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。