技术·艺术·算术：京东零售 AIGC 百亿素材供给实践

📌 一句话摘要

本文分享了京东零售在 AIGC 大规模素材供给中的落地实践，提出以「艺术、技术、算术」为核心哲学，通过美学量化、分层模型矩阵与智能调度、ROI 精算，实现日供给量超 1000 万、商家超 100 万、XTR 提升 29% 的规模化成果。

📝 详细摘要

本文是京东零售产品经理石孝钢在 QCon 大会上的演讲实录，系统阐述了京东零售在 AIGC 百亿级素材供给中的落地方法论与工程实践。文章指出，电商 AIGC 的落地绝不仅是「生成问题」，而是涉及美学量化、工程编排与成本精算的系统工程。作者提出「艺术、技术、算术」三大核心哲学：艺术层面，放弃通用美学评价，构建面向电商场景的五大设计维度（商品、场景、情绪、信息、促销），并通过数据驱动的 Harness Design 方法持续探索最优设计方案；技术层面，摒弃单一端到端大模型，采用分层模型矩阵 + 智能调度网络（基于 Swin Transformer 与强化学习），实现动态 DAG 路由，系统自发涌现出质量击穿、性能溢出、柔性容灾等高级运维能力；算术层面，以 ROI 为最终目标，通过奖励函数平衡效果、成本与吞吐。基于此构建的 Oxygen Vision 系统，以「探索引擎」（设计智能体）与「增长引擎」（嵌入式生成微服务）两层产品形态落地，日供给量稳定突破 1000 万，服务商家超 100 万，核心 XTR 提升 29%。文章最后提出两个前瞻性思考：行业卷模型但业务卷 ROI，系统运筹能力才是护城河；未来素材供给正从「面向人」走向「面向 Agent」，需平衡人类审美与机器可读性。

💡 主要观点

- 电商 AIGC 落地是系统工程，绝非仅靠模型生成能力。 作者指出「能生成 ≠ 能落地」，电商场景面临百亿级 SKU、高频促销、成本敏感等挑战，需从美学量化、工程编排、成本精算三个维度系统解决。

放弃通用美学评价，构建电商专属的五维设计体系。 将电商素材设计分解为商品、场景、情绪、信息、促销五个主维度，通过数据驱动的 Harness Design 方法，结合 AB 实验持续迭代最优设计方案。

端到端大模型并非商业最优解，分层模型矩阵 + 智能调度更高效。 超过 30% 的任务仅需白底图生成，用 12B DiT 模型处理成本是 0.1B 抠图模型的 400 倍。通过分层模型矩阵与基于强化学习的智能调度网络，实现动态 DAG 路由，系统自发涌现质量击穿、性能溢出等运维能力。

ROI 是最终决策标准，以奖励函数平衡效果、成本与吞吐。 通过奖励函数将算力消耗、业务增益、曝光获取能力统一量化，高流量商品享有更充足算力预算，闲时系统自动将高级模型能力开放给腰尾部任务。

未来素材供给需兼顾人类审美与机器可读性。 随着 AI 购物助手普及，VLM 成为素材新消费者，电商好图需同时满足人类情绪价值和 Agent 识别效率，这是下一代设计范式的新命题。

💬 文章金句

- 行业中很多时候将 AIGC 等同于文案、图片、视频的生产工具，认为'能生成 = 能落地'。

• 端到端，绝不等于商业上的最优解。MOE（混合专家）架构，也不是掩盖算力浪费的万能药。
• 在极端的工业级并发下，精细化的工程编排，远远大于盲目追求单一的万能模型。
• 不谈算力成本的 AIGC，都是耍流氓。
• 以终为始的商业 ROI，永远大于盲目追新的技术形式。

📊 文章信息

AI 初评：90

来源：InfoQ 中文

作者：InfoQ 中文

分类：人工智能

语言：中文

阅读时间：31 分钟

字数：7596

标签： AIGC, 电商素材, 京东零售, Oxygen Vision, 智能调度

阅读完整文章