近日，“智匯運河 智算未來”2025人工智能創新創業大會在杭州召開。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》聯席主席，聯合發表《AI科技助力供應鏈產業升級》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驅動產業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場
以下為《AI科技助力供應鏈產業升級》演講實錄，內容經編輯略有刪減：
全球產業鏈正處于結構性變革的關鍵節點，想要突破傳統范式桎梏，唯有依靠科技創新。
京東零售供應鏈首席科學家申作軍教授強調，想要構建智能決策中樞，需要通過動態需求預測實現精準資源匹配，依托AI風險感知構建彈性響應機制，借助跨鏈協同技術打破產業孤島，最終形成“感知-決策-執行”的增強閉環。這一體系不僅重新定義了供應鏈效率邊界，更將推動產業生態從線性協作向網絡化智能協同躍遷，為全球產業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，系統闡釋了超大規模商業體的數智化升級路徑。作為以供應鏈為核心競爭力的技術驅動型企業，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，實現了90%以上自營訂單的當日達或次日達——這一行業標桿級履約效率的背后，正是智能供應鏈系統的核心支撐。
面對超千萬量級的自營SKU管理挑戰，自動化與智能化是京東實現高效運營的核心引擎。在創新實踐中，京東打造了四位一體（計劃協同+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頂尖水平，為智能選品、動態調撥與履約優化等核心場景提供了堅實的技術支撐。這一系統不僅顯著提升了庫存周轉率，還通過實時感知消費趨勢與供應鏈風險，構建了“預測-決策-執行-反饋”的增強學習閉環，進一步優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戚永志博士?
隨著數據規模和業務復雜度的指數級增長，傳統時序預測方法（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，但其進展尚未復現文本領域的顛覆性突破，核心瓶頸在于高質量時序數據集的稀缺與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展開系統性攻堅，從模型架構設計、數據工程優化到訓練策略創新，成功構建了業內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，團隊創新性地設計了面向供應鏈場景的弱監督預訓練任務，有效緩解了數據稀疏性問題。在權威公開數據集上，模型關鍵指標超越現有SOTA方法，尤其在零樣本跨域預測任務中展現出卓越的泛化性能。這一突破為復雜業務環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動的新階段。
圖：業內首個十億級純時序大模型方案?
在大模型訓練中，數據是基礎。為了解決數據問題，京東供應鏈算法團隊引入了一個包含15億樣本的大規模高質量復雜數據集，并提出了時序切分、數據配比和合成數據集構造等時序訓練集構建范式。這些方法確保了數據的多樣性和代表性，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的方式對數據進行切割，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據的處理能力。在垂類優化方面，團隊首次提出了時間序列預測模型的RLHF方案，開發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異表現，京東算法團隊已經將自研時序大模型在京東供應鏈系統部署上線，并取得了卓越的表現。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，“數據驅動的庫存選品與調撥策略”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、商品關聯復雜等挑戰，京東創新性地構建了融合關聯分析與預測技術的智能選品體系。通過ML-Top-K算法實現高潛商品精準定位，Reverse-Exclude算法動態優化庫存結構，Hybrid Selection算法實現多目標動態平衡，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%，在超大規模SKU管理場景中為行業提供了可復制的智能選品范式。
調撥問題是選品策略的關鍵延伸，旨在優化城市倉（FDC）與區域倉（RDC）的庫存分配，并動態選擇最優履約路徑。京東通過創新的端到端調撥算法，將需求預測、多目標優化與仿真驗證深度融合，直接輸出高現貨率、低成本的調撥方案，同時增強決策可解釋性。該算法突破傳統方法在求解大規模、動態的庫存調撥問題中的局限，綜合考慮銷售損失、調撥與履約成本，支持億級變量實時優化，顯著提升效率。基于此構建的智能供應鏈決策系統已實現顯著效益：該系統上線以來，已產生明顯收益，FDC庫存持有成本和資金利用率每年減少超數千萬元，調撥成本每年節省上億元，庫存現貨率也提升了0.85%。這些收益展示了數據驅動的優化技術在解決復雜、大規模供應鏈問題中的影響，也為行業樹立了AI驅動供應鏈升級的標桿。
圖：端到端庫存調撥算法
隨著大模型、多智能體協同等技術的持續突破，供應鏈正從傳統的“鏈式結構”向“生態網絡”躍遷，其核心價值已從單一的效率優化轉向全局資源的最優配置。京東的實踐印證了技術創新的商業價值——當AI深度融入產業毛細血管，帶來的不僅是運營指標的提升，更是商業模式的重構與用戶體驗的質變。
在現有技術探索的基礎上，京東持續加碼未來布局，與清華大學建立深度產學合作，聚焦供應鏈效率提升與社會化成本優化。雙方將通過技術創新與場景驗證的雙向驅動，在智能預測、動態調度、多級庫存協同等核心領域持續迭代，構建產學研深度融合的創新生態。此舉致力于將優化成果開放賦能，推動全行業物流成本占比降低，為實體經濟高質量發展注入新動能。
京東希望與業界同行攜手，以智能供應鏈新基建推動實體經濟高質量發展，通過先行實踐經驗為全球產業鏈升級貢獻中國智慧，共同探索技術創新的無限可能。
)
