京东工业大模型Joy Industrial发布，AI Agent“插手”供应链采购

相较于消费侧1000万的自营SKU，如何在5700万工业SKU中找到企业采购所需的商品犹如“大海捞针”。在工业场景中，判断商品是否为“同品”非常困难，在招标时，采购要缩短周期，要比价，还要合规，让这份工作难上加难。

京东工业敏锐地捕捉到了这一机遇，推出了工业大模型Joy industrial。

从以往单纯追求“标准化统一”的模式转向以“智能理解差异”，京东工业基于行业场景的深耕与数据沉淀，通过多智能体协同，打造会思考的供应链专家，推动供应链数智化转型升级。

AI Agent矩阵推动供应链启用“数字员工”

长期以来，京东工业立足供应链领域，深耕商品数智化、采购数智化、履约数智化、运营数智化等工业场景。京东工业太璞数实一体化供应链解决方案不仅提供采购战略咨询与数智化规划、采购供应链数智化技术服务，还提供海量商品供应、运营与增值服务，服务四十多个细分行业，拥有海量跨行业供应链数据。

基于深厚的积累，Joy industrial从工业供应链场景出发，基于行业痛点与需求，首批即推出了满足京东工业及供应链上游供应商的需求代理、运营代理、关务代理等AI智能体，以及服务供应链下游企业用户的商品专家及集成专家等AI产品，并明确了打造汽车后市场、新能源汽车、机器人制造、石油天然气、电力电网等重要垂直行业工业大模型的目标。

可以看到，企业在采购、生产计划制定等环节，难以快速获取全面准确的商品数据，极大地影响了决策效率。AI 同品识别可结合商品的信息以及商品的图片进行筛选判定，方便采购人员“大海捞针”判断出哪些商品是真正的同品，完成同品比价、同品替代以及同品聚量和减少重品：将原本由不同供应商提供的相同商品集中到少数供应商，提升企业的议价能力，降低采购成本。

晶科资产管理部总经理詹本静分享了晶科能源借助京东科技在工业领域和仓储领域的优势如何打造联动的生态链仓储系统：数字监控技术的应用提高了故障预测和诊断的准确性，从而可以提前对设备进行维护干预，并通过集中资源调配来进行现场派单处理。不再由自身完全承担备件存储的责任，而是借助合作方不仅减少了物理存储空间和人员资金的投入，还降低了成本。经过多年探索，晶科能源已经实现了相比传统运营模式大约30%的成本压缩。

那么有了智能代理，人会失去作用吗？也不会。

在关务处理环节，智能体可以整合来自全球各地的海量进出口合规信息，支持超过一万条进出口合规查询，将企业报关成本降低21%，响应周期从原本的3天缩短至当天。但在多智能体的协作中，需要人进行任务理解与分发，代理完成的是对商品“大海捞针”的理解，以及在不同法规中进行推理，找到答案。

“至今，京东内部已经生长出超1.4万个智能体，解决了超过18%的工作内容。要我看，甚至不用 3 年时间，智能体的数量很可能会超过员工的数量。” 京东工业副总裁、工业科技业务部总经理谷应鲲将目前公司使用的智能体分为三类，同品识别、类目挂载等是为客户提供服务的专家智能体，这些智能体在一些新能源和高科技行业中反馈良好。此外，还有内部使用的智能体（代理）可用于替代内部一些效率较低的繁杂工作，提高工作效率以及垂直行业共建的大模型智能体，涉及与客户共同构建行业大模型。

他认为，在供应链领域，实现智能化运作需要突破单一组织的边界。当不同企业主体（如A组织与B组织）部署人工智能系统时，如何建立跨组织的智能体协同机制，并与上下游生态伙伴形成有机联动，已成为重要研究方向。基于此，从供应链管理视角出发，AI智能体技术的发展应聚焦推进智能体间数据互通、算法互操作、任务协同分配等方向的研究与实践。

做好工业大模型

任何新技术的推广和使用都会遇到信任问题——在共建智能体时，部分客户对数据出域及模型准确度存在顾虑。

尽管如此，京东工业看到智能体在一些创新领域仍受到欢迎。比如智能体代理可以在业务执行方时将原本繁琐的7步人工流程简化为3步AI自动化操作，可以利用先进的算法和深度学习技术以高达99%以上的识别准确率精准识别虚假运单，同时将技术成本降低99.3%，可以对业务流程的实时监控和数据分析，让商机治理效率提升75%……京东工业希望这些成绩能吸引客户和合作伙伴提升对智能代理的接受程度。

“做好 AI ，要做好大模型，是顺势而为。京东工业有自己一些独特的竞争优势。”谷应鲲说，京东工业大模型在数据层面实现了从通用数据到垂直领域数据的“知识蒸馏”，供应链原生数据占比超30%，这些数据来源于京东超千万自营商品SKU、数千万工业品SKU以及超800万家活跃企业客户的落地实践，涵盖了工业供应链各个环节的实际业务场景。通过对这些丰富的供应链原生数据的深入挖掘和分析，京东工业大模型能够精准捕捉工业领域的特殊需求和业务逻辑。

当然，工业大模型的发展面临着一些现实挑战，比如相对于消费互联网，其实数据规模相对较小，数据专业度更高。

“在具体应用场景中，专业度的提升意味着当进行特定任务调优时，我们需要更精准地构建奖励函数。激励机制的参数设定必须深度融合垂直领域的专业知识know-how，需要引入大量跨学科复合型人才。这种专业壁垒与知识融合的双重需求，正是智能体技术在工业场景落地过程中面临的机遇与挑战所在。”京东工业技术部总监温赟说。

京东工业大模型在架构上进行了大胆创新，采用了混合专家模型（MoE）并进行了针对性的工业适配。京东最新的750B大模型具备强大的“思考模式”，拥有1280k超长文本处理能力，能够轻松应对工业领域中诸如复杂的技术文档、冗长的合同条款等超长文本信息。

混合专家模型（MoE）通过将不同的子模型（专家）组合在一起，针对不同类型的任务和数据进行专门处理，大大提高了模型的推理效率。与传统模型相比，京东工业大模型的推理效率提升了30%，能够更快地为企业提供决策支持。在成本控制方面，通过优化模型架构和训练算法，京东工业大模型的训练成本降低了70%，使得更多的企业能够以较低的成本享受到工业大模型带来的技术红利，推动了工业大模型在行业内的广泛应用和普及。

此外，京东工业大模型采用了Self - Refine仿生训练技术，能够对商品参数等关键数据进行自动纠偏。在工业领域，由于产品更新换代快、技术参数复杂，数据错误或不准确的情况时有发生。Self - Refine仿生训练技术就像一位严谨的数据质检员，能够自动识别并纠正商品参数中的错误信息，确保数据的准确性和可靠性，为模型的精准决策提供坚实的数据基础。

体验、成本、效率的最优化配置是京东工业大模型的技术根本。有了技术的加持，京东工业还发起了“链动众城、万亿降本”行动，旨在通过数智化技术优化中国工业供应链交易总成本，预计将为工业产业释放万亿级创利空间。