多模态大模型进城：从云宇星空看智慧零售的下一步

2025-12-19，上海发布了全国规划资源领域首个基础大模型——“云宇星空大模型（专业版）”。我更关注的不是“又一个大模型”，而是它把行业里最难啃的那块骨头啃下来了：把文本、图像、空间数据放到同一个决策链路里，并且真的嵌进了业务流。

大多数企业做 AI 会卡在两件事：一是数据碎片化（系统多、口径乱、流程断），二是落地只停在“问答演示”。云宇星空给了一个更务实的答案：别先追“会聊天”，先追“会干活”。这套思路放到电商与新零售里，同样成立。

这篇文章属于「人工智能在智慧城市建设」系列。我会用云宇星空的能力做一个“拆解”，并把它映射到电商、新零售、物流与门店运营的真实场景里，给你一套可复用的落地路线。

云宇星空的价值：不是对话机器人，而是“全流程专业助手”

云宇星空最值得学的点很明确：它把 AI 变成了“行业同事”，而不是“百科客服”。根据公开信息，模型基于海量高质量“文本-图像-空间”多模态行业语料训练，参数量达到6000 亿，并构建了“基座大模型 + 六大垂类模型”的1+6 体系，同时配套智能体体系，覆盖规划资源、政府治理、社会共创三大领域的十大核心场景。

这背后对应的是一条很清晰的产品路线：

• 知识可追溯：用行业语料库与知识库沉淀“可信答案”，而不是让模型随口编。
• 数据可调用：把 GIS、业务系统、图层等能力变成自然语言可触发的“动作”。
• 任务可编排：不是一次问答结束，而是能拆任务、调工具、出结果。

五大能力怎么理解（以及对零售的启发）

云宇星空总结了五项核心能力：问不倒、能调图、会统计、能识图、会报告。如果你做电商或零售，把“规划图、遥感影像、空间图层”换成“商品图、货架图、仓内视频、门店平面图、订单与库存报表”，你会发现映射几乎是一一对应的。

结论一句话：多模态 + 可调用工具 + 可编排任务，才是企业级 AI 真正的生产力结构。

从“空间智能”到“商业智能”：多模态能力如何迁移到电商与新零售

把云宇星空的能力迁移到零售，我建议用同一套逻辑：把“看得见的图像/空间”与“说得清的文本/指标”绑定到同一条决策链。

1）“能调图”= 用自然语言调用经营数据与门店空间

规划领域用自然语言调 GIS 图层，零售可以用自然语言调：

• 门店热区（客流热力、动线停留）
• 货架陈列图（品类层级、面数、缺货位）
• 仓内库位图（库位占用、周转天数）
• 配送地图（时效、路由、异常点）

落地建议：别一上来做“大而全 BI Copilot”。先选一个高频动作，比如“给我找出本周缺货次数最高的 20 家门店，并在地图上标红，按品类拆分”。把这类动作固化成可复用的工具函数（tool），模型负责理解意图、填参数、串流程。

2）“会统计”= 图数联动的经营决策（而不是只出报表）

云宇星空强调“图数联动”：统计结果能在空间上关联展示。零售同样需要“图数联动”，但你的“图”可能是：

• 城市圈层/商圈网格
• 门店分布与服务半径
• 前置仓覆盖与配送边界
• 用户密度与履约成本

可复制的做法：

1. 先统一指标口径（GMV、毛利、缺货率、履约成本、退货率等）
2. 再把指标绑定到空间实体（门店/仓/网格/路线）
3. 最后才做“自然语言统计 + 自动可视化”

这一步做对了，AI 才能真正回答“为什么这片区域毛利掉了”，而不仅是“毛利是多少”。

3）“能识图”= 从商品图到门店视频的视觉审计自动化

规划里“能识图”用于图纸合规审查、要素提取。零售里最直接的对应是：

• 陈列合规：是否按总部标准陈列、是否缺标价签、是否串品
• 促销落地：端架/堆头是否到位、物料是否完整
• 损耗风险：异常开箱、异常聚集、冷柜长时间敞开等
• 质检巡店：把“人工巡店打分”变成“模型预检 + 人复核”

