专业人士和IT（Information Technology，信息技术）产品经理等提供参考，提升招标采购工作效率和质量的同时，为企业和组织创造前所未有的价值。
智能化助力传统招采突破挑战
目前，我国建立了大量电子招标投标交易平台，实现了招标采购过程的在线化，也初步应用了一些AI技术，如利用OCR（Optical Character Recognition，光学字符识别）技术提升招标文件处理效率。然而，招标采购部门仍然要面对业务量不断增加，“一次招标成功率”等指标要求日渐严格的挑战。
要解决上述挑战，实现招标采购智能化转型是一条有效路径。自2022年ChatGPT（Chat Generative Pre-trained Transformer，美国开放人工智能研究中心研发的一款聊天机器人程序）在全球范围内引发热潮以来，大模型技术在文本理解和信息提取、内容生成与创作、知识问答等领域令人惊艳的强大能力，以及它初步的逻辑分析与推理能力，吸引了无数招标/采购人的眼球。然而，大模型在深度逻辑推理、长文本处理、专业知识等很多领域，存在先天不足，属于“通而不强”的AI，并不具备独立完成招标采购任务的能力，这让有志于使用大模型进行招标采购智能化创新的先行者们心怀顾虑，踌躇不前。
如何运用好已经崭露头角却又不够成熟的大模型，成为招标采购智能化转型成功的关键。这个关键在于，从企业的决策者到招标采购一线的核心骨干，需要共同建立AI思维，即建立人与大模型协同工作的思维模式，并以这个思维模式为指导，将大模型运用于招标采购过程，汇聚大模型和人类所长，各司其职、优势互补，共创崭新的智能化招标采购时代。
智能化时代的AI思维导向
绝大多数人在讨论智能化转型的时候更多着眼于技术层面，少数人会更进一步关注场景需求层面，但几乎没有人会讨论AI思维，这是一个很有趣的现象。互联网时代，从政府领导到企业老板，从创业者到打工者，每个人都在谈互联网思维。相比之下，在目前智能化时代已经揭幕的情形下，AI思维似乎仍然“默默无闻”。然而，AI思维恰恰是智能化时代的行动指南，是确保智能化转型成功的关键。
什么是AI思维？AI思维是指人类在充分了解AI模型和工具的能力边界基础上，培养自己形成与并不完美的AI协作的思维模式和行为能力，以完成那些以往看似无法智能化的任务。这里的能力边界，既包括能力的上限，也包括能力的下限。
AI思维的第一个关键，是既要把AI（此处特指大模型等通用人工智能）当人看，又要不把AI当人看，在充分了解AI的能力来源和边界基础上，做到“知人善任”。
把AI当人看的原因，在于大模型的确具备很多类人的特质，它不仅可以与人类对话，还可以帮人类写文章、画图、高分通过各种专业考试，甚至可以在人类百思不得其解的时候，给人类出主意。而不把AI当人看的原因，在于虽然大模型在很多领域能力远超常人，但在更多领域又“完全不能自理”，譬如很多简单的逻辑问题，大模型会屡屡出错。人类可以把它看成一种“特殊的人”，就是那种在某些领域是天才，而其他领域一塌糊涂的人。
要用好这样一个“特殊的人”，做到“知人善任”，就必须知道AI到底在哪些领域“天赋过人”，在哪些领域“技不如人”，才能精准地给它安排任务。大模型并没有精准清晰的使用说明书，所以“知人”的核心是要知道AI的技术原理，才能探索AI的能力边界，从而更有效地和AI互动、沟通、协作。而“善任”的核心，是把复杂的工作流程分解，让AI和人类协同工作，找到那些AI以一当百的子步骤，把这些工作放心地交给AI，而把那些AI无能为力的子步骤，留给人类来解决。
