让算法写规则：合成数据如何加速供应链AI建模

医疗和物流看起来八竿子打不着，但它们有一个共同的“硬伤”：真实数据太敏感、太碎、太难共享。医院担心隐私与合规，供应链企业担心商业机密与竞争情报；结果往往是——模型想训练，数据拿不到；要跨部门协同，口径对不上。

2025-12-19 这周，我看到一篇很有意思的研究：作者用真实世界的癌症统计表格数据，自动抽取规则，生成可用的合成患者数据，并用胶质母细胞瘤（Glioblastoma）做了案例验证。它的核心价值不在“医疗”本身，而在方法论：当数据共享受限时，让算法从统计规律里“写出规则”，再用规则生成合成数据。我认为这套思路对“人工智能在物流与供应链”同样适用，尤其适合做需求预测、库存仿真、路径与运力策略评估等场景。

这篇文章放在「人工智能在科研与创新平台」系列里讲，是因为它体现了一个趋势：科研平台不再只提供算力和模型，而是把数据可用性当成第一生产力——合成数据与自动规则生成，正在成为平台能力的一部分。

自动规则抽取：把“统计表格”变成“可生成的业务流程”

直接结论：自动规则抽取的本质，是把静态统计分布转换为可执行的生成机制。

论文以 Synthea（一个规则驱动的合成患者数据生成器）为基础。Synthea 不是“端到端深度模型”，而更像一个“人生剧本引擎”：用规则描述一个合成患者在生命周期里可能发生的事件（发病、治疗、转归等），并用概率控制事件发生。

麻烦在于：规则怎么来？传统做法靠专家手写，既费时间，也容易遗漏边界条件；更现实的问题是——你要写出“像真的一样”的规则，得先有一份足够真实的样本数据。

这篇研究的做法是：

• 从癌症报告中抽取表格统计（如年龄分层、发生概率、疾病进程分布等）
• 将这些统计自动转换为 Synthea 可执行的规则
• 用规则生成新的合成数据集
• 与原始真实数据集对比，验证统计性质与已知病程是否能被复现

对供应链来说，这等价于：把你手里“只够做报表”的数据（按地区/品类/周的销量、缺货率、运输时效分布），自动变成一套“可运行的仿真系统”，从而持续生成可训练、可测试、可分享的数据。

为什么“规则生成”在合成数据里很关键

规则生成的优势是可控、可解释、可审计。

在医疗场景，规则只包含统计信息，通常不携带个体隐私；在供应链里也是一样：你可以共享“华东地区某品类在双11期间的需求波动分布”，但不会暴露“某客户的真实订单”。

更重要的是，规则化生成带来三件事：

1. 可控性：可以强行注入极端情景（例如港口拥堵、航线中断、爆品突发）
2. 一致性：不同团队用同一套规则生成数据，口径天然一致
3. 审计性：合规或风控团队能看懂“为什么会生成这种数据”，而不是面对黑盒模型无从下手

从“合成患者”到“合成订单”：供应链合成数据的三类高价值用途

结论先说：合成数据不是用来替代真实数据，而是用来扩大可实验空间。

医疗研究里，合成患者数据可用于提出假设、做原型开发，但不能直接当作临床结论的依据。供应链也一样：合成订单、合成运输链路能帮你快速迭代策略，但最终上线前仍要回到真实业务指标。

1）需求与供给的合成建模：把“旺季不够用”的数据补齐

很多企业的痛点是：

• 旺季数据每年只有一次，样本太少
• 新品没有历史销量
• 促销玩法变化导致历史分布失效

自动规则抽取可以从历史统计中学习：

• 分渠道/区域/品类的需求分布
• 价格弹性区间（用分段概率规则表达）
• 促销期间的波动幅度（方差、峰值持续时间）

然后生成“合成需求曲线”，用于：

• 训练预测模型（减少过拟合某一年）
• 压测补货策略（Safety Stock、Min-Max 等）
• 评估新品上市的备货风险

2）路径与运力策略评估：用合成事件测试算法鲁棒性

供应链优化经常输在“现实太脏”：天气、拥堵、临时加单、司机工时、仓库爆仓。

用规则化合成数据，你可以把事件写成概率驱动的流程：

• 某线路在节前一周延误概率上升
• 某仓在高峰日出库能力下降
• 某承运商在夜间时段拒单率更高

这样生成的数据特别适合做：

• 路径规划算法的 A/B 测试
• 多目标优化（成本/时效/碳排）的权衡实验
• 仿真驱动的调度策略选择

一句话：真实数据告诉你发生过什么，合成数据让你测试“可能发生什么”。

3）跨部门协作与生态合作：让数据“能共享但不暴露底牌”