我见过更高 ROI 的方式是：先从“最容易定义的规则”切入，比如“价格牌缺失”“空位面积超过阈值”，用视觉模型把 70% 明显问题筛出来，店长只处理剩下 30% 模糊项。

4）“会报告”= 自动生成可执行的经营周报/复盘

多数企业的“AI 写报告”停留在润色。云宇星空的“会报告”更像是：先检索知识、再做数据分析、再按规范输出。

零售复盘报告也应如此：

• 先拉数：销量、毛利、缺货、退货、履约、投放
• 再归因：价格、供给、陈列、渠道、天气/节假日、竞品
• 再输出动作：谁负责、做什么、何时完成、预期影响

一句很硬的标准：报告里如果没有“下周要做的 3 件事”，那它就不算报告，只能算文字。

“1+6”体系对企业 AI 架构的启示：别迷信一个模型包打天下

云宇星空采用“基座大模型 + 垂类模型”并配套智能体调度，这种组合在企业里更可持续。原因很现实：

• 基座负责通用理解与推理
• 垂类模型负责特定任务的稳定精度（例如识别某类专业图纸/票据/货架）
• 智能体负责调系统、跑流程、留痕审计

放到电商与新零售，我更推荐的结构是：

• 一个基座：负责自然语言理解、跨模态推理、任务拆分
• 三类垂类（可从 6 类逐步扩展）：
  1. 供应链与库存（预测、补货、调拨）
  2. 内容与营销（人群、投放、素材生成与合规）
  3. 门店与履约（陈列识别、排班、路径优化、异常预警）
• 一个调度层：把 ERP、WMS、OMS、CRM、BI、地图、工单系统接成可调用工具，并且记录每次调用与结果

我更坚定的一点：企业 AI 不是“买个模型”，而是“搭一套可控的生产系统”。

2025 年底的落地窗口：年终大促复盘+来年预算，是最适合引入 AI 的节点

现在是 12 月中下旬，很多团队正在做两件事：年终大促复盘、来年预算与增长计划。这其实是 AI 落地的黄金窗口，因为你天然有数据、有目标、有流程。

一条 30 天可执行的试点路线（偏“拿结果”）

1. 第 1-7 天：选场景
   • 标准：高频、可量化、数据能接入
   • 推荐：缺货治理、门店陈列合规、投放归因复盘
2. 第 8-15 天：建“最小知识库”
   • 把 SOP、口径、规则、历史复盘模板整理成可检索资料
3. 第 16-23 天：接两类工具
   • 数据查询工具（订单/库存/投放）
   • 可视化工具（地图/门店列表/报表）
4. 第 24-30 天：上人审闭环
   • 设定“模型建议—人确认—系统执行—结果回写”的闭环
   • 明确可追责的审批点，避免“自动化事故”

常见问题：为什么很多零售 AI 项目做不下去？

• 只做文本，不做动作：能回答，但不能下单/建工单/调拨/改价。
• 只接一个系统：数据不全，结论不可信，业务自然不买账。
• 没有评估指标：上线后不知道好坏，最终被当成“演示项目”。

你可以直接用这三个反例做项目自检。

写在最后：从“理解图纸”到“认知城市”，也从“看订单”到“理解生意”

云宇星空的意义不止在规划行业。它让我们看到：AI 进入产业深水区时，竞争点变成“数据—工具—流程”的组织能力。能把多模态数据串起来、能把任务编排跑起来、能把结果回写进业务系统，才会真正形成持续收益。

如果你正在推动电商与新零售的 AI 项目，我建议你用云宇星空的“五项能力”做一张对照表：你的团队是否也能做到“问不倒、能调图、会统计、能识图、会报告”？缺哪一项，就优先补哪一项。

想一想：当你的运营同事用一句话就能调出“某城市网格的缺货热力图 + 原因拆解 + 下周补货建议 + 工单自动创建”，零售管理会变成什么样？