对话京东工业：从采购到工厂现场，工业AI走到哪一步？

证券之星 王梓旭

京东工业开始探索让AI理解工厂现场。

10月13日，京东工业在2026中国国际工业博览会上发布工业世界模型，并介绍了与AMD在模型推理优化及边缘计算方面的合作。根据公布的方案，相关技术将首先探索应用于工业安全预警、人机协作等场景，通过对设备状态、人员活动和现场环境的分析，为风险预判和辅助决策提供支持。

此前，京东工业的AI应用主要集中在工业品采购。与普通消费品不同，工业品的种类和规格十分繁杂，同一种零部件在不同供应商那里可能有不同叫法，企业还要考虑设备适配、交付时间和库存成本。京东工业通过梳理商品数据、训练工业垂直模型，尝试解决商品识别、参数匹配和采购效率等问题。

今年以来，京东工业开始把AI用于更多环节。9月发布的工业大模型JoyIndustrial 2.0及相关产品，已经涉及AI CAD设计、物料清单拆解和工业AI眼镜。比如，用户可以拍摄设备或零部件进行识别，也可以用自然语言描述需求，让AI生成简单零件的设计图纸。此次发布的工业世界模型，则把技术探索进一步推进到生产现场。

京东工业于2025年12月在港交所上市。2026年上半年，公司实现收入130.63亿元，同比增长27.4%。从采购到设计、生产，工业AI涉及的场景越来越多，但不同产品的应用进度仍有差异：有的刚开始小规模试用，有的还需工程师反复修改；对工厂而言，模型是否足够准确、响应是否及时，以及部署成本能否接受，都关系到能否真正投入使用。

10月12日，京东集团副总裁、京东工业CTO谷应鲲，以及京东工业AI与数据智能部负责人王宇辰，在工博会期间接受包括证券之星在内的媒体群访，谈及工业大模型的进展、应用限制、规模化推广和海外业务。

以下为群访内容整理，部分表述有所精简。

01 从采购到设计，工业AI走到了哪一步？

Q：很多中小企业希望进行智能化改造，例如采购先进设备、工业机器人，但自身的基础硬件、技术和人才条件还达不到要求。京东工业如何帮助这类企业实现智能化转型？

谷应鲲： 我们服务的不只有大型企业，还有近千万家中小企业。很多中小企业在设备、算力、人才和数据方面基础比较薄弱，要很快进入智能化阶段确实有困难。

过去，我们主要通过商城提供工业品采购服务，现在正把模型、商品标准化等能力通过平台开放出来，带到企业的设计环节和工厂现场，减少它们从头建设技术体系的投入。

工业品标准化是很重要的一项工作。同一种商品，不同供应商可能使用不同名称，参数和规格也不统一。我们把上游供应商提供的商品信息整理成高质量数据集，再训练工业垂直模型，帮助产业链上下游使用相对统一的商品语言。

这套能力已经开放给大型客户、合作供应商，也通过工品汇提供给中小企业。数据集建设和模型训练需要较高的技术投入，我们希望通过平台化的方式，让更多企业能够使用这些能力。

Q：京东工业在大模型方面投入了很多资源，这些投入在“工业透视”项目中有哪些体现？目前AI能够完成哪些设计任务，实际应用进展和生成效果如何？

王宇辰： “工业透视”现在主要有两项能力：一是拍照识别设备或零部件，找到对应商品并采购；二是通过自然语言描述需求，生成相关设计图纸，进一步拆解所需物料。

整个AI CAD行业还处在比较早期的阶段，有点像两三年前的AI编程，先辅助修改代码，再逐步生成完整程序。我们也是从简单零件开始，之后再挑战机床等更复杂的设备。

比如原来工程师花30分钟画一张简单设计图，现在部分任务可以缩短到1至5分钟。我们还接入了上游供应商的零件库，AI可以帮助工程师寻找合适的零件，省去到不同平台下载模型、插件的过程。

当然，AI生成图纸后，工程师仍需要在CAD软件中进行系统性调整。现阶段主要是辅助设计，复杂设备的生成能力还需要继续完善。

Q：与通用大模型相比，京东工业自研的工业大模型有哪些不同？它的优势主要来自专业数据和行业知识吗？目前已经解决了哪些实际问题？

王宇辰： 通用大模型能力很强，但在工业领域仍缺少大量专业语料。比如劳保手套磨损到什么程度需要更换、某个零部件应该如何使用，如果回答不准确，就可能影响生产甚至安全。

我们的优势首先是专业数据。京东工业有大量供应商提供的产品资料，可以用来训练模型，更准确地完成参数查询、商品识别和采购推荐。工业品即使只有细微的参数差别，也可能影响选型。

其次是成本。工业企业往往只需要解决具体问题，可以选择3B、8B、32B等不同规模的模型。有些场景使用二三十万元级别的服务器，就能实现本地部署，成本比部署大型通用模型更低。