AI思维的第二个关键，在于掌握和AI沟通的技巧。很多人在与大模型对话的过程中会有深深的无力感，似乎大模型给的永远不是人类想要的答案，而实际上它已经很努力地在给出它认为人类最想要的回答了。问题可能并非出在大模型，而是人类没有给它安排合适的任务，或者没有用它能够理解的语言去指挥它工作。要有效指挥它，达到如臂使指的操控，就需要在理解其原理的基础上，掌握适合它的沟通方式。
AI思维的第三个关键，在于一切从实际业务出发，综合考虑各种因素，以场景需求驱动技术创新。有些工作任务，使用大模型的成本远低于人类，因为AI不拿工资，不交社保，又快又好。但是，也有些工作任务，大模型的推理成本可能高得惊人，远远超过人类的工资。还有些工作，使用大模型可能存在巨大的风险，因为大模型和人一样，具有很强的不可控性，这些都是采用大模型必须考虑的基础。最优秀的AI大模型应用，一定是“站”在最优秀的业务专家肩膀上，而不是由办公室里的高管或者软件公司的产品经理闭门造车的结果。最理想的大模型应用，应该是业务精英在自己的工作中，已经百试不爽，再移植到系统中。
限于文章篇幅，不能将所有的AI思维关键点一一展开。笔者重点从大模型的能力边界和招标采购领域的场景需求入手，介绍AI思维如何引领招标采购智能化创新。
AI大模型在招采领域的“能与不能”
在招标采购领域，大模型技术的应用潜力尤为突出，但是面临的挑战同样巨大。此处首先介绍大模型“天赋异禀”的几个领域。
文本理解和信息提取能力。大模型可以在短短几十秒内，快速阅读数十万字的招标采购文档，并且从中精准地提取供应商资质、产品规格等信息。这种能力不仅能提高工作效率，还能减少因人为因素导致的错误。
内容生成与创作能力。大模型可以通过微调训练招标采购专业知识数据，在人类精心设计的提示词引导下，高效快速辅助生成投标文件等。这不仅能为招标采购专业人员提供自动化文档编制的手段，极大地提升文档的规范性和制备效率。更重要的是，它还能确保文档内容的高度一致性和精确性，从而显著提高整体工作的质量标准。
交互式对话能力。大模型可以和人一样与人类交互对话，这对于招标采购专业人员来说极为宝贵，因为他们可以像与真人沟通一样，迅速获得各种问题的解答。这不仅能显著提升工作效率，还能有效减轻招标采购专业人员的工作压力。
尽管大模型在以上领域堪称“天才”，但是在以下这些领域，大模型可谓“举步维艰”。
逻辑推理能力不足。大模型作为关联性AI，缺乏深层次的逻辑推理能力。例如，在解决数学问题或执行需要多步骤推理的任务时，大模型无法像人类那样进行有效的逻辑思考和推理。在招标采购过程中，许多场景需要复杂的逻辑推理作为基础，这使得直接应用大模型技术解决这些问题变得异常困难。
长文本处理能力的局限。大模型在处理长文本方面存在巨大挑战。这主要是由于当前大多数主流大模型所基于Transformer（一种基于自注意力机制的深度学习模型）架构的技术限制。在Transformer模型中，注意力机制负责捕捉不同词之间的依赖关系，但随着输入序列长度的增加，其内存消耗呈指数级增长，限制了处理极长文本的能力。当文本长度超过模型的处理能力时，可能需要截断文本或使用滑动窗口等方法，这样做可能会导致上下文信息的丢失，影响模型对文本的整体理解和连贯性。尽管一些大模型已经在长文本处理能力上进行了优化，能够处理百万级别的Token（大模型处理和理解语言的基本单元），但它们仍然无法完全克服文本长度的限制，而且处理超长文本的算力成本也相当高昂，限制了其广泛应用的可行性。
专业知识储备不足。通用大模型往往不具备行业专业知识，也不掌握企业历史积累的海量招标采购数据，因而在处理相关问题时“力不从心”。
虽然大模型有以上三项不足，但也有相应的技术可以“补拙”。
