AI开始接管供应链“体检”：Loop拿下9500万美元，想把混乱物流变成可预测系统

供应链这门苦活，终于成了 AI 的新战场

如果你问多数普通消费者，什么是供应链，他们大概会想到港口堵船、快递延迟，或者电商页面那句让人抓狂的“预计到货时间待定”。但对企业来说，供应链从来不是一个抽象名词，它是成本、现金流、交付承诺，甚至是生死线。

旧金山初创公司 Loop 最近宣布完成 9500 万美元 C 轮融资，领投方是 Valor Equity Partners 和 Valor Atreides AI Fund，8VC、Founders Fund、Index Ventures 以及摩根大通旗下 Growth Equity Partners 也参与投资。这个阵容很有硅谷味：钱很聪明，也很现实。它们没有把筹码押在一个更会聊天的 AI 上，而是押在一个更会“救火”的 AI 上。

Loop 的方向并不性感，甚至可以说有点“脏活累活”——把供应链里那些没人愿意碰的非结构化数据，变成机器能读懂、能处理、能预警的信息。比如没有 OCR 的 PDF、纸质单据、零散的数字消息、供应商和仓库之间反复确认的碎片化信息。说白了，很多企业的供应链系统表面上已经数字化，骨子里却还停留在“Excel + 邮件 + 人盯人”的时代。Loop 想做的，就是把这堆混乱先整理清楚，再让 AI 给出判断，最终走向预测和决策建议。

它卖的不是效率工具，而是“提前知道会出事”

Loop 联合创始人兼 CTO Shaosu Liu 用了一个很形象的比喻：现在很多系统只是在做“年度体检”，告诉你“该多走路了”；但真正理想的状态，是有人系统性地告诉你营养、寿命和长期健康怎么管理。这个比喻放在供应链上其实很贴切。

过去很多软件的价值是“记录出了什么问题”。Loop 想进一步做到“预测问题快来了”，甚至“建议你现在就改路线、调库存、换供应商”。这中间的差别非常大。前者是报表，后者是指挥系统；前者是事后复盘，后者是实时作战。

从披露信息看，Loop 的技术路线不是单一大模型包打天下，而是搭建一个“多模型协调层”，把自研模型和前沿模型一起调动，用来处理不同类型的任务。这一点其实比听上去更务实。因为供应链不是写作文，里面有大量票据识别、异常检测、时间序列判断、流程自动化、上下文推理，单一模型未必是最优解。企业客户真正愿意买单的，也不是“你用了哪个最火的模型”，而是“你能不能明天就帮我少亏几千、几万、几十万美元”。

Loop 表示，它的系统往往一上手就能帮客户节省数千美元。这种说法当然带有销售意味，但在供应链场景里，并不夸张。一个订货量偏差、一次错过船期、一批货压错仓，后果可能就是现金被锁死、库存积压或者断货。对制造业、零售业、跨境贸易企业来说，AI 如果真能把这些风险前移，价值会比生成几张营销海报大得多。

为什么偏偏是现在？因为全球供应链已经没法再靠经验主义硬扛

Loop 这轮融资发生的时间点很关键。今天的全球供应链，和五年前已经不是同一套游戏规则。疫情让企业第一次大面积意识到，供应链不是后台支持，而是战略核心；地缘政治、关税波动、航运价格起伏、极端天气，再加上消费者需求变化越来越快，都在逼企业放弃“差不多就行”的管理方式。

换句话说，供应链过去的问题是复杂，现在的问题是复杂且易变。复杂还能靠老经验慢慢磨，复杂且易变就必须上更实时的数据系统和更快的响应机制。这也是为什么最近一批物流、货运、报关、仓储相关的 AI 创业公司突然热起来。TechCrunch 在文中提到，Deliverr 创始人 Harish Abbott 的新公司 Augment 去年拿下 8500 万美元 A 轮，想自动化货运承运人与托运人的工作；Amari AI 则瞄准报关代理的老旧系统；而 Uber Freight、Flexport 这些老玩家也都在猛推 AI。

