近日，“智匯運河 智算未來”2025人工智能創(chuàng)新創(chuàng)業(yè)大會在杭州召開。香港工程科學院院士、香港大學副校長、研究生院院長、講座教授、京東零售供應鏈首席科學家申作軍教授與供應鏈算法團隊技術總監(jiān)戚永志博士受邀出席并擔任《AI+智慧物流與供應鏈分享會》聯(lián)席主席，聯(lián)合發(fā)表《AI科技助力供應鏈產(chǎn)業(yè)升級》主題演講，深入介紹了京東零售在智能供應鏈領域的前沿探索與技術實踐，并深入分析了AI驅(qū)動產(chǎn)業(yè)變革的核心路徑與未來思考。

圖：AI+智慧物流與供應鏈分享會現(xiàn)場

以下為《AI科技助力供應鏈產(chǎn)業(yè)升級》演講實錄，內(nèi)容經(jīng)編輯略有刪減：

全球產(chǎn)業(yè)鏈正處于結(jié)構(gòu)性變革的關鍵節(jié)點，想要突破傳統(tǒng)范式桎梏，唯有依靠科技創(chuàng)新。

京東零售供應鏈首席科學家申作軍教授強調(diào)，想要構(gòu)建智能決策中樞，需要通過動態(tài)需求預測實現(xiàn)精準資源匹配，依托AI風險感知構(gòu)建彈性響應機制，借助跨鏈協(xié)同技術打破產(chǎn)業(yè)孤島，最終形成“感知-決策-執(zhí)行”的增強閉環(huán)。這一體系不僅重新定義了供應鏈效率邊界，更將推動產(chǎn)業(yè)生態(tài)從線性協(xié)作向網(wǎng)絡化智能協(xié)同躍遷，為全球產(chǎn)業(yè)鏈升級提供可復制的技術范式。

圖：香港工程科學院院士、香港大學副校長、研究生院院長、講座教授、京東零售供應鏈首席科學家申作軍教授

在京東智能供應鏈的創(chuàng)新實踐分享中，戚永志博士以京東零售供應鏈為標桿案例，系統(tǒng)闡釋了超大規(guī)模商業(yè)體的數(shù)智化升級路徑。作為以供應鏈為核心競爭力的技術驅(qū)動型企業(yè)，京東管理著超1000萬自營SKU，依托覆蓋全國的1500余個智能倉庫，實現(xiàn)了90%以上自營訂單的當日達或次日達——這一行業(yè)標桿級履約效率的背后，正是智能供應鏈系統(tǒng)的核心支撐。

面對超千萬量級的自營SKU管理挑戰(zhàn)，自動化與智能化是京東實現(xiàn)高效運營的核心引擎。在創(chuàng)新實踐中，京東打造了四位一體（計劃協(xié)同+需求預測+智能決策+風險感知）的智能庫存管理平臺，其核心是精準的時間序列預測（Time Series Forecasting）能力。

京東自主研發(fā)的時序預測大模型，在預測精度、多維度特征融合等關鍵指標上均達到行業(yè)頂尖水平，為智能選品、動態(tài)調(diào)撥與履約優(yōu)化等核心場景提供了堅實的技術支撐。這一系統(tǒng)不僅顯著提升了庫存周轉(zhuǎn)率，還通過實時感知消費趨勢與供應鏈風險，構(gòu)建了“預測-決策-執(zhí)行-反饋”的增強學習閉環(huán)，進一步優(yōu)化了供應鏈的整體效率與響應速度。

圖：京東零售供應鏈算法團隊技術總監(jiān)戚永志博士

隨著數(shù)據(jù)規(guī)模和業(yè)務復雜度的指數(shù)級增長，傳統(tǒng)時序預測方法（如ARIMA、Prophet）及早期深度學習模型（LSTM、TCN）在復雜模式捕捉與零樣本泛化能力上的短板日益凸顯。盡管大語言模型（LLM）的時序適配（如GPT4TS、TimesFM）成為新興熱點，但其進展尚未復現(xiàn)文本領域的顛覆性突破，核心瓶頸在于高質(zhì)量時序數(shù)據(jù)集的稀缺與RLHF（基于人類反饋的強化學習）范式的適配難題。

京東供應鏈算法團隊針對上述挑戰(zhàn)展開系統(tǒng)性攻堅，從模型架構(gòu)設計、數(shù)據(jù)工程優(yōu)化到訓練策略創(chuàng)新，成功構(gòu)建了業(yè)內(nèi)首個十億級純時序大模型。該模型通過引入多尺度特征融合機制與自適應時序注意力模塊，顯著提升了長周期依賴關系建模能力；同時，團隊創(chuàng)新性地設計了面向供應鏈場景的弱監(jiān)督預訓練任務，有效緩解了數(shù)據(jù)稀疏性問題。在權(quán)威公開數(shù)據(jù)集上，模型關鍵指標超越現(xiàn)有SOTA方法，尤其在零樣本跨域預測任務中展現(xiàn)出卓越的泛化性能。這一突破為復雜業(yè)務環(huán)境下的智能決策提供了全新的技術基座，標志著時序預測領域邁入大模型驅(qū)動的新階段。

