算力合作加速电商AI落地：从优刻得×海光看新零售下一步

2025-12-19 06:10，优刻得与海光信息宣布深化算力合作，讨论国产算力平台协同创新、公有云国产化实践与生态共建。很多人把这类新闻当作“云厂商+芯片厂商”的常规动作，但我更愿意把它看成一个信号：AI在电商与新零售的竞争，正在从“模型与应用”阶段，走向“算力与工程能力”阶段。

这件事之所以值得电商运营、零售数字化团队、以及智慧城市相关从业者关注，是因为电商系统已经不再只是“卖货的前台”。它越来越像一座城市的“数字商业基础设施”：人流、货流、资金流、信息流在同一个系统里实时流动。算力的稳定、可控、可持续扩展，决定了个性化推荐、需求预测、智能仓储、动态定价这些能力能不能真正在高峰期跑起来、跑得稳、跑得便宜。

算力合作的核心价值：把AI从“能用”变成“可规模化运营”

先给一个明确结论：对电商来说，算力合作的意义不是“更快”，而是“更确定”——更确定的供给、更确定的成本、更确定的合规与可控。

为什么2025年的电商AI更“吃算力”？

双11、年货节、跨年促销这些节点，电商AI面临的是典型的“城市级瞬时流量”：

• 推荐系统要在毫秒级内完成召回、排序、重排，并把结果个性化到“人”
• 广告投放要在实时竞价与预算约束下，持续计算转化概率与边际ROI
• 需求预测要把天气、节假日、短视频热度、区域消费变化都纳入特征
• 仓储与履约要做波次、分拣、路由、站点补货的联动优化

这些任务的共同点是：数据量大、时效性强、链路长，而且越来越多团队在把传统机器学习迁移到更复杂的深度模型或多模态模型。于是问题变得很现实：算力不只是训练模型的成本，更是线上推理与实时决策的“运营成本”。

国产算力+公有云国产化：对企业意味着什么？

从“智慧城市建设”的视角看，电商与城市治理在底层逻辑上很像：都需要可控的关键基础设施。公有云的国产化实践与生态共建，往往能带来三类可落地的收益：

1. 供应链确定性：算力供给与扩容节奏更可预期，避免关键节点“抢卡、等资源”。
2. 成本结构可优化：当推理成为日常支出，算力单价、资源利用率、调度效率决定利润空间。
3. 合规与数据治理更清晰：在数据安全、等保、行业监管要求下，企业更容易做统一治理与审计闭环。

一句话概括：算力合作把AI能力从“项目制”推向“平台化、常态化”。

电商AI最依赖算力的三大场景：推荐、预测、仓储履约

电商的AI应用很多，但真正“烧算力、烧工程、烧钱”的，往往集中在三条主链路。把这三条链路跑顺，电商的效率和体验会同时上台阶。

个性化推荐：从“千人千面”到“千时千地千场景”

推荐系统的天花板不在算法名词，而在能否把更多实时信号喂进去：位置、时间段、同城热度、内容偏好、价格敏感度、库存、配送时效……

在新零售里，你会发现推荐不仅发生在App首页，还发生在：

• 到店自提的备货推荐
• 同城即时零售的“30分钟可达”推荐
• 直播间的实时选品与加购引导

这些都在逼近实时计算的边界。算力越稳定，实时特征越敢用；实时特征越敢用，转化率和客单价才更有想象空间。

需求预测：把“备货”变成一门可量化的生意

需求预测最怕两件事：一是促销策略变化导致历史失效，二是区域差异导致“全国模型”失真。要解决这些问题，行业在往两个方向走：

• 更细粒度：从“品类-仓”下钻到“单品-站点-小时”
• 更复杂的外部信号：节假日、天气、热点事件、内容平台趋势

细粒度与多信号的代价就是计算量激增。对很多品牌与平台来说，预测不是“做一次报表”，而是每天、每小时滚动更新，用来驱动补货、调拨、定价和投放。

我见过一些团队把预测做成“可运营的仪表盘”：当预测偏差超过阈值，系统自动触发二次计算、策略回滚或人工审核。这种闭环能力，本质上就是算力+工程的综合题。

智能仓储与履约：算力决定“城市级调度”的上限

把电商放进“智慧城市建设”语境里，仓配网络就像城市交通系统：

• 仓是枢纽
• 站点是路口
• 骑手/车辆是流量
• 订单是乘客

要提升履约体验（更快、更准、更稳定），核心是动态调度：波次、库位、路径、装载、线路、异常处理。这类优化很多都能用运筹优化+机器学习组合实现，但会非常吃计算资源，尤其在大促高峰。