为了克服大模型在复杂逻辑分析方面的局限性，可以引入Agent智能体技术。Agent是基于大模型创建的独立运行的软件实体，它能够代表用户或系统执行任务，并具有明确的目标导向行为。Agent能够自主感知环境、分析信息并做出决策，同时还能与其他智能体交流协作，通过角色扮演的方式进行互动，从而优化逻辑分析并实现共同目标。
此外，专家可以对涉及的业务工作流程进行拆解，仅在适合的步骤中应用大模型，而在其他步骤中采用其他技术方案。这种结合人类智慧、经验与大模型能力的“协作智能”，能够充分发挥大模型在信息提取和内容生成方面的效率优势，同时利用人类在处理复杂问题方面的优势。这两种技术可以有机结合，通过创建专门的Agent来处理特定任务和问题，并将其与特定的工作流程相结合，从而弥补大模型在因果推理方面的不足。
针对大模型处理长文本的挑战，还可以采用RAG（Retrieval Augmented Generation，检索增强技术）。RAG是一种结合了检索和生成能力的AI技术，它将检索模型与生成模型相结合。在生成文本时，RAG模型首先使用检索模型从大量数据中检索与输入相关的信息，这些数据可以是文档、网页、书籍、文章等，并通常存储于向量数据库中。然后，生成模型利用这些检索到的信息来生成回答或文本。这样可以充分利用外部知识源，避免将全部信息一次性输入给大模型，导致文本长度超出其处理能力。在招标采购过程中，用户可能需要查找特定的信息或数据，大模型可以通过理解查询的上下文和意图，快速找到所需信息。这种知识增强的搜索和检索能力，极大地提高了信息获取的效率和准确性，为招标采购决策提供了强有力的支持。
对于基础大模型缺乏特定行业知识的问题，解决方案之一是使用RAG技术。其优势在于原则上可以避免对行业大模型进行微调训练，但不足之处在于，如果大模型的处理逻辑中必须使用行业知识，那么这种技术将无法应对。另一个常见的解决方案是将必需的行业知识通过微调训练融入基础大模型中，形成行业大模型。这种方案的优势在于可以应对各种场景，但缺点是需要专业人士的支持，且算力成本较高。
招采领域迫切的智能化需求
所有AI的成功应用，都源自精准定位了场景刚需，特别是精准定位了当前AI技术可以完美解决的那部分需求。经过与行业专家的深入讨论，笔者发现在这些领域，存在迫切且可被满足的智能化需求。
采购策略与决策支持。对市场趋势、供应商表现和采购需求等信息，进行深入分析，预测行业和市场发展趋势，在采购前准确预估成本，根据市场变化和项目需求灵活地进行价格调整，确保预算的合理分配和控制，以便制定更加科学合理的采购策略，是企业的刚性需求。
通过分析采购需求、供应商历史数据等信息，迅速识别和选择最佳供应商，提高“一挂成功率”也是企业的核心需求。
编制招投标文件。在招标采购过程中，编制招投标文件是一项既复杂又耗时的任务，经常存在因为对标准要求理解的误差，以及格式内容不够完整与合规导致投标无效。因此，自动提取关键要求，根据这些要求生成相应的投标响应，进一步帮助投标人初步自审投标文件，确保文件符合招标文件的各项要求，包括格式、内容的完整性和合规性，最终大幅减少人工编写时间，自动生成符合招标要求的标准化投标文件草稿，是普遍存在的需求。
评标。评标过程是人工负担最重的环节，智能化需求包括自动化处理招标和投标文件，有效地提取关键信息，并执行初步的符合性检查与评分。在此基础上，进一步对众多投标文件进行智能分类和筛选，迅速辨识出符合既定标准的投标方案，以提升筛选效率和增强准确度，显著减轻人工负担，帮助专家作出更为精确的评审决策，让评审过程更公正、更高效。
