图片来源：京东
今年 《政府工作报告》 中提出，持续推进“ 人工智能+” 行动，将数字技术与制造优势、市场优势更好结合起来，支持大规模广泛应用。随着“ 人工智能+” 上升为国家战略，以人工智能大模型为技术底座、工业应用为切入点的工业大模型正成为赋能新型工业化的新方向。
自 2022 年以来，全球范围内大模型市场规模迅速增长，迎来爆发期。然而，目前国内外推出的主流大模型仍为公共数据集训练出的基础大模型，知识面够广但不够专，在工业各垂直领域的性能表现并不突出。根据中国工业互联网研究院 2024 年 3 月发布的 《人工智能大模型工业应用准确性测评》 报告，国内外主流大模型的工业应用准确性平均得分低于 60 分，国内几家领先的通用大模型总体评分也仅在 70 分上下，可见基础大模型在赋能新型工业化方面还有较大的提升空间。
面向制造业转型升级新需求，以基础大模型为技术底座、工业应用为切入点的工业大模型正成为人工智能深度赋能新型工业化的新方向。
5 月 22 日，京东工业在上海正式发布行业首个以供应链为核心的工业大模型 Joy Industrial，该模型基于京东在工业供应链领域多年的数据积累和技术实践，聚焦工业场景的复杂需求，通过“ 工业大模型+供应链场景应用” 双引擎，构建从底层算力、算法到应用的全栈产品矩阵，旨在解决工业供应链长期存在的效率低下、协同困难、合规风险等痛点，助力产业实现降本、增效、合规与保供目标。
工业供应链的挑战与京东的破局思路
中国拥有全球最完整的工业体系，但在供应链管理上仍面临诸多挑战。京东工业副总裁谷应鲲指出，工业供应链长期存在数据孤岛、标准割裂、管理复杂、协同冲突等问题，例如，工业品 SKU 数量庞大 （京东工业已管理超 5700 万 SKU），且分类标准混乱，导致同一商品的参数差异可能引发比价与合规难题；此外，企业间协同效率低下，传统人工处理模式难以应对海量数据与复杂流程。
针对这些问题，京东工业提出以大模型技术为核心的新解题思路。京东集团探索研究院副院长何晓冬表示：“ 大模型产业化才能产生价值，必须结合具体场景的数据和业务需求不断打磨。” 京东工业的实践路径是：通过大模型理解多模态数据，打破信息孤岛；通过智能体替代人工执行标准化任务，提升超长链条的协同效率。
技术底座：数据沉淀与垂直行业模型构建
京东工业大模型的竞争力源于数据积累与场景深耕。在数据层面，京东工业已沉淀超 800 万家活跃企业客户的交易数据，并构建了覆盖 40 多个细分行业的供应链数据库。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。各类大模型应用深入到零售、工业、物流、健康等业务场景。例如，其自主研发的墨卡托标准商品库，通过 AI 技术统一商品参数体系，解决了工业品编码混乱问题，目前已接入施耐德电气、金杯电工等企业的数十万商品数据。在 2023 年某核电站紧急采购案例中，京东工业依托该数据库，仅用 72 小时完成供应商寻源与履约交付，避免了数百万损失。
在所有场景中，工业又是最适合孵化和使用产业大模型的场景之一。中国拥有全球最完整的工业产业体系，也是全球数据资源最丰富的国家，新增数据资源占全球的 1/4。在产业政策推动下，中国已经在工业制造为首的 12 个行业推广“ 数据要素 X”，培育基于数据要素的新产品和新服务。
在模型架构上，Joy Industrial 采用“ 通用基座+垂直行业” 的分层模式。通用层依托京东集团自研的千亿参数大模型 （如 750B 参数的基础延续模型），支持 1280k 超长上下文窗口，可处理百万字级工业手册的解析与推理；垂直层则针对汽车、新能源、电力等行业的特定需求，通过领域数据合成与后训练进行适配。例如，在汽车后市场领域，模型需学习 4S 店维修知识库，才能准确回答配件更换与保养方案。
核心产品矩阵：从需求到履约的全链路智能化
Joy Industrial 首批发布的 AI 产品覆盖供应链全流程，重点解决需求匹配、运营效率、合规管控等关键问题：
第一是需求代理 （JOY i 需求代理）。通过 AI 分析历史采购数据，将商机匹配效率从传统的 48 小时缩短至数小时，并实现秒级前置联动。例如，某钢铁企业利用需求代理的预测算法，库存成本降低 40%，采购成本减少 15%。
