京东零售总监胡浩深度解析：大模型如何重塑京东供应链，实现智能预测与决策

在AI大模型技术席卷各行业的当下，供应链领域也迎来了深刻变革。京东零售智能供应链技术负责人胡浩在2025京东全球科技探索者大会上，围绕大模型在京东供应链的应用实践，从需求预测、智能决策两大核心环节，到技术挑战与未来愿景，展开了全面分享，为行业呈现了供应链智能化的清晰路径。

胡浩总监的核心观点：

1. 双轮驱动定义下一代供应链。 大模型与运筹优化并非相互替代，而是优势互补。大模型有效解决了工业建模中模型繁多、迭代缓慢、泛化能力弱的痛点，使供应链更加智能灵活；运筹优化则坚守精准求解的底线，确保决策高效可靠。两者共同构成了下一代智能供应链的核心驱动力。

2. 大模型实现供应链通用预测。 凭借海量跨领域数据预训练，大模型突破了传统模型的表征能力限制，无需大量微调即可快速适配新场景，从而使通用预测成为可能。

3. 京东数据是时序大模型关键。 公开数据集普遍存在“量级小、规律性强”的问题，这使得大模型的“规模定律”难以充分发挥，小模型便足以满足需求。然而，京东的数据具备“复杂性、丰富性”的独特优势——其千万级SKU涵盖了长尾建设性需求与频繁促销的畅销品需求，为百亿级时序大模型的训练提供了优质样本。

4. 运筹大模型破解决策难题。 结合大模型的认知推理能力与运筹优化的精确求解能力，可以实现自动化建模、加速求解，并能将复杂的数学语言转化为业务语言，提升方案采纳度，从而有效破解供应链决策中的三大难题。

5. 未来目标是供应链数字人。 京东智能供应链的未来愿景是构建自主协同的数字人，形成数字员工与人类员工高度协同的供应链新模式。

一、需求预测：供应链的“发动机”，从传统模型到大模型的跨越

需求预测是供应链的源头与“发动机”，直接驱动库存计划、采购、履约等下游所有运营动作。目前京东每天需预测千万级SKU的未来需求量，若细化到区域、DC维度，预测量级更是达到亿级别，持续优化预测准确度成为核心工作。

回顾技术演进，京东的需求预测经历了多代模型迭代：

• 统计预测阶段： 以ARIMA、指数平滑为代表，能有效捕捉简单线性趋势，但面对复杂非线性关系则“力不从心”。

• 机器学习阶段： 依靠SVM、XGBOOST等模型，通过特征工程学习到比较复杂的非线性关系，但优质特征工程高度依赖专家经验与海量实验。

• 深度学习阶段： 2017年起，以Transformer为代表的深度模型实现突破，能自动拆解时间序列、完成表征自动化学习，解决了海量特征工程难题，同时在长序列预测上取得了突破进展。

• 大模型阶段： 2022年至今，大模型彻底改变了预测逻辑。过去，京东在尝试将销量预测模型迁移至其他零售商时，受限于模型规模，需要工程师进行大量微调。如今，大模型凭借海量跨领域数据预训练，使得通用预测成为可能，并真正突破了传统模型的表征能力。

以某款手机销量预测为例，传统模型仅依赖历史销量、促销信息，而大模型能整合发布会热度、竞品口碑、消费者购机周期等多元信息，将预测准确度提升到新高度。

二、时序大模型构建：三大挑战与京东的破局之道

要打造适配供应链的时序大模型，京东面临数据、架构、幻觉三大核心挑战，并逐一找到了针对性解决方案。

挑战一：数据规模与质量，决定模型效果的“基石”

训练百亿级参数的时序大模型，充足且高质量的数据是前提。公开时序数据集普遍存在“量级小、规律性强”的问题，这使得大模型的“规模定律”难以充分发挥，小模型便足以满足需求。然而，京东的数据具备“复杂性、丰富性”的独特优势——其千万级SKU涵盖了长尾建设性需求与频繁促销的畅销品需求，为百亿级时序大模型的训练提供了优质样本。

为进一步提升数据质量，京东构建了包含京东数据、公开数据、合成数据的混合数据集，总规模达218B Token。其中，合成数据是关键创新：通过拆解原始数据（基线销量、趋势、周期性）、多维度汇总（区域→DC→全国、SKU→品牌→品类），让模型更快学习数据规律。经过实验验证，三者按7:2:1的配比投入训练，效果最优。

挑战二：模型架构选型，平衡“准确度”与“适配性”

时序预测的大模型技术路线主要有两种：基于现有大模型微调、从头训练时序大模型。前者需解决时序数据与大模型的适配问题，但受限于大语言模型内在结构，无法很好捕捉时序长期依赖。

