引语：

“之前到了上海 WAIC，几乎满世界都是大模型。”刚从 WAIC 2023回来的京东探索研究院院长何晓冬，如此说道。

生成式 AI 的风，从硅谷吹到北京上海、乃至全中国，也仅仅只过了半年的时间。这几个月，大模型公司如雨后春笋般疯长，前面的文章《行业大模型落地肉搏：谁先扎进行业，谁就先入“咸阳” 》就有提到，更多的大模型正在走向落地，面向 B 端做更深度的结合，并且已经取得了一些初步的成果。

自 ChatGPT 掀起生成式 AI 的热潮，各个大厂都已经纷纷掏出自己的大模型产品或平台，迎接 AI 2.0 时代。

而京东，在大模型的竞逐中，似乎“迟”了半步。

而直到7月13日的JDD，京东才公开了他们的“言犀”大模型，较之腾讯、字节，迟了一个月；较之百度的文心一言，则迟了一个季度更多。

实际上，了解京东的人会知道，早在2月，京东就提出了在筹备“产业版的大模型” 。而在大语言模型的探索上，2020年，京东就开始研究“知识注入”的 K-PLUG 十亿级模型。

有人会问，京东在 AI 大模型上，是不是“起个大早，却赶了个晚集”？

一、被“偷偷”挪动过的“起跑线”

在 WAIC 逛展的时候，何晓冬几乎是被四周的大模型产品所“包围”。

有些展台，会为参会者提供大模型产品的试用，何晓冬看到，也难免好奇，便随手输入了一个问题：

“143的平方根是多少？”

他试用的大模型飞快地答出：

“11.58”

初看这个结果，似乎可以令人满意。毕竟144的平方根是12，143的平方根，结果应与12相差不大。

当时的何晓冬并没过多在意，就把这件事几乎抛诸脑后。然而坐上了返程的飞机，他才猛然发觉，143的平方根，不应与12相差0.42之多，至少该是11.9左右。拿出手机一检验，果然如此。

这其实也是何晓冬一直以来的严肃思考：如果一个会计，在看到这个“看似正确”的数字之后，并未多想，就将它填进了报表里，那数据上的纰漏将不可避免，而到了查账的时候，则不知道又需要多少道功夫，才能找到这个“千里之堤”上的“蚁穴”。

这就是产业大模型“最后一公里”的问题——当下，大模型已经开始解决内容生成、语义理解等等很多问题，但如果回答的正确率无法保证，C 端的用户，看到回答错了，最多发个微博、朋友圈，吐槽了事；而在 To B 的严肃场景下，最细微的错误，都可能成为大模型落地的“命门”。

回到开头提出的问题，到了今天，恐怕还有不少人认为，既然 ChatGPT 的爆红没有信息差，那么国内厂商跟风做生成式 AI 大模型，起跑线都是一样的。

殊不知，早在 OpenAI 在2022年取得阶段性成果之前，国内不少有技术远见的公司，早就“偷偷”地挪动了大模型的起跑线，在数年前就开始了“抢跑”。

京东要用 AI 技术推动业务增长，要解决好应用落地的“最后一公里”，就相当重要。

于是，早在2021年，京东自主研发的 K-PLUG 就应运而生，让使用者能够利用 AI 生成文案。相比其他产品85%的正确率，K-PLUG 生成文案的正确率达到了95%以上。

3年时间，AI 的技术范式也变了好几茬，从“Encoder-Decoder” 模式演进到“Decoder”模式。但对于“忠实度”（Faithfulness）的追求，本质上始终没变——这也成为了产业大模型落地，解决“最后一公里”难题的关键。

远见者“挪动”大模型的起跑线，除开技术的积累，战略和组织上的变革，也为他们的“抢跑”扫清了障碍。

2017年，刘强东在年会上，喊出的“技术！技术！技术”，至今还萦绕在许多京东人耳边。

也是那时，被分散在各个业务部门的 AI 技术力量被统筹进了“AI 平台与研究部”，包括何晓冬在内的一系列的 Fellow 级人物也被招入其中，为技术发展的高歌猛进添砖加瓦。

组织架构上的阻力，终究会成为企业技术发展的限制器。不少大厂吃过的亏，总结起来都是一本“血泪史”。而在京东，组织架构的设计，则是为大模型的发展“开了绿灯”。

而在生成式 AI 爆红之后，2023年年初，京东将大模型的研发上升到了集团层面，归技术委员会统筹，由集团统一抽调训练的资源和算力，供何晓冬和他的团队使用，并且将大模型的能力提供给京东内部的业务使用。