第三是推理速度。工业现场的识别和安全检测要求快速响应，针对具体任务训练的小模型，可以更快完成判断。

目前，这些能力已经应用于内部系统、工品汇AI搜索、大客户智能采购和工业设计等业务。在商品理解、参数识别等专业任务上，我们的模型也取得了比较好的评测结果。

谷应鲲： 工业现场还有很强的约束。比如安全预警可能需要秒级甚至毫秒级响应，物体已经掉下来，3秒或5秒后才报警，就没有意义了。

另外，边缘设备的算力和存储空间有限，无法直接部署特别大的模型。所以我们必须先了解具体场景的需求，再决定采集什么数据、训练和部署什么模型，以及响应速度需要达到多少。直接接入通用大模型，很难满足所有工业场景的要求。

Q：相比一年前，京东工业在AI方面有哪些新的进展？从工业设计到与AMD合作的边缘计算、世界模型，这些技术将给工业企业带来什么变化？

谷应鲲： 这一年发生了很多变化。去年主要围绕采购环节，解决商品理解的问题。工业工具、仪器仪表、个人防护用品等品类的名称和规格很复杂，模型要先理解商品，才能完成推荐和采购。

今年开始往设计环节走。输入图纸或照片，模型可以拆解物料清单(BOM)，提供零件选型建议。比如某个进口部件能否用国产产品替代、成本能够降低多少，都可以由AI辅助判断。

再进一步，是根据设计想法生成CAD图纸，由工程师修改。这也是目前国内外很多企业和高校都在探索的方向。

下一步是进入工厂现场。现场涉及人、机、料、法、环，模型需要理解设备运行、人员活动和环境变化，才能进行判断或支持实际操作，这与世界模型密切相关。

我们也在推进与AMD的边缘AI合作，希望把相关能力部署到工厂本地，用于安全预警等任务。不过，这些工作要先从容易实现的场景做起，再逐步进入更复杂、风险更高的工业场景。

02 工业AI如何走进更多企业？

Q：如果从竞争力的角度来看，京东工业发展工业AI，最重要的差异化优势和技术壁垒是什么？

谷应鲲： 我觉得主要有两个方面。

一是对工业场景的理解。工厂、油田、海上风电、光伏、汽车和煤矿等场景，需求各不相同，有的关注安全，有的关注合规、效率或成本。每个场景适合什么模型、应该部署在什么设备上，都需要长期积累Know-how，短时间很难掌握。

二是数据。工业设计、生产和采购过程中，很多数据保存在企业内部，并不公开。我们通过与上下游企业合作获取专业数据，再用于模型训练。

以工业设计为例，模型想拆解产品结构、生成CAD图纸，就需要大量零件图纸和装配图纸。一个品类可能需要几十万张，涉及更多品类时，数据规模还会增加。如何获得这些私域数据并用于训练，也是重要壁垒。

Q：不同企业的工业现场差异很大，如果每家企业都需要单独训练和部署模型，成本会不会很高？京东工业如何将这些方案复制到更多企业？

谷应鲲： 我们的做法是先找标杆客户，在典型场景里采集数据、训练模型，完成验证后，再把方案产品化、标准化，推广给有类似需求的企业。

比如我们接触过一家冰箱生产企业，它在全国有很多工厂，产品下线速度很快，但质量检查仍然需要大量人员。

假设一家企业原来需要2000人负责相关检查工作，如果将识别模型部署到AI眼镜上，未来就有可能通过300人或500人完成部分检查任务。

冰箱、洗衣机等家电工厂都有质检需求，模型经过适配后就有机会复制。至于硬件，要看现场适合使用AI眼镜、机器人还是其他设备。我们希望通过典型场景形成可复制的解决方案，降低后续客户的部署成本。

Q：目前工业AI眼镜在物料识别、质检等场景中的准确率达到多少？如果企业有更高的要求，能否针对具体场景进行定制化调整？

王宇辰： 目前在一些识别场景中，准确率大约是90%至95%。如果客户有更高要求，可以根据具体设备、物料和现场数据做微调。

如果企业的应用场景明确，而且具备一定的数据基础，我们就可以进一步训练出更有针对性的工业边缘模型，并把训练和部署成本控制在较低水平。

Q：京东工业的出海业务已经开展两年。随着AI技术发展，在海外供应链运营以及服务当地中小企业方面，会带来哪些新的变化？

谷应鲲： 我觉得主要有两个方面。

一方面是提升跨境供应链效率。海外的运输、关务、仓储和配送与国内存在差异，工业品还要符合不同国家的法律法规和商品管理要求。

过去，这些工作需要投入大量人力。现在我们希望利用AI处理部分关务、商品信息识别和合规判断等事务性工作。目前已经取得一些进展，但随着业务发展，对准确率的要求也越来越高。

另一方面是海外中小企业市场。过去，我们主要跟随中国大型制造企业出海，为它们提供供应链配套。大型企业有明确的采购计划，我们按照订单组织供应链。

但海外还有大量中小企业，它们的采购需求比较分散，需要我们提前判断当地哪些商品有需求，再有针对性地组织供应链。

过去主要依靠有经验的采销人员选品，现在希望用AI分析海量商品和市场数据。海外不可能像国内一样铺开几千万种商品，仓储、物流和运营成本都很高。我们希望通过AI提高选品准确性，把适合当地市场的工业品推向海外。