京東工業(yè)大模型Joy industrial發(fā)布，達成工業(yè)領(lǐng)域成本效率體驗極致平衡

5月22日，京東工業(yè)發(fā)布工業(yè)大模型Joy industrial，成為行業(yè)首個以工業(yè)為核心的工業(yè)大模型。其鎖定工業(yè)場景，依托京東工業(yè)深耕工業(yè)數(shù)智供應(yīng)鏈的產(chǎn)業(yè)積累和數(shù)據(jù)沉淀，構(gòu)建起從底層算力、算法、數(shù)據(jù)到應(yīng)用的全產(chǎn)品矩陣，助力產(chǎn)業(yè)降本、增效、合規(guī)、保供。

Joy industrial此次推出面向京東工業(yè)及供應(yīng)鏈上游供應(yīng)商的需求代理、運營代理、關(guān)務(wù)代理等AI智能體，以及服務(wù)供應(yīng)鏈下游企業(yè)用戶的商品專家及集成專家等AI產(chǎn)品。未來，還會打造汽車后市場、新能源汽車、機器人制造、石油天然氣、電力電網(wǎng)等垂直行業(yè)的工業(yè)大模型。

京東產(chǎn)業(yè)成大模型沃土，已具備全尺寸大模型矩陣

“京東的大模型正是誕生于產(chǎn)業(yè)，成長于產(chǎn)業(yè)。大模型產(chǎn)業(yè)化才能產(chǎn)生價值，只有在落地過程中不斷結(jié)合具體場景的數(shù)據(jù)、業(yè)務(wù)需求不斷打磨，才能使得大模型能力不斷地強化、得到真正的應(yīng)用。” 京東集團探索研究院副院長、京東科技人工智能業(yè)務(wù)部總裁何曉冬表示。

京東作為“以供應(yīng)鏈為基礎(chǔ)的技術(shù)與服務(wù)企業(yè)”，具有廣泛的產(chǎn)業(yè)積累，內(nèi)部產(chǎn)業(yè)場景成為大模型和AI應(yīng)用最好的孵化土壤。

2023年，京東推出自研產(chǎn)業(yè)大模型，就融合了30%數(shù)智供應(yīng)鏈原生數(shù)據(jù)。這些數(shù)據(jù)來自京東超千萬自營商品SKU、數(shù)千萬工業(yè)品SKU、超800萬家活躍企業(yè)客戶的落地實踐，使得大模型天然具備服務(wù)產(chǎn)業(yè)應(yīng)用的能力。此后，京東大模型又迅速納入工業(yè)、健康、物流等專業(yè)領(lǐng)域知識。

至今，在基礎(chǔ)大模型層面，京東已經(jīng)形成涵蓋3B、10B、81B、750B的全尺寸大模型矩陣，能滿足不同業(yè)務(wù)的差異需求。其中，3B和10B可快速響應(yīng);81B主力模型可兼顧性能與時效。京東最新推出的750B超大規(guī)模模型，則利用動態(tài)分層蒸餾、跨領(lǐng)域數(shù)據(jù)治理等京東創(chuàng)新技術(shù)訓(xùn)練，具備“深度思考”和“非深度思考”能力，能同時滿足行業(yè)對“即時響應(yīng)”和“深度推理”的雙重需求。

舉例來說，在客服等需要需要快速響應(yīng)的場景，模型能啟用輕量化推理路徑，實現(xiàn)毫秒級反饋;在供應(yīng)鏈優(yōu)化、醫(yī)療診斷等需要復(fù)雜決策的場景，則啟動深度思考模式，依托1280K的超長上下文窗口，能完成多維度信息的關(guān)聯(lián)與邏輯推演，在長文本1280K“大海撈針”評測中，實現(xiàn)接近100%的準(zhǔn)確率。

在大模型應(yīng)用層面，京東內(nèi)部則已經(jīng)生長出超1.4萬個智能體，解決了超過18%的工作內(nèi)容。各類大模型應(yīng)用深入到零售、工業(yè)、物流、健康等業(yè)務(wù)場景。

在所有場景中，工業(yè)又是最適合孵化和使用產(chǎn)業(yè)大模型的場景之一。中國擁有全球最完整的工業(yè)產(chǎn)業(yè)體系，也是全球數(shù)據(jù)資源最豐富的國家，新增數(shù)據(jù)資源占全球的1/4。

