京东零售在智能供应链领域的前沿探索与技术实践

近日，“智汇运河 智算未来”2025人工智能创新创业大会在杭州召开。香港工程科学院院士、香港大学副校长、研究生院院长、讲座教授、京东零售供应链首席科学家申作军教授与供应链算法团队技术总监戚永志博士受邀出席并担任《AI+智慧物流与供应链分享会》联席主席，联合发表《AI科技助力供应链产业升级》主题演讲，深入介绍了京东零售在智能供应链领域的前沿探索与技术实践，并深入分析了AI驱动产业变革的核心路径与未来思考。

图：AI+智慧物流与供应链分享会现场

以下为《AI科技助力供应链产业升级》演讲实录，内容经编辑略有删减：

全球产业链正处于结构性变革的关键节点，想要突破传统范式桎梏，唯有依靠科技创新。

京东零售供应链首席科学家申作军教授强调，想要构建智能决策中枢，需要通过动态需求预测实现精准资源匹配，依托AI风险感知构建弹性响应机制，借助跨链协同技术打破产业孤岛，最终形成“感知-决策-执行”的增强闭环。这一体系不仅重新定义了供应链效率边界，更将推动产业生态从线性协作向网络化智能协同跃迁，为全球产业链升级提供可复制的技术范式。

图：香港工程科学院院士、香港大学副校长、研究生院院长、讲座教授、京东零售供应链首席科学家申作军教授

在京东智能供应链的创新实践分享中，戚永志博士以京东零售供应链为标杆案例，系统阐释了超大规模商业体的数智化升级路径。作为以供应链为核心竞争力的技术驱动型企业，京东管理着超1000万自营SKU，依托覆盖全国的1500余个智能仓库，实现了90%以上自营订单的当日达或次日达——这一行业标杆级履约效率的背后，正是智能供应链系统的核心支撑。

面对超千万量级的自营SKU管理挑战，自动化与智能化是京东实现高效运营的核心引擎。在创新实践中，京东打造了四位一体（计划协同+需求预测+智能决策+风险感知）的智能库存管理平台，其核心是精准的时间序列预测（Time Series Forecasting）能力。

京东自主研发的时序预测大模型，在预测精度、多维度特征融合等关键指标上均达到行业顶尖水平，为智能选品、动态调拨与履约优化等核心场景提供了坚实的技术支撑。这一系统不仅显著提升了库存周转率，还通过实时感知消费趋势与供应链风险，构建了“预测-决策-执行-反馈”的增强学习闭环，进一步优化了供应链的整体效率与响应速度。

图：京东零售供应链算法团队技术总监戚永志博士

随着数据规模和业务复杂度的指数级增长，传统时序预测方法（如ARIMA、Prophet）及早期深度学习模型（LSTM、TCN）在复杂模式捕捉与零样本泛化能力上的短板日益凸显。尽管大语言模型（LLM）的时序适配（如GPT4TS、TimesFM）成为新兴热点，但其进展尚未复现文本领域的颠覆性突破，核心瓶颈在于高质量时序数据集的稀缺与RLHF（基于人类反馈的强化学习）范式的适配难题。

京东供应链算法团队针对上述挑战展开系统性攻坚，从模型架构设计、数据工程优化到训练策略创新，成功构建了业内首个十亿级纯时序大模型。该模型通过引入多尺度特征融合机制与自适应时序注意力模块，显著提升了长周期依赖关系建模能力；同时，团队创新性地设计了面向供应链场景的弱监督预训练任务，有效缓解了数据稀疏性问题。在权威公开数据集上，模型关键指标超越现有SOTA方法，尤其在零样本跨域预测任务中展现出卓越的泛化性能。这一突破为复杂业务环境下的智能决策提供了全新的技术基座，标志着时序预测领域迈入大模型驱动的新阶段。

图：业内首个十亿级纯时序大模型方案

在大模型训练中，数据是基础。为了解决数据问题，京东供应链算法团队引入了一个包含15亿样本的大规模高质量复杂数据集，并提出了时序切分、数据配比和合成数据集构造等时序训练集构建范式。这些方法确保了数据的多样性和代表性，为模型训练提供了坚实的基础。在模型架构方面，团队提出了一个通用的PCTLM模型。该模型通过Patch的方式对数据进行切割，并在Patch投影的过程中进行了改进，以捕捉跨Patch间的信息。此外，团队引入了时间位置编码的分组注意力机制，进一步增强了模型对时序数据的处理能力。在垂类优化方面，团队首次提出了时间序列预测模型的RLHF方案，开发了一套适用于纯时序大模型的强化学习框架TPO。这一框架通过结合人类反馈和强化学习，显著提升了模型的预测精度和泛化能力。由于时序大模型的优异表现，京东算法团队已经将自研时序大模型在京东供应链系统部署上线，并取得了卓越的表现。预测准确率相较于线上大幅提升，验证了模型的有效性和实用性。

在需求预测之外，“数据驱动的库存选品与调拨策略”是京东智能供应链体系的两大核心支柱。面对电商场景下长尾商品多、需求波动大、商品关联复杂等挑战，京东创新性地构建了融合关联分析与预测技术的智能选品体系。通过ML-Top-K算法实现高潜商品精准定位，Reverse-Exclude算法动态优化库存结构，Hybrid Selection算法实现多目标动态平衡，形成了一套兼顾效率与弹性的选品决策框架。该框架运用以来，本地订单满足率提升2.19%，211订单占比上升1.44%，在超大规模SKU管理场景中为行业提供了可复制的智能选品范式。

调拨问题是选品策略的关键延伸，旨在优化城市仓（FDC）与区域仓（RDC）的库存分配，并动态选择最优履约路径。京东通过创新的端到端调拨算法，将需求预测、多目标优化与仿真验证深度融合，直接输出高现货率、低成本的调拨方案，同时增强决策可解释性。该算法突破传统方法在求解大规模、动态的库存调拨问题中的局限，综合考虑销售损失、调拨与履约成本，支持亿级变量实时优化，显著提升效率。基于此构建的智能供应链决策系统已实现显著效益：该系统上线以来，已产生明显收益，FDC库存持有成本和资金利用率每年减少超数千万元，调拨成本每年节省上亿元，库存现货率也提升了0.85%。这些收益展示了数据驱动的优化技术在解决复杂、大规模供应链问题中的影响，也为行业树立了AI驱动供应链升级的标杆。

图：端到端库存调拨算法

随着大模型、多智能体协同等技术的持续突破，供应链正从传统的“链式结构”向“生态网络”跃迁，其核心价值已从单一的效率优化转向全局资源的最优配置。京东的实践印证了技术创新的商业价值——当AI深度融入产业毛细血管，带来的不仅是运营指标的提升，更是商业模式的重构与用户体验的质变。

在现有技术探索的基础上，京东持续加码未来布局，与清华大学建立深度产学合作，聚焦供应链效率提升与社会化成本优化。双方将通过技术创新与场景验证的双向驱动，在智能预测、动态调度、多级库存协同等核心领域持续迭代，构建产学研深度融合的创新生态。此举致力于将优化成果开放赋能，推动全行业物流成本占比降低，为实体经济高质量发展注入新动能。

京东希望与业界同行携手，以智能供应链新基建推动实体经济高质量发展，通过先行实践经验为全球产业链升级贡献中国智慧，共同探索技术创新的无限可能。

审核编辑 黄宇