京东零售总监胡浩：大模型供应链探索实践
京东利用大模型与运筹优化互补，推动供应链升级。自研时序大模型突破需求预测瓶颈，运筹大模型解决建模、求解、解释难题，目标构建自主协同的供应链数字人，实现高效智能决策。
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。本篇教程将为你系统梳理京东如何用大模型赋能千万级SKU供应链，实现从传统模型到智能数字人的跨越。
演讲视频
胡浩的核心观点速览
- 双轮驱动定义下一代供应链：大模型与运筹优化并非替代关系，而是互补协同。大模型可解决工业建模中模型繁多、迭代缓慢、泛化能力弱等痛点，让供应链更敏捷灵活；运筹优化则坚守精准求解的底线，使决策更高效可靠。两者共同构成下一代智能供应链的核心。
- 大模型实现供应链通用预测：借助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，无需大量微调即可适配新场景，使通用预测成为现实。
- 京东数据是时序大模型关键：公开数据集无法发挥大模型规模定律，京东千万级SKU涵盖的多元需求，为百亿级时序大模型提供了核心数据基础。
- 运筹大模型破解决策难题：结合大模型的认知推理与运筹优化的精确求解，可实现自动化建模、加速求解，并将结果转化为自然语言，提升方案采纳度，破解三大决策难题。
- 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“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，京东尝试让销量预测模型迁移到其他零售商时，因模型规模有限，需工程师大量微调；而现在，大模型通过海量跨领域数据预训练，让通用预测成为可能，真正突破了传统模型的表征能力。
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：京东零售总监胡浩：大模型供应链探索实践要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点建议从三个关键维度入手：首尾帧是否锁定准确、中间段是否存在异常帧、画质与分辨率是否满足要求。 首帧与尾帧是否锁定准确 打开【资产】页面，点击目标视频缩略图，播放并暂停在第一帧，核对是否与提示词中的「起始画面:」完全一致。主体朝向、肢体角度、背景元素，缺一不可。如果发现人物侧脸变成了正脸，或陶罐盖子已
2026年已过半，制造业对“柔性自动化”的探讨早已从理论验证阶段迈入规模化应用的深水区。如今，核心议题直接演变为：当市场要求以最低成本、最快速度响应多品种、小批量的个性化订单时，企业该如何正确选型，才能将昂贵的自动化产线升级为具备“自适应”能力的智能系统？这不仅是硬件设备的迭代，更是对上层“大脑”—
一、引言：从“人力搬运”到“创新引擎”，智能体成为企业转型核心杠杆 “数字化释放人力，聚焦创新研发业务”——这个口号喊了很多年，如今，它正在从务虚的战略构想，加速变成企业一线上实实在在的微观实践。在2026年夏季达沃斯论坛上，全球商业领袖们已经达成一个共识：AI的本质，与其说是一个技术工具，不如说是
在数字化转型升级的浪潮中，企业AI培训已成为许多组织面临的新课题。从基础工具操作到业务流程智能化，越来越多的公司正积极规划AI培训，旨在提升员工工作效率并加速组织变革。 然而，当前市场上的AI培训服务种类繁多：既有基础工具应用类课程，也有面向技术团队的大模型开发培训，还有专为企业整体转型设计的落地型
- 日榜
- 周榜
- 月榜
热点快看