京東工業(yè)作為中國領(lǐng)先的工業(yè)供應(yīng)鏈技術(shù)與解決方案服務(wù)商，服務(wù)超萬家重點企業(yè)、260萬中小企業(yè)以及億級消費者。長期以來，京東工業(yè)立足供應(yīng)鏈領(lǐng)域，深耕商品數(shù)智化、采購數(shù)智化、履約數(shù)智化、運營數(shù)智化等工業(yè)場景，積累了豐富的跨行業(yè)供應(yīng)鏈數(shù)據(jù)，使京東工業(yè)能夠發(fā)布行業(yè)首個工業(yè)大模型。

成本、效率、體驗極致平衡，打造最適合工業(yè)的行業(yè)大模型

京東工業(yè)大模型Joy industrial在訓(xùn)練時，從成本、效率、體驗的三方面考慮出發(fā)，為模型更好適配工業(yè)供應(yīng)鏈場景做出優(yōu)化。

在成本方面，工業(yè)大模型Joy industrial基于Scaling Law，選取了工業(yè)應(yīng)用可取得預(yù)期效果的最小規(guī)模大模型，并通過T-S(Teacher-Student)模型訓(xùn)練策略，將大量級模型“瘦身”為小量級模型，既能夠壓降訓(xùn)練、部署和推理成本，也保證Student模型效果與大量級模型接近。

最終工業(yè)大模型的后訓(xùn)練所需資源，僅為通用大模型的1/16，如同把“青龍偃月刀”鍛造成輕便的“手術(shù)刀”，保證了工業(yè)大模型的低成本訓(xùn)練、部署和推理使用。

在效率方面，工業(yè)大模型引入MoE混合專家網(wǎng)絡(luò)架構(gòu)，在推理時僅激活少數(shù)適配輸入任務(wù)的專家子網(wǎng)絡(luò)，從而降低推理使用成本。同時通過思維鏈CoT自適應(yīng)訓(xùn)練，使得領(lǐng)域大模型可根據(jù)任務(wù)復(fù)雜程度，自動適配思維鏈長度，做到簡單問題不過度思考，提升推理效率。最終訓(xùn)練出的工業(yè)大模型，推理吞吐量相較通用大模型有8倍提升。

在體驗方面，工業(yè)大模型通過領(lǐng)域數(shù)據(jù)合成，匯總并梳理了各種工業(yè)場景，形成與場景匹配的領(lǐng)域任務(wù)層級，隨后通過外部大模型合成高質(zhì)量多任務(wù)學(xué)習(xí)數(shù)據(jù)，從而解決了工業(yè)碎片化場景數(shù)據(jù)稀疏的問題。此外，其針對領(lǐng)域任務(wù)層級中的各任務(wù)場景，設(shè)計了可驗證的獎勵函數(shù)，通過強化學(xué)習(xí)微調(diào)，對開源、通用大模型進行領(lǐng)域后訓(xùn)練，從而降低了對工業(yè)細分場景的數(shù)據(jù)依賴。

最終，工業(yè)大模型適配工業(yè)場景的多個評價指標(biāo)，相較主流通用大模型都明顯領(lǐng)先，成為更擅長工業(yè)場景應(yīng)用的“業(yè)務(wù)專家”。

憑借這些技術(shù)和路線選擇，工業(yè)大模型Joy industrial能夠工業(yè)領(lǐng)域成本、效率、體驗的最優(yōu)平衡。同時，其擁有京東工業(yè)積累的多模態(tài)數(shù)據(jù)，能夠在工業(yè)場景的超長供應(yīng)鏈搭建智能體，完成復(fù)雜協(xié)同調(diào)度，解決工業(yè)供應(yīng)鏈的數(shù)據(jù)孤島、標(biāo)準(zhǔn)割裂、管理復(fù)雜、協(xié)同沖突等難題。

未來，依托于工業(yè)大模型和AI智能體應(yīng)用，其將搭建業(yè)務(wù)協(xié)同“三步走“規(guī)劃：從企業(yè)內(nèi)單一場景、完成單一任務(wù)、提升單點效率的“AI員工”;到企業(yè)內(nèi)大范圍使用AI員工完成“操作執(zhí)行”工作，帶來“AI組織”重構(gòu);最后實現(xiàn)工業(yè)供應(yīng)鏈上下游企業(yè)之間的AI協(xié)同、產(chǎn)業(yè)共同升級，形成“AI產(chǎn)業(yè)生態(tài)”。

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。