用户交互与支持服务。在招标采购过程中，投标人会提出大量具有共性的咨询问题，这导致了对客服人员的依赖。亟须能够通过语音对话和书面报告等多种形式，快速解答供应商和采购方的咨询，提高沟通效率和响应速度，满足用户对即时信息的需求的智能客服。
供应商资质管理。此方面需求包括对供应商的资质、业绩、专利、获奖情况以及历史履约数据等信息进行深入分析，以准确评估供应商可靠性和合作潜力，预测其中标概率和项目履约能力；还包括智能化验证投标人提交的资质证书的真实性和有效性，减少因虚假信息带来的风险。
合规性与风险管理监管。此方面需求包括在招标采购过程中，有效识别和管理风险，并对评标过程进行智能监管，自动侦测潜在的法律风险和争议点，以确保供应链的稳定性并维护招标的合规性和公平性减少法律纠纷的可能性。
总体来看，招标采购领域的智能化需求广泛，涵盖了从招标文件的准备、投标文件的处理与评审，到招投标流程的管理、供应商的评估与选择，以及为用户提供交互和支持服务等多个关键环节。这些需求体现了行业对高效、透明、公正的采购流程日益增长的要求。
AI思维下智能化招采如何落地
在AI思维引领下，可以将复杂的招标采购工作进行拆分，从中挑选出最适合AI实现并且性价比最高的场景，进而设计出智能工具，运用到招标采购业务工作流程中，让AI与人类协作，实现招标采购智能化。
采购策略与决策支持系统。以机器学习等技术为主，对已有数据进行分析，给出相应的策略，以大模型技术为辅，作为人机互动界面，将这些策略更加自然地提交给用户，并且获得用户的反馈，作为机器学习算法的输入。
招投标文件编写助手。充分利用大模型的内容生成能力，设计相应的指标文件及投标文件撰写提纲/模板，用户只需要填写关键的指标信息，或者投标信息，由大模型自动补全其他信息，生成相应的指标文件和投标文件。编写助手还应该具备对指标文件的智能分析能力，精准定位提取评分标准、评审要求等信息，自动检查投标文件是否已经完整有效覆盖了招标文件的全部要求，从而提供投标文件编写建议。
智慧评审助手。评审工作大致可分为两类，第一类是客观性评审工作，既包括简单的合规性检查，如检查投标文件是否符合全部招标要求；也包括商务评审，如对竞标企业的商务指标进行打分。第二类是主观性评审工作，如对技术方案的评审，主观性评审工作原则上并不适合大模型。
因此，评审助手的设计，需要融合人类经验和大模型技术。对专业技术方案的评价要素进行研究，依托专家经验从中提取出可通过形式逻辑，验证其是否存在明显瑕疵的评价要点，并结合统计学，构建一套科学合理的评价体系，为其中的各项评价指标赋予相应的权重，最终得出一个综合评价，作为技术方案的初评结果，供评审专家参考，从而排除淘汰低质量的技术方案。这个技术路线同样适合于商务指标打分。而对于技术方案自身的先进性、可实现性等，仍然需要依托专家的智慧和经验，进行主观判断。
智能招投标客服系统。采用大模型＋RAG技术，以及基于大模型将用户使用自然语言表述的查询意图，转换为SQL（Structured Query Language，一种专门用于管理关系数据库管理系统的编程语言）语句的技术等，实现用户通过人机对话，实时查询当前招投标业务进展情况等动态信息，以及招投标流程规范等一般性固态信息等功能。此过程需要重点考虑安全性，如防止SQL注入和越权访问等安全风险。
供应商资质管理与供需匹配系统。与评审助手类似，构建一个结合人类专家经验和大模型能力的评价体系，对供应商的关键资质进行建模，包括明确资质内容、资质指标权重，以及资质量化标准，并通过统计学模型去设计相应的量化函数和设定相关指标权重。其实质是基于可获得且可客观衡量的信息，建立一个供应商履约能力的映射，并且对这个映射进行客观评价。同时，可以将供应商的能力与采购需求进行智能匹配，实现精准、高效的供应商预选。
