情境数采把“动作”升级为“带因果的场景记忆”，让模型具备跨场景泛化能力。本文用具身智能的启发，给电商推荐、动态定价与智能仓储一套可落地的数据方法。
情境数采如何让AI跨场景泛化？电商与新零售的数据答案
机器人在模拟器里能把任务刷到“满分”，进了真实世界却频繁失手——这不是模型不够聪明，而是数据不够“真实”。同样的剧情，电商与新零售也天天上演：离线AUC很漂亮，上线转化却拉胯；一个城市跑得通，换到另一座城市就失灵；大促当天的波动，模型根本“没见过”。
我越来越确信：很多企业把AI做不起来，不是算法短板，而是数据范式没跟上。2025-12-17，深度机智与北京高校联合成立“具身智能数据采集示范中心”，提出以人类第一视角为核心的情境数采（In-Context Data Collection），试图解决具身智能的“数据荒漠”。这件事看似离电商很远，其实对电商与新零售的启发极强：让数据带着场景记忆与因果链条，模型才有迁移能力。
接下来我们把“从烧杯到购物车”的逻辑讲清楚：情境数采到底解决了什么、为什么能提升泛化，以及电商运营、智能仓储、动态定价应该如何复制这套方法。
具身智能的难点，其实是“数据不懂场景”
具身智能的核心瓶颈不是缺动作轨迹，而是缺可迁移的交互经验。传统数据采集更像“把动作录下来”：抓取、移动、放置……这些轨迹在固定环境里有效，但环境一变（光照、材质、障碍物位置、工具不同），模型就容易过拟合，变成“背轨迹”而不是“懂操作”。
情境数采强调：数据不是孤立动作切片，而是带着前因后果的逻辑流。比如抓一个烧杯，不只记录机械臂末端坐标，还记录桌面材质、光影、遮挡、绕障路径的微调——这些细节构成了“为什么这么做”。
把这个逻辑平移到电商：很多团队采集到的只有“点击/加购/下单”，却缺少触发这些行为的上下文。
- 用户为什么点？是因为页面首屏露出、还是因为同类缺货？
- 为什么没下单？是因为配送时效、还是因为优惠门槛？
- 为什么同一策略在华东有效、到西南失效？可能是履约时效与价格敏感度结构不同。
**没有语境的数据，很难训练出能跨场景部署的模型。**这也是“实验室高分、线上翻车”的共同根因。
情境数采的关键：第一视角 + 多模态 + 情境标签
情境数采之所以值得关注，是因为它把“数据”从记录动作升级为记录世界状态与决策依据。深度机智的示范中心依托自研 DeepAct 数据引擎，采用“第一视角（Egocentric View）为主，多视角辅助”的多模态采集体系。对电商与新零售来说，可以把它理解为三件事：
1）第一视角：捕捉“决策发生的那一刻”
机器人戴上第一视角设备，本质是在记录“操作者当时看到了什么”。电商里对应的是：用户当时看到的页面与触点。
很多推荐/搜索/转化问题，难不在模型，而在数据缺失：你只有用户行为，却没有用户当时的“视野”。建议至少补齐以下“第一视角特征”：
- 首屏曝光与滚动深度（用户到底看到了哪些商品）
- 价格展示方式（到手价、券后价、跨店满减的提示强度）
- 履约承诺（次日达、预约达、门店自提的默认选项）
- 同屏竞品与排序（用户在比较什么）
一句话：行为日志要和“当时界面状态”绑定，才叫情境。
2）多模态：把“看见、听见、位置、状态”一起收进来
具身智能的数据是多模态的：视觉、深度、位姿、环境观测位……电商新零售也一样，单一模态很难解释真实世界波动。
可落地的多模态组合包括：
- 线上：曝光/点击/停留 + 页面结构 + 实时库存 + 价格体系 + 营销触达（Push/短信/直播间引流）
- 线下：门店客流热力 + 货架陈列变化 + 缺货告警 + 收银队列 + 天气与节假日
- 供应链：库内作业状态 + 拣选路径 + 波次策略 + 运输时效 + 异常（破损/延误）
当你把这些信号同步到同一条时间轴上，模型才有机会学到“为什么这波转化下降”，而不是把它误学成“某类人不喜欢某类货”。
3）情境标签：把“世界上下文”变成可训练的提示
原文提到“World Context as Prompt”：每一帧都带情境标签，让模型理解物理约束。电商里同样需要把上下文结构化，形成可训练、可检索、可复用的标签体系。
我建议企业用“3层情境标签”做标准化：