在真实项目里，我见过最常见的卡点是：

• 总部与区域数据结构不同
• 供应商不愿共享订单细节
• 平台商与品牌方无法对齐明细口径

规则抽取+合成数据给了一个折中方案：

• 共享的是“统计规律”和“生成机制”
• 交付的是“可用的数据资产”，用于联调与原型
• 真正敏感的数据留在各自域内

这在“科研与创新平台”的语境里尤其关键：平台能提供的不是某一家企业的数据，而是一套可复用的数据生成与评测能力。

当算法开始“写业务规则”：你需要一套落地流程

答案很明确：要把合成数据用好，流程必须先于模型。

参照论文的思路，我建议供应链团队用下面的 5 步把“自动规则抽取”落地。

第一步：定义规则的“目标用途”，别一上来就追求全量真实

你要先回答：合成数据用来干什么？

• 训练需求预测？重点是分布与季节性
• 压测库存策略？重点是缺货与补货周期
• 评估运输时效？重点是时效分布与异常事件

用途不同，规则粒度不同。最怕的是一开始就想生成“全链路、全字段、全一致”的完美数据，最后卡在需求泥潭。

第二步：从“表格统计”入手，优先抽取可验证的分布

论文强调从表格统计抽取规则，这对供应链也非常实用，因为企业最常拥有的恰恰是报表级数据：

• 按周销量分布、缺货率、退货率
• 各节点处理时长（入库、拣选、出库）分布
• 线路时效 P50/P90、破损率

先做这些，能快速跑通闭环。

第三步：把规则写成“事件流”，而不是单点概率

供应链和疾病进程一样，都是“状态机”：

• 订单创建 → 分配仓库 → 波次 → 拣选 → 发运 → 签收/拒收

仅有边缘分布不够，你还需要条件概率和路径依赖：

• 高峰日会改变拣选时长分布
• 特定品类更容易触发分仓或拆单
• 雨雪天气会同时影响干线与末端

这一步决定了合成数据是否“像业务”。

第四步：设置评测指标：不只看均值，更要看尾部和相关性

论文对比合成数据与原始数据的统计性质。供应链建议至少评测：

• 均值/方差/分位数（尤其 P90、P95）
• 关键字段相关性（例如重量与运费、距离与时效）
• 关键事件率（缺货、超时、取消、退货）
• 分层一致性（不同区域/品类的分布是否保持）

尾部很重要。供应链很多损失都发生在尾部。

第五步：明确边界：合成数据用于“假设与原型”，不是“业绩归因”

论文提醒医疗解释要考虑局限性。我对供应链的态度更直接：

合成数据适合做策略选择与系统验证，但不适合用来证明“某团队做得好”。

原因很简单：合成数据再像，也永远是生成机制的产物；你用它做业绩归因，很容易把“规则写得漂亮”当成“业务做得漂亮”。

常见问题：合成数据会不会把偏差放大？怎么管控？

结论：会，而且经常发生；解决方法是把“偏差治理”写进生成流程。

下面是我建议的三条硬措施：

1. 双层校验：先校验分布，再校验业务约束（例如库存不可能为负、运输时效不能小于物理下限）
2. 分层抽取规则：不要用全国平均去生成区域数据；按区域/品类/渠道拆分规则，至少保留一层业务分群
3. 引入对抗样本：刻意生成反例与极端情景，用来检查算法是否过度依赖某些“顺风局”模式

做到这三点，合成数据的价值会很稳定：它不是“更真”，而是“更可用、更可测”。

把这件事放回“科研与创新平台”：平台能力的分水岭

我越来越相信，未来几年 AI 平台的差距不在模型库，而在数据工程的“中间层”：

• 能不能把杂乱的统计报表变成可执行的规则
• 能不能一键生成可用于联调、压测、训练的合成数据
• 能不能持续评测合成数据与真实业务的偏差

医疗研究用胶质母细胞瘤模块做验证，本质是在证明：规则抽取可以把专业知识从“人脑经验”转为“可复用资产”。供应链更应该这么做——因为供应链规则本来就多、变化快、跨团队协作成本高。

如果你正在做物流与供应链 AI，我建议把“自动规则抽取 + 合成数据生成”当作今年的技术债清单之一：先从一个场景（比如某条干线时效、某个仓的波次出库）跑通闭环，再逐步扩展到端到端的仿真。

下一步怎么开始？你可以先选一个最常被质疑的数据问题：“我们缺少覆盖极端情况的训练数据”。然后反过来设计规则，生成这些极端情况，去测试你的预测与优化系统。现实不会按剧本走，但你至少能提前排练。