相較于消費側1000萬的自營SKU，如何在5700萬工業SKU中找到企業采購所需的商品猶如“大海撈針”。在工業場景中，判斷商品是否為“同品”非常困難，在招標時，采購要縮短周期，要比價，還要合規，讓這份工作難上加難。

京東工業敏銳地捕捉到了這一機遇，推出了工業大模型Joy industrial。

從以往單純追求“標準化統一”的模式轉向以“智能理解差異”，京東工業基于行業場景的深耕與數據沉淀，通過多智能體協同，打造會思考的供應鏈專家，推動供應鏈數智化轉型升級。

AI Agent矩陣推動供應鏈啟用“數字員工”

長期以來，京東工業立足供應鏈領域，深耕商品數智化、采購數智化、履約數智化、運營數智化等工業場景。京東工業太璞數實一體化供應鏈解決方案不僅提供采購戰略咨詢與數智化規劃、采購供應鏈數智化技術服務，還提供海量商品供應、運營與增值服務，服務四十多個細分行業，擁有海量跨行業供應鏈數據。

基于深厚的積累，Joy industrial從工業供應鏈場景出發，基于行業痛點與需求，首批即推出了滿足京東工業及供應鏈上游供應商的需求代理、運營代理、關務代理等AI智能體，以及服務供應鏈下游企業用戶的商品專家及集成專家等AI產品，并明確了打造汽車后市場、新能源汽車、機器人制造、石油天然氣、電力電網等重要垂直行業工業大模型的目標。

可以看到，企業在采購、生產計劃制定等環節，難以快速獲取全面準確的商品數據，極大地影響了決策效率。AI 同品識別可結合商品的信息以及商品的圖片進行篩選判定，方便采購人員“大海撈針”判斷出哪些商品是真正的同品，完成同品比價、同品替代以及同品聚量和減少重品：將原本由不同供應商提供的相同商品集中到少數供應商，提升企業的議價能力，降低采購成本。

晶科資產管理部總經理詹本靜分享了晶科能源借助京東科技在工業領域和倉儲領域的優勢如何打造聯動的生態鏈倉儲系統：數字監控技術的應用提高了故障預測和診斷的準確性，從而可以提前對設備進行維護干預，并通過集中資源調配來進行現場派單處理。不再由自身完全承擔備件存儲的責任，而是借助合作方不僅減少了物理存儲空間和人員資金的投入，還降低了成本。經過多年探索，晶科能源已經實現了相比傳統運營模式大約30%的成本壓縮。

那么有了智能代理，人會失去作用嗎？也不會。

在關務處理環節，智能體可以整合來自全球各地的海量進出口合規信息，支持超過一萬條進出口合規查詢，將企業報關成本降低21%，響應周期從原本的3天縮短至當天。但在多智能體的協作中，需要人進行任務理解與分發，代理完成的是對商品“大海撈針”的理解，以及在不同法規中進行推理，找到答案。

“至今，京東內部已經生長出超1.4萬個智能體，解決了超過18%的工作內容。要我看，甚至不用 3 年時間，智能體的數量很可能會超過員工的數量。” 京東工業副總裁、工業科技業務部總經理谷應鯤將目前公司使用的智能體分為三類，同品識別、類目掛載等是為客戶提供服務的專家智能體，這些智能體在一些新能源和高科技行業中反饋良好。此外，還有內部使用的智能體（代理）可用于替代內部一些效率較低的繁雜工作，提高工作效率以及垂直行業共建的大模型智能體，涉及與客戶共同構建行業大模型。

他認為，在供應鏈領域，實現智能化運作需要突破單一組織的邊界。當不同企業主體（如A組織與B組織）部署人工智能系統時，如何建立跨組織的智能體協同機制，并與上下游生態伙伴形成有機聯動，已成為重要研究方向。基于此，從供應鏈管理視角出發，AI智能體技術的發展應聚焦推進智能體間數據互通、算法互操作、任務協同分配等方向的研究與實踐。

做好工業大模型

任何新技術的推廣和使用都會遇到信任問題——在共建智能體時，部分客戶對數據出域及模型準確度存在顧慮。

盡管如此，京東工業看到智能體在一些創新領域仍受到歡迎。比如智能體代理可以在業務執行方時將原本繁瑣的7步人工流程簡化為3步AI自動化操作，可以利用先進的算法和深度學習技術以高達99%以上的識別準確率精準識別虛假運單，同時將技術成本降低99.3%，可以對業務流程的實時監控和數據分析，讓商機治理效率提升75%……京東工業希望這些成績能吸引客戶和合作伙伴提升對智能代理的接受程度。

“做好 AI ，要做好大模型，是順勢而為。京東工業有自己一些獨特的競爭優勢。”谷應鯤說，京東工業大模型在數據層面實現了從通用數據到垂直領域數據的“知識蒸餾”，供應鏈原生數據占比超30%，這些數據來源于京東超千萬自營商品SKU、數千萬工業品SKU以及超800萬家活躍企業客戶的落地實踐，涵蓋了工業供應鏈各個環節的實際業務場景。通過對這些豐富的供應鏈原生數據的深入挖掘和分析，京東工業大模型能夠精準捕捉工業領域的特殊需求和業務邏輯。

當然，工業大模型的發展面臨著一些現實挑戰，比如相對于消費互聯網，其實數據規模相對較小，數據專業度更高。

“在具體應用場景中，專業度的提升意味著當進行特定任務調優時，我們需要更精準地構建獎勵函數。激勵機制的參數設定必須深度融合垂直領域的專業知識know-how，需要引入大量跨學科復合型人才。這種專業壁壘與知識融合的雙重需求，正是智能體技術在工業場景落地過程中面臨的機遇與挑戰所在。”京東工業技術部總監溫赟說。

京東工業大模型在架構上進行了大膽創新，采用了混合專家模型（MoE）并進行了針對性的工業適配。京東最新的750B大模型具備強大的“思考模式”，擁有1280k超長文本處理能力，能夠輕松應對工業領域中諸如復雜的技術文檔、冗長的合同條款等超長文本信息。

混合專家模型（MoE）通過將不同的子模型（專家）組合在一起，針對不同類型的任務和數據進行專門處理，大大提高了模型的推理效率。與傳統模型相比，京東工業大模型的推理效率提升了30%，能夠更快地為企業提供決策支持。在成本控制方面，通過優化模型架構和訓練算法，京東工業大模型的訓練成本降低了70%，使得更多的企業能夠以較低的成本享受到工業大模型帶來的技術紅利，推動了工業大模型在行業內的廣泛應用和普及。

此外，京東工業大模型采用了Self - Refine仿生訓練技術，能夠對商品參數等關鍵數據進行自動糾偏。在工業領域，由于產品更新換代快、技術參數復雜，數據錯誤或不準確的情況時有發生。Self - Refine仿生訓練技術就像一位嚴謹的數據質檢員，能夠自動識別并糾正商品參數中的錯誤信息，確保數據的準確性和可靠性，為模型的精準決策提供堅實的數據基礎。

體驗、成本、效率的最優化配置是京東工業大模型的技術根本。有了技術的加持，京東工業還發起了“鏈動眾城、萬億降本”行動，旨在通過數智化技術優化中國工業供應鏈交易總成本，預計將為工業產業釋放萬億級創利空間。

AD：

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。