【AI科技新聞分享】京東發表 Oxygen AIIC 系統：大模型變身「商品知識基礎建設」，十倍效率破解數百億商品的理解難題

電商巨頭京東（JD.com）近期公開了全新 AI 商品理解系統 Oxygen AIIC（Oxygen AI Item Center）。這項技術揭示了大型語言模型（LLM）與視覺語言模型（VLM）在產業應用的新趨勢——從上層的聊天助手，深化為巨型平台內部的「基礎建設」。面對服務 7 億活躍用戶、數百億商品量級的龐大生態，京東透過五大模組與華為昇騰（Ascend）NPU 的軟硬體優化，成功將商品理解的吞吐效率提升 10 倍，並在商家端實現了超過 80% 的屬性自動填寫率。

1. 巨型電商的三大傳統痛點
   當商品規模達到數百億級別，平台最核心的挑戰在於「精準理解商品」，傳統模式面臨三大瓶頸：
   需求端（語意落差）： 消費者搜尋的口語化字詞（如「莫蘭迪色外套」）與商家填寫的規格標題（如「高級灰戶外夾克」）存在巨大的語意鴻溝。
   供給端（管理成本高昂）： 商家手動維護顏色、材質、場景等數十種屬性極其繁瑣，漏填與錯填率高。
   營運端（趨勢滯後）： 新興風格（如「城市戶外」、「通勤機能風」）爆發迅速，傳統分類系統無法即時吸收與標籤化。

2. Oxygen AIIC 的五大核心模組與技術創新
   Oxygen AIIC 本質上是一套動態演進的商品知識中心，其最核心的兩個模組展現了極高的工程智慧：
   本體工程（Ontology Engineering）：建構商品知識地圖
   採用「人類專家 + AI 投票」的協作機制，透過三步循環擴充知識庫：
   發現： 模型自動從海量文本中抽取出「冰絲（材質）」、「防曬（功能）」等潛在知識。
   融合： 將「高級灰」與「低飽和灰」等相近概念進行語意合併，防止知識庫臃腫。
   驗證： 利用多模型投票與專家審查，過濾掉如「辣味電腦」等不合常識的荒謬屬性。
   
   

   AI 商品知識庫（AI Item Library）：精準對齊與十倍加速
   負責將海量商品精準掛載到知識地圖上。為了解決運算成本過高的問題，京東採取了三項邊際減耗策略：
   相似商品重用： 針對同款不同色/容量的商品（如手機），直接重用核心屬性辨識結果。
   屬性層級篩選： 預先過濾無關屬性（例如衣服不檢查電池容量），避免全量掃描。
   異步流程架構： 將向量生成、語意搜尋與模型判斷拆分為非同步工作流，讓 CPU 與華為 Ascend NPU 算力無縫銜接，成功讓整體吞吐效率暴增 10 倍以上。

3. 落地變現表現與垂直模型的「誠實限制」
   在實際商業場景中，Oxygen AIIC 已經為平台、商家與用戶帶來了顯著的效益：
   商家端： 協助商品上架自動填入核心屬性，填寫率超過 80%，大幅降低開店門檻並提升平台資料品質。
   用戶與營運端： 賦能自然語言購物助手，並透過智慧化優化商品素材，將點擊率（CTR）提升了約 9%。

論文坦承的技術限制：
作者在論文末尾也展現了科研的誠實性。首先，在數百億商品的極端規模下，線上環境依然會出現大量錯誤案例，如何建立「即時發現、即時修正」的閉環是下一階段的硬傷；其次，當模型為了適應複雜的電商任務進行微調時，不可避免地會面臨「災難性遺忘（Catastrophic Forgetting）」，導致其通用的推理能力遭到削弱。