算力越强，你越敢做“分钟级重算”；算力越弱，你只能靠“固定规则+人工兜底”。

从合作到落地：电商团队应该关注的四个“工程真问题”

听到“算力合作”“生态共建”，电商人最容易忽略落地细节。真正能把收益落地的，往往是下面四个问题的答案。

1）推理成本怎么降？别只盯训练

2025年的现实是：很多电商业务“训练不频繁、推理很频繁”。推荐排序、广告预估、客服质检、内容审核、商品理解这些都在持续推理。

可执行的降本路径通常包括：

• 模型蒸馏与量化（在精度可控前提下换吞吐）
• 热点商品/人群的缓存与分层推理
• 峰谷调度（把非实时任务挪到低谷时段）

算力合作如果能提供稳定的算力供给与更好的调度能力，推理成本下降会直接体现在利润表上。

2）高峰扩容怎么做？大促就是压力测试

大促是电商的“年度城市级应急演练”。建议运营与技术一起提前定义三条线：

• 业务SLO：页面延迟、下单成功率、推荐可用性
• 算力阈值：GPU/CPU使用率、队列长度、超时比例
• 降级策略：从“个性化排序”降到“热榜排序”，从“多模态”降到“文本模型”

没有降级策略的系统，就像没有应急预案的城市交通。扩容是钱，降级是命。

3）数据合规与国产化不是口号，是流程

当企业把更多核心链路放到国产化的云与算力生态里，必须同步升级治理：

• 数据分级分类与访问审计
• 特征与样本的全链路追溯
• 模型输出的风控与可解释记录

对新零售来说，这能减少“模型说不清、出了问题没人背得动”的情况。

4）别把生态共建当“采购”，要当“联合研发”

电商AI的难点通常出现在业务细节：同城即时零售、预售尾款、跨仓履约、逆向物流、价格保护、会员权益……这些都需要模型与系统深度适配。

如果合作只停留在资源采购，最后往往是“算力有了，效果不出”。更有效的方式是把合作当成联合研发：共同定义基准测试、业务指标与优化路线图，让算力、框架、调度、监控一起迭代。

给电商与新零售负责人的一份“90天行动清单”

想把算力升级的价值尽快体现在业务上，我建议按90天拆解，别贪大求全。

1. 第1-2周：盘点现状

   • 列出Top 5推理任务与峰值QPS
   • 计算推理成本占比（按订单量或GMV摊销）

2. 第3-6周：做一条链路的“可衡量优化”

   • 选推荐排序或广告预估其中一个
   • 设定可量化目标：例如延迟降低20%，或单位推理成本降低30%

3. 第7-10周：补齐监控与降级

   • 建立峰值预警、自动扩容与灰度发布
   • 把降级策略写进演练脚本

4. 第11-13周：把成果产品化

   • 固化为模板：新业务上线可复用
   • 建立“算力预算”机制：业务部门用数据说话

经验之谈：电商AI做不起来，80%不是算法问题，而是算力、数据、工程和组织协同的问题。

写在最后：算力正在成为“商业系统的市政工程”

优刻得与海光信息深化算力合作，表面看是产业链协作，放到电商与新零售语境里，它更像一项“市政工程”：把AI能力从局部试点，推进到全域可运营。而放到“人工智能在智慧城市建设”的系列叙事里，这也说明一个趋势——商业系统与城市系统正在共享同一套数字底座：算力、云、数据治理与实时调度。

如果你正在做个性化推荐、需求预测、智能仓储或动态定价，不妨把问题倒过来想：不是“我们要不要上更大的模型”，而是“我们的算力与工程，能不能支撑业务在高峰期稳定做决策”。

接下来一年，你更看好哪条电商AI主链路率先跑通规模化：推荐、预测，还是履约调度？