第二是运营代理 （JOY i 运营代理）。整合信息检索、业务执行与合规管控，系统可自动识别虚假运单，将商机治理效果提升 75%，技术成本降低 99.3%。在履约环节，某新能源汽车企业通过运营代理将交付周期缩短 23%，最快实现 1 小时极速寻源。
第三是关务代理 （JOY i 关务代理）。针对制造业出海场景，支持超万条进出口合规查询，响应时间从 3 天压缩至当天。以低值易耗品为例，企业可节省 21% 成本，时间与管理开销减少 40%-66%。例如，某企业需判断断路器是否符合泰国 CSS 认证，AI 代理通过多智能体协作框架，自动调用泰国电气专家模型，10 分钟内输出评估结论。
第四是商品专家与集成专家。商品专家通过 AI 审核与同品识别，将商品审核准确率提升至 97.8%，成本降至人工的 5%；集成专家则利用 AI 解析 API 文档并生成代码，将系统对接周期从 3 天缩短至分钟级，助力企业实现供应链全链条实时互联。
行业合作与场景落地，降低产业链沟通成本
京东工业大模型的落地离不开与行业头部企业的深度合作。全球光伏龙头晶科能源自 2018 年起与京东工业合作，共同探索新能源运维与 AI 的结合。晶科资产管理部总经理詹本静表示：“ 分布式电站点多面广，传统人工巡检成本高且效率低。与京东合作后，我们通过 AI 优化运维资源调度，成本已压缩 30%。” 在电力交易场景，晶科计划利用大模型分析供需曲线，实现发电侧与负荷侧的最优匹配，进一步提升资产运营效率。
此外，京东工业联合国家电网、中石油等链主企业，推动工业品分类与编码团体标准的制定，逐步将“ 京东标准” 转化为行业共识。这一举措有望降低产业链沟通成本，为智能化协同奠定基础。
京东未来规划：从 AI 员工到产业生态
在京东工业看来，数据层面，真正理解工业供应链的大模型不是仅仅靠统一标准的单一手段来解决工业供应链的信息孤岛等问题，而是通过工业大模型理解各类多模态数据来加速解决标准不统一的难题；在应用层面，真正高效协同的智能体，不能仅仅靠人之间的协同来解决工业供应链的超长链条协同问题，而是基于拥有超强理解力的工业大模型，在各个业务协同场景中以智能体的形式来解决复杂问题。从“ 公域汇集数据” 的通用基座模型，到“ 行业整合数据” 的垂直行业大模型，到“ 数据生成数据” 的 Self-Refine 仿生大模型，工业大模型的演进，将为消除工业供应链信息孤岛带来新的解题思路。
京东工业为 AI 在供应链中的应用规划了“ 三步走” 战略： 第一是 AI 员工阶段：在单一场景部署智能体，替代重复性工作，如数据补填效率提升 100 倍；第二十 AI 组织阶段：重构岗位分工，实现企业内部大规模 AI 协同，目前京东已部署超 1.4 万个智能体；第三是 AI 产业生态阶段：推动上下游企业间的智能体协作，最终改变生产方式。
技术演进上，京东工业将持续探索多模态与具身智能。何晓冬提到：“ 大模型将从数字空间走向物理空间，让机器人、仓储设备等实体获得通用智能。” 例如，京东已开发具备海量知识的智能机器狗 Joy Inside，未来计划将此类技术应用于工业巡检、物流调度等场景。
尽管前景广阔，工业大模型的推广仍面临现实挑战。谷应鲲坦言：“ 客户对数据出域和模型准确率存有顾虑。即使做到 95% 准确率，剩余 5% 的误差也可能影响信任。” 此外，工业场景的隐性知识 （如设备运维经验） 难以数据化，需通过仿真环境采集与训练。京东工业产品经理温赟指出，技术落地的核心是**平衡体验、成本与效率**，例如通过模型蒸馏技术将训练成本降低 70%，推理效率提升 30%。
京东工业大模型 Joy Industrial 的发布，标志着 AI 技术在工业供应链领域的应用进入深水区。其价值不仅在于效率提升，更在于推动产业链从“ 经验驱动” 转向“ 数据驱动”。正如谷应鲲所言：“ 每一条供应链都值得用 AI 重新做一遍。” 随着技术迭代与行业协作的深化，工业供应链的智能化转型或将催生新一轮生产力革命。（本文首发于钛媒体 APP，作者｜李婧滢，编辑｜刘洋雪）
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