因此，京东选择“从头训练”，基于Transformer设计工业时序大模型，采用“Encode only+PatchConv”架构：Encode only用于强化大模型的表征能力与长期模式捕捉能力，PatchConv通过时序分段、转移，更好地提取时序特征。同时，京东训练了0.3B、1.6B、6B、10B四种不同尺寸的模型（10B为业界当前最大尺寸时序大模型），以平衡性能与精度。

挑战三：幻觉问题，时序预测的“隐形陷阱”

相比语言大模型，时序大模型对幻觉的要求更高、判断更难——例如，销量突然激增的异常情况隐藏在连续时间序列中，难以通过语义理解检测。传统基于人类反馈的强化学习（RLHF）框架在此不适用，核心问题包括：连续时序输出无法用离散奖励函数评估、PPO框架训练收敛慢、幻觉检测需重新设计规则。

针对这些痛点，京东设计了专属的时序策略优化框架（TPO）：通过简化奖励函数（对预测准确度奖励、对稳定性惩罚），大幅提升训练效率与预测稳定性。实践显示，加入TPO后，模型训练效率提升3倍，预测准确度在基础提升10个点的前提下，进一步再提升4-5个点。

目前，名为“OxygenForecast”的时序大模型已正式投入京东生产系统，支持百万级商品自动化补货，显著提升供应链计划与库存运营准确性；在电力、天气、交通等七大公开数据集测试中，无论Zero Shot还是微调后效果，均大幅领先行业标杆模型。

三、智能决策：运筹大模型破解“建模难、求解难、解释难”

需求预测之后，供应链的智能决策同样关键。过去，京东面对仓网规划、库存布局等不同场景，需建立高度细分的模型，过程中面临三大难题：建模难、求解难、解释难。

• 求解难： 京东拥有1000万+SKU和1600多个仓库，不同场景（如仓网规划需考虑节点层级、线路，目标是降本提效；库存布局需关注单量、SKU规模，目标是快周转、高现货）的约束条件差异大，导致问题复杂度飙升。

• 解释难： 运筹优化模型求解后，需将数学语言转化为业务语言（如“为何从这个仓库发货”、“成本节约来自哪里”），帮助业务人员理解并采纳方案，这一过程往往耗时费力。

而大模型与运筹优化的结合，催生出了“运筹大模型”——通过大模型的认知推理能力，搭配运筹优化的精确求解能力，可实现自动化建模、加速求解、方案自解释，完美破解三大难题。

针对不同类型的决策问题，京东运筹大模型采取了差异化策略：

• 易解问题： 构建“问题-数学模型-求解代码”的PMPMC数据集，基于大模型微调后实现自动化求解。测试显示，常规线性规划问题的求解准确度已达93%。

• 难解问题： 聚焦仓库选品调拨、凑车等9类供应链垂直场景，在PMC模型基础上增加“问题类型标签”（如大规模信息问题），让大模型学习用启发式方法求解。目前已完成100次以上规模化解题。

• 解释性问题： 搭建完整解释性框架，大模型先梳理优化模型的决策逻辑，再用分层框架拆解复杂问题，最后通过多目标量化（时效、成本、拆单等指标对业务的影响），让业务人员不仅拿到方案，更理解“为何是这个方案”。

四、未来愿景：从“精确求解”到“超级智能体”，构建供应链数字人

胡浩强调，大模型给京东智能供应链带来的变革，远不止预测与决策的优化。当前，京东智能供应链正从“基于运筹优化的精确求解阶段”，迈向“以大模型为核心的认知理解阶段”，最终将走向“超级智能体自主决策阶段”。

这一演进的愿景，是希望构建“自主协同的供应链数字人”——未来，供应链不再依赖零散的补货建议或配置下单，而是拥有像“采购专员”一样的数字员工：

• 能自主完成库存布局、主动发起采购、持续优选周转效率；

• 可实时感知库存波动、趋势变化、流量起伏与市场动态；

• 能接收业务人员指令，自动完成需求预测、采购下单、供应商跟单；

• 遇到问题时，可主动发起协同、升级流程以解决问题。

届时，供应链将进入“人类员工与数字员工高度协同”的新时代，无数智能体相互配合，推动供应链效率与灵活性实现质的飞跃。

从时序大模型革新需求预测，到运筹大模型优化智能决策，再到对供应链数字人的未来构想，京东用实践证明：大模型不是对传统供应链技术的替代，而是与运筹优化等技术“优势互补、双轮驱动”的核心力量，它正在重新定义供应链的智能化边界，为行业提供了可借鉴的宝贵经验。