圖：業(yè)內(nèi)首個十億級純時序大模型方案

在大模型訓練中，數(shù)據(jù)是基礎。為了解決數(shù)據(jù)問題，京東供應鏈算法團隊引入了一個包含15億樣本的大規(guī)模高質(zhì)量復雜數(shù)據(jù)集，并提出了時序切分、數(shù)據(jù)配比和合成數(shù)據(jù)集構(gòu)造等時序訓練集構(gòu)建范式。這些方法確保了數(shù)據(jù)的多樣性和代表性，為模型訓練提供了堅實的基礎。在模型架構(gòu)方面，團隊提出了一個通用的PCTLM模型。該模型通過Patch的方式對數(shù)據(jù)進行切割，并在Patch投影的過程中進行了改進，以捕捉跨Patch間的信息。此外，團隊引入了時間位置編碼的分組注意力機制，進一步增強了模型對時序數(shù)據(jù)的處理能力。在垂類優(yōu)化方面，團隊首次提出了時間序列預測模型的RLHF方案，開發(fā)了一套適用于純時序大模型的強化學習框架TPO。這一框架通過結(jié)合人類反饋和強化學習，顯著提升了模型的預測精度和泛化能力。由于時序大模型的優(yōu)異表現(xiàn)，京東算法團隊已經(jīng)將自研時序大模型在京東供應鏈系統(tǒng)部署上線，并取得了卓越的表現(xiàn)。預測準確率相較于線上大幅提升，驗證了模型的有效性和實用性。

在需求預測之外，“數(shù)據(jù)驅(qū)動的庫存選品與調(diào)撥策略”是京東智能供應鏈體系的兩大核心支柱。面對電商場景下長尾商品多、需求波動大、商品關聯(lián)復雜等挑戰(zhàn)，京東創(chuàng)新性地構(gòu)建了融合關聯(lián)分析與預測技術的智能選品體系。通過ML-Top-K算法實現(xiàn)高潛商品精準定位，Reverse-Exclude算法動態(tài)優(yōu)化庫存結(jié)構(gòu)，Hybrid Selection算法實現(xiàn)多目標動態(tài)平衡，形成了一套兼顧效率與彈性的選品決策框架。該框架運用以來，本地訂單滿足率提升2.19%，211訂單占比上升1.44%，在超大規(guī)模SKU管理場景中為行業(yè)提供了可復制的智能選品范式。

調(diào)撥問題是選品策略的關鍵延伸，旨在優(yōu)化城市倉（FDC）與區(qū)域倉（RDC）的庫存分配，并動態(tài)選擇最優(yōu)履約路徑。京東通過創(chuàng)新的端到端調(diào)撥算法，將需求預測、多目標優(yōu)化與仿真驗證深度融合，直接輸出高現(xiàn)貨率、低成本的調(diào)撥方案，同時增強決策可解釋性。該算法突破傳統(tǒng)方法在求解大規(guī)模、動態(tài)的庫存調(diào)撥問題中的局限，綜合考慮銷售損失、調(diào)撥與履約成本，支持億級變量實時優(yōu)化，顯著提升效率?；诖藰?gòu)建的智能供應鏈決策系統(tǒng)已實現(xiàn)顯著效益：該系統(tǒng)上線以來，已產(chǎn)生明顯收益，F(xiàn)DC庫存持有成本和資金利用率每年減少超數(shù)千萬元，調(diào)撥成本每年節(jié)省上億元，庫存現(xiàn)貨率也提升了0.85%。這些收益展示了數(shù)據(jù)驅(qū)動的優(yōu)化技術在解決復雜、大規(guī)模供應鏈問題中的影響，也為行業(yè)樹立了AI驅(qū)動供應鏈升級的標桿。

圖：端到端庫存調(diào)撥算法

隨著大模型、多智能體協(xié)同等技術的持續(xù)突破，供應鏈正從傳統(tǒng)的“鏈式結(jié)構(gòu)”向“生態(tài)網(wǎng)絡”躍遷，其核心價值已從單一的效率優(yōu)化轉(zhuǎn)向全局資源的最優(yōu)配置。京東的實踐印證了技術創(chuàng)新的商業(yè)價值——當AI深度融入產(chǎn)業(yè)毛細血管，帶來的不僅是運營指標的提升，更是商業(yè)模式的重構(gòu)與用戶體驗的質(zhì)變。

在現(xiàn)有技術探索的基礎上，京東持續(xù)加碼未來布局，與清華大學建立深度產(chǎn)學合作，聚焦供應鏈效率提升與社會化成本優(yōu)化。雙方將通過技術創(chuàng)新與場景驗證的雙向驅(qū)動，在智能預測、動態(tài)調(diào)度、多級庫存協(xié)同等核心領域持續(xù)迭代，構(gòu)建產(chǎn)學研深度融合的創(chuàng)新生態(tài)。此舉致力于將優(yōu)化成果開放賦能，推動全行業(yè)物流成本占比降低，為實體經(jīng)濟高質(zhì)量發(fā)展注入新動能。

京東希望與業(yè)界同行攜手，以智能供應鏈新基建推動實體經(jīng)濟高質(zhì)量發(fā)展，通過先行實踐經(jīng)驗為全球產(chǎn)業(yè)鏈升級貢獻中國智慧，共同探索技術創(chuàng)新的無限可能。

審核編輯 黃宇