“在京东，有大量的前端业务，都希望使用大模型完成优化，”京东技术委员会主席曹鹏对小编表示，“这些场景需求我们会在内部做评选，一些对业务很有帮助的项目，我们会直接升级到集团战略执行委员会层面，以公司层级做出决策调度。”

而为了加深言犀对京东现有场景需求的理解，不少其他事业群、事业组的人员，也纷纷被抽调出来进入大模型团队，这些来自业务团队的同事，一方面可以从业务需求出发指导模型训练；另一方面，也负责将训练好的大模型带回业务团队，来做对接和优化。

而这也是京东能够将产业大模型更好落地的保障之一。何晓冬对小编说：

“严格上说，京东的大模型技术并不是‘从研究院走向产品部门’。而是在一开始，研究院和产品部的结合就非常紧密。”

让大模型团队更能从业务的角度出发，思考技术如何在企业里发挥价值。这也是京东比较独特的地方。

大模型要实现价值就必须落地，已经成为了当下 AI 2.0 赛道的一个共识。而大模型要落地，需要大模型的研究者具有更强的工程化和产品化意识；产业的从业者，也要有更好的技术 Sense，来拥抱生成式 AI 的产业变革，从而不至于被淘汰。

二、在产业中实际落地，大模型如何“击穿”场景？

“发布大模型不是我们的目的——我们关注的，是能够把大模型能力真正用到场景中，真正地产生价值。”在谈到大模型对于京东的意义时，曹鹏如是说。

大模型的价值=算法×算力×数据×产业厚度的平方。这也是在JDD大会现场，京东集团CEO许冉重点强调的。

京东内部，有大量的适用场景，一边确实面临着人力带来的效率制约；一边也受到生产力的限制，需要突破现有模式的瓶颈。

做大模型，先用自己“做实验”，首先是为现有业务赋能，快速成为公司降本增效上的助力，证明和实现 AI 的价值；其次也是让大模型能快速用起来，完成“使用-反馈-升级”的闭环。

要把场景“击穿”，不仅要有力透纸背的技术积累，还得有足够深刻的行业洞察。

举例来说，在金融领域的AI营销运营平台，京东的言犀大模型能够让使用者通过简单的口头指示，就一站式生成营销互动。过去需要5类职能人员，涵盖产品、研发、算法、设计、分析师的工作量，如今压缩到只需要1人。过去2000次人机交互，现在也减少到少于50次。综合看来，营销方案的生产效率有了百倍提高。

在电商领域，京东云AIGC内容营销平台也能够大展身手。从一张商品图出发，它能够理解商品特征，快速生成电商运营需要的商品主图、营销海报图和商详图等，将每套图的制作成本能降低90%，制作周期也从7天缩短到半天。

而在健康场景，京东健康瞄准的是皮肤病和心理咨询，意在把专科“打透”，并以此为矛头，开展 AI 远程诊疗的探索。在多模态技术的赋能下，京东针对皮肤科完成了一套专有的 AI 识别算法，能够识别一百多种皮肤的皮损情况，完成线上诊断。而在心理咨询的场景下，据观察，相比“真人”医生，AI 医生的患者满意度反而更高。

在数智物流的实践中，利用大模型+预测、大模型+3DSCADA、大模型3D场景理解的技术，京东能进一步地增强针对物流的决策、仓储方案制定、运营改善调整等能力，让供应链的降本增效得以快速实现。

要完成高质量的专业能力，大模型之间，拼的就是高质量的专业语料和行业Know-How。而不同于过去有人提倡的“行业小模型”，京东训练模型仍以公域数据为主，占70%左右；京东自有的专有数据，占比约30%。

京东自有的行业 Know-how 和数据，虽然占比不大，但仍然是言犀大模型能够真正落地，为业务部门提供服务和赋能的“基础保障”。

曹鹏表示：“供应链产业链上的大模型更有价值，因为供应链的链条越长，带来的数据相关性更高，相关性高的训练数据越多，模型越大，才越有可能产生产业端的智能涌现。”

而泛化，对于产业大模型来说同样十分重要。

小模型对单一场景的依赖，很容易让 AI 服务提供方走回 AI 1.0 时代“项目制”的老路；

同时，对于常识的理解，能够处理与专业领域不直接相关的内容，也有助于提升 AI 的用户体验。

“其实模型能力，有点像对一个人的培养。”在这个问题上，何晓冬做了一个这样的比喻：

“比如说，一个人读了12年的书，有了基础的社会常识。高中毕业之后，好像去工作也行，但专业性可能差一点。

“而如果再加上四年的专业本科，这样可能既有常识又有足够的专业知识——这是我们觉得产业大模型应该具有的能力。”