这说明市场已经形成共识：AI 在企业场景里，最有机会率先兑现商业价值的地方，不一定是人人可见的前台，而是那些长期低效、信息割裂、容错率又极低的中后台环节。供应链恰恰就是这种典型场景。

有意思的是，Loop 两位创始人 Matt McKinney 和 Shaosu Liu 都出身 Uber。Uber 这家公司这些年虽然争议不断，但它确实培养了一批非常擅长处理现实世界调度问题的人才。调车、匹配、定价、时空网络优化，这套思维迁移到物流和供应链并不奇怪。某种程度上，今天很多优秀的产业 AI 创业者，不再是纯实验室出身，而是从这些高复杂度运营系统里“练出来”的。

真正的难点，不是模型，而是把数据从“烂摊子”变成“可行动”

从记者视角看，Loop 这类公司最值得关注的，不是融资额本身，而是它愿不愿意深入那些最不体面的环节。因为供应链 AI 的门槛，从来不只是算法，而是脏数据、旧流程和复杂组织协同。

很多企业嘴上说自己已经上云、上 ERP、上 TMS（运输管理系统），但实际运行时，关键信息仍然散落在供应商邮件、仓库手写单、聊天软件截图、格式混乱的 PDF 里。系统很多，数据却不通；报表很多，判断却滞后。Loop 现在做的一件关键事情，就是把更多数据源接进来，包括 ERP、运输管理软件，以及来自供应商、仓库和中间节点的各类数据。这意味着它正在从“文档自动化工具”升级为“供应链观察站”。

但问题也恰恰在这里：接入越深，替代成本越高，交付难度也越高。企业客户不会只问模型准不准，还会问你和现有系统怎么打通、出了错谁负责、建议错了损失算谁的、跨境数据怎么合规、不同国家供应商的数据质量怎么保证。这些问题比模型参数更现实，也更决定一家公司的天花板。

我对这一波供应链 AI 的一个判断是：未来胜出的公司，未必是模型最强的那家，而是最懂业务约束、最能融入现有工作流、最能让企业放心放权的那家。因为在这个领域，AI 不是用来惊艳演示，而是用来扛责任的。

资本为什么愿意下注，以及它可能面临的争议

Valor 创始人 Antonio Gracias 的机构这次领投，也释放出一个信号：硅谷资本正在从“为 AI 叙事付费”，慢慢转向“为 AI 的工业化落地付费”。大家已经看够了写诗、画图、做摘要，接下来更想看的是，AI 到底能不能把一个真实行业的成本结构改掉。

供应链当然是一个足够大的市场，也足够痛。任何一家能让企业更早发现断供风险、库存失衡、运输异常、订单偏差的公司，都有机会切进核心预算。尤其在经济不确定时期，企业对“增长故事”会更谨慎，但对“降本增效、提高韧性”的投入反而更坚定。这也是 Loop 融资能成立的底层逻辑。

不过，这条赛道也并非没有争议。一个值得思考的问题是：当越来越多企业把关键决策交给 AI，供应链会不会变得“更聪明”，也更脆弱？因为一旦行业里许多公司使用相似的数据源、相似的模型逻辑，它们可能会在风险来临前做出相似反应——比如同时削减库存、同时切换路线、同时压缩某类订单。这种“模型共识”可能提升单个企业效率，却未必提升整个系统的稳定性。金融行业早就见过类似问题：大家都用同样的风控思路，最后就容易一起踩踏。

所以，Loop 们真正要回答的，不只是“AI 能不能预测”，还有“AI 预测之后，怎样避免所有人朝同一个方向拥挤”。这会是下一阶段产业 AI 必须面对的更复杂命题。

从更长的周期看，供应链软件正在从记录工具、协同工具，走向决策工具。谁能在这个过程中建立起可信的自动化闭环，谁就有机会成为下一代产业基础设施。Loop 现在还在路上，但它至少踩中了一个很真实的问题：现实世界从来不缺数据，缺的是把混乱变成行动的能力。