风险合规系统。与决策支持系统类似，更多依靠传统的机器学习等技术，挖掘风险点。同时，使用大模型技术，将招投标文件等非结构化信息，转为易于机器学习理解和处理的结构化信息，并使用大模型技术作为人机互动界面。
在落地实践方面，中关村智用人工智能研究院已经成功研发出一套对AI技术供应商技术能力的综合评价系统，该系统可以用于供应商资质管理；还研发出一套AI技术与场景需求的智能匹配系统，可以用于供应商预选。基于上述系统原理，还可以进一步拓展研发辅助评标等系统。
智能化招采实施策略
智能化招标采购系统是一个高度复杂的平台，它不仅融入了大模型等先进科技，还涉及对现有业务流程和体系的根本性改造。在实施过程中，必须全面考虑各个关键因素，以确保科学且稳健地推进系统的落地。
首先，建立企业决策层与招标采购部门核心骨干员工的AI思维，即通过培训等方式，让决策层领导理解大模型等AI技术对招标采购系统的价值，有能力也敢于作出智能化升级决策。让业务骨干人员理解大模型的技术能力边界，掌握充足的大模型应用技巧，并将大模型技术融入现有业务流程，与智能化系统研发人员共同实现流程优化和再造，明确产品功能指标，完成产品设计。
其次，做好成本效益分析，深刻理解引入大模型技术的潜在经济影响，包括初期投资、运营成本、预期收益等，特别是要考虑是本地私有化部署，还是通过API（Application Programming Interface，应用程序编程接口）调用公共服务。仅在大模型提供的综合价值超过成本的前提下，使用大模型。
在技术维度要做好基础大模型的选型，以及大模型应用开发企业的选择。需要注意的是，大模型并不等于大模型应用，基础大模型做得好的企业未必会全力专注于应用开发，而擅长大模型应用研发的企业，也未必会自研基础大模型。在基础大模型选型过程中，既要考虑其能力是否满足需求，也需要考虑是否要私有化部署和运营成本。在选择大模型应用开发企业时，应选择有丰富的大模型行业落地实践经验，有过硬的行业大模型微调训练能力，有自研MaaS（Model as a Service，模型即服务，是将机器学习模型部署到企业端提供给用户使用的服务）平台的企业。
可扩展性和可升级性，也是大模型行业用户普遍关注的一个问题。目前，基础大模型还处在快速迭代升级阶段，基于基础大模型训练出的行业大模型，如何应对基础大模型的不断升级，是很多企业决策者的困扰。一种合理的解决方案是，将大模型看成智能化系统的一个组件，从智能化系统的综合能力去考虑，而不必追求大模型这一局部的不断升级，只要当前版本的大模型能够满足业务系统的应用需求，就没有必要频繁进行升级。
最后，还要考虑安全性、合规性、伦理等维度，确保招标采购部门在采用新技术的同时，不会违反相关法律法规。
展望
随着AI技术的飞速发展，大模型已经成为推动招标采购领域创新的重要力量。通过深入分析可以看到，大模型技术在招标采购行业的广泛应用前景，它不仅能够提升工作效率，还能增强招标采购过程的公正性和透明度。在实际应用中，需要以AI思维为引领，在企业上下建立统一的思维认知，结合大模型的文本理解、内容生成、交互式对话等功能，构建出更加智能化、自动化的招标采购系统，从而为企业和组织带来更大的价值和更好的服务体验。
未来，期待有更多招标采购行业资深人士能够建立AI思维，“如鱼得水”地运用大模型于招标采购智能化之中，也希望大模型技术能够不断突破现有的技术瓶颈，实现更深层次的逻辑推理和更广泛的知识应用。行业内外的技术开发者、业务决策者和一线骨干精英共同努力，推动大模型技术在招标采购领域的深入应用和持续创新，实现招标采购行业的全面升级，为企业和社会创造更大的价值。