三、大模型的“三步走”

言犀大模型在智能导购、智能客服、智慧金融、数智供应链、物流管理等领域有了不少落地的尝试，给业务侧增添了不少新的可能性。

时下，言犀大模型对于京东来说，更多扮演的是“技术1”——解决内部效率问题——的角色，距离“技术2”——技术服务对外赋能——还有一些路要走。

“我们现在还是聚焦在，我们怎么真正把这个东西用起来、用好，”曹鹏对小编表示道，“如果我们自己都用不好，谈模型对外提供服务我觉得有点早。”

这也符合京东对 AI 大模型“三步走”的期待：

第一步，基于内部实践构建通用大模型；

第二步，在零售、金融、健康、物流等京东内部高复杂场景大规模锤炼，融合重点行业解决方案对外合作；

第三步，针对严肃商业场景将大模型能力对外开放。

当下的言犀大模型，正走到第二步，迈向第三步的过程——在这个阶段，大模型的产品化、工程化，则是技术团队需要攻关的重中之重。

给 AI 降本增效，让 B 端客户能够真正用上大模型，中间的“门道”不少。

首先，是要破除对大模型参数量级的“迷信”。模型不是越大越好，更大的模型很可能更笨重——无论是响应速度、并发数量、还是调用成本，都无疑对客户的使用体验带来重大的影响。

“每问一个问题都两三毛钱，在实际应用里是不经济的。”曹鹏如是说道。

在目前的大模型 To B 赛道，MaaS 提供方准备多种不同规格，能够应对不同功能、不同场景的模型，让客户按需选取，已经成为了一个被不少人认同的“共识”。

从十亿到千亿，京东也在多种数据量级的模型上进行了布局，意在为业务部门，乃至日后的 To B 客户，提供更可用且好用的模型。

其次，是大模型“苦之久矣”的部署和优化问题。动辄百亿量级参数的大模型，要让使用者更简单、更便捷地完成部署，并且保证模型的更新，不同公司都有自己的解决方案。

而京东的“奇招”，则是模型的量化和压缩，以让模型的小型化部署成为可能。

这里的“小型化部署”，并非主动缩减数据“革自己的命”，而是在仍然保持模型足够大的情况下，进行量化压缩，把浮点数压缩成4个比特，并且完成一些“剪枝”，来完成模型的“瘦身”。

同时，本次 JDD 发布的言犀的大模型开发平台，也提供数据的安全保障，并且让使用者可以在平台上，使用自己的数据为模型做持续训练、持续调优，完成个人专属或行业应用场景的优化。

结语：“胜在半步”

机遇和挑战，是何晓冬用来形容大模型的两个关键词。

一方面，当然要看到大模型为千行百业带来的机遇。在 AI 带来的生产力和产品体验跃升面前，有人说，“所有行业都值得被大模型重做一遍”，自然有其道理。不少公司或许可以在这个时代，借着人工智能的大浪，尝试弯道超车。

而另一方面，对于京东来说，以智能导购为例：根据用户需求，深度定制化的 AI 推荐，很可能对京东今天赖以生存的信息流模式，产生重大的颠覆。

对于大模型将为京东带来的改变，何晓冬十分乐观。京东的基因，并不只是停留在C端的电商，而是覆盖背后广泛垂直的供应链服务。在前端与消费者互动的环节以外，背后广泛的供应链环节，京东都有可能利用大模型做出优化。

“AI 大模型带来的，新型人机交互的价值，会远远超出人们的想象。”何晓冬说，“从最初的打孔纸带，到键盘交互，成就了IBM；从键盘到鼠标，成就的是微软；而从鼠标到触摸屏，又成就了苹果。”

每一代人机交互的变革，都会催生一个或更多新的巨头，撬动超过十万亿美元的价值。这也让人想起，言犀从一开始，就是一个新型“人机交互平台”。

回到最初的问题，京东的步子慢了吗？

从抢占媒体和公众的注意力的角度上，京东的确慢了；而在技术积累和体系建立的角度上，京东甚至还快了“半步”。

今天，AI 的‘赛道再次炙手可热，但眼见过上一波 AI “起高楼，楼塌了”的人们，此时仍在埋头猛进。

“热闹归热闹，”从 WAIC 回来的何晓冬感触颇深，“热闹之后还得看，最后什么东西能够真正地产生价值。”