- 业务阶段标签：种草/比价/决策/售后
- 供给状态标签：缺货/低库存/新品冷启动/清仓
- 干预动作标签：发券、改价、换排序、换主图、加补贴、调整仓配策略
这些标签的价值不在于“好看”，而在于它能让模型学到：在某类世界状态下，哪类动作有效，且为什么有效。
从“技能迁移”到“跨城跨店复制”：电商AI最需要的泛化能力
具身智能强调“向异构执行器迁移”——换个机械臂、换个夹爪也能做事。电商与新零售要的其实是同一种能力：
- 一个动态定价模型，能从A类目迁移到B类目，而不是重训三个月
- 一个补货模型，能从一线城市门店迁移到下沉市场
- 一个智能仓储策略，能从常态迁移到大促高峰
现实里，阻碍迁移的常见原因有三个：
- 数据域偏移：新场景的分布与旧场景不同（价格带、物流时效、客群结构）
- 行动空间变化：可用策略不一样（门店自提 vs 送货上门、券策略不同）
- 反馈滞后：很多动作的效果要几天后才显现（复购、退货、差评）
情境数采式的数据范式，会显著改善这三点，因为它把“环境-动作-结果”串成因果链，减少模型把偶然相关当成规律。
迁移能力不是“换个模型结构”就能买到的，更多时候是你是否记录了足够完整的现实语境。
三个电商/新零售场景：怎么把“情境数采”变成可落地的项目
下面给出三个最容易出效果的落地路径，适合用作2026年Q1-Q2的数据与模型升级项目。
场景一：个性化推荐——从“点了什么”到“在什么情境下点了”
直接做法：把推荐训练样本从“曝光→点击/下单”升级为“情境→动作→结果”。
- 情境：页面布局、首屏露出、券与补贴、库存与时效、同屏竞品、价格锚点
- 动作：排序策略、召回策略、解释文案、权益展示方式
- 结果：点击、加购、下单、退货、复购
实践建议：先选一个高流量频道（如搜索结果页或首页Feed），做“情境特征补齐”，再用A/B验证迁移收益：同一模型在新频道/新类目上线时，冷启动周期是否缩短。
场景二：动态定价——把“价格”放回它该在的世界里
很多动态定价失败，是因为模型只看销量和竞品价，却忽略了“世界状态”。建议至少纳入：
- 履约情境：次日达覆盖率、爆仓风险、门店可用库存
- 营销情境：券门槛、跨店满减、直播带货引流
- 替代情境：同价位替代品库存、评价分变化、搜索热度
你会发现同样降价5%，在“爆仓+延迟”情境下可能只带来差评；在“库存充足+次日达”情境下才带来净增GMV。模型需要学的是这个差异。
场景三：智能仓储与拣选——用“现场语境”训练更稳的策略
仓内优化经常陷入“仿真好看、现场不服”的尴尬。把情境数采思路引入仓内，重点补齐：
- 作业拥堵与通道状态（实时热力）
- 人员熟练度与班次差异
- SKU体积/破损风险/混拣约束
- 临时异常（设备故障、临时插单、大促波次切换）
这些是拣选策略能否迁移到不同仓、不同波峰的关键。
给科研与创新平台的启发：先建“数据底座”，再谈通用智能
这篇内容属于“人工智能在科研与创新平台”系列里，我想把观点说得更直白一点：通用能力的上限，往往由数据采集系统决定，而不是由某次模型迭代决定。
深度机智做“具身智能数据采集示范中心”，本质是在做一件科研平台化的事：把数据采集标准化、规模化、可复用，形成“永不过时”的数据基座。电商与新零售企业也需要自己的“示范中心”——不一定是一个实体中心，但必须是一个跨部门的数据规范与采集流水线：产品、算法、运营、供应链共同定义情境标签，统一采样与回流口径。
我见过最有效的组织做法是：把“情境特征覆盖率”当成指标，和模型指标一起进周报。覆盖率不够，模型就别急着上。
下一步怎么做：一份可执行的情境数据清单
如果你准备把“情境数采”落到电商与新零售，我建议按下面四步推进（从小到大）：
- 选一个高价值任务：推荐冷启动、跨城补货、定价在大促的稳健性
- 补齐第一视角：把“用户看到的/系统承诺的/库存与履约状态”绑定到样本
- 建立情境标签：业务阶段×供给状态×干预动作，先覆盖Top 20情境
- 做迁移评测：不是只看离线指标，而是看跨类目/跨城/跨渠道的上线表现
到这里，AI才会从“会做题”变成“会做事”。
年底复盘时，不妨问团队一个更硬的问题：我们到底在收集行为，还是在收集决策发生的真实世界？