技術·藝術· 算術：京東零售 AIGC 百億素材供給實踐

作者｜石孝鋼

編輯｜Kitty

策劃｜QCon 全球軟件開發(fā)大會

本文整理自 QCon 全球軟件開發(fā)大會·2026（北京站）明星講師石孝鋼帶來的演講分享。

以下是演講實錄。

大家上午好！我是來自京東零售 - 產(chǎn)研中心 - 智能零售 AIGC 視覺應用部的產(chǎn)品經(jīng)理石孝鋼，今天咱們這個分會場是 AIGC 的產(chǎn)業(yè)級應用，現(xiàn)場應該既有做技術的朋友，也有做應用的朋友，我今天會站在一個偏應用的視角來分享一下我們京東零售在 AIGC 大規(guī)模供給落地的一些經(jīng)驗和分享。

行業(yè)中很多時候將 AIGC 等同于文案、圖片、視頻的生產(chǎn)工具，認為“能生成 = 能落地”。

更多的關注和討論都在哪個模型更強，Prompt 一敲，極其逼真的圖像瞬間就能生成。很多人，甚至包括我們很多業(yè)務線的老板看完后，第一反應都是：“太強了！既然模型這么厲害，我們是不是直接接個 API，電商的素材生成問題就徹底解決了？”這是我們團隊被問得最多的一個問題。

但我們認為真正應該被問出來被解答，也是我們每天追問自己團隊的這幾個問題：生成量多大？成功率多少？可用率多高？總成本扛得住嗎？它對真實的商家對京東的生意，有幫助嗎？

在京東，我們面對的是百億級的動銷商品，每個商品對應十余種不同規(guī)格和調性的素材，還要應對周粒度的高頻促銷活動。

我們調研過的很多商家店鋪平均會有 4000+ 在售 sku，京東自營采銷人均負責 10,000+sku，如果這些素材都外包生產(chǎn)，10~20 元 / 圖的成本 疊加 sku 數(shù) * N 個版本* 每周一次的頻率，這個成本投入在越來越卷的競爭壓力面前是絕對不現(xiàn)實的，所以目前被運營的素材，占整體素材量的也就是 10-20%，大量的素材處于放養(yǎng)狀態(tài)。

因此，我們得出了第一個現(xiàn)實的觀察：電商 AIGC 的應用落地，絕對不只是一個“生成問題”。

首先生成問題是整個系統(tǒng)基礎構建的基礎，每一次底層大模型能力的躍遷（從文本到圖，到視頻生成），都打破內(nèi)容供給天花板，創(chuàng)造全新的可能性。

但光有上限不夠，電商購物是一個非常重體驗的場景，平臺頻道有規(guī)則，品牌有規(guī)范，品類有目標人群和競爭知識，這所需要的美學指引與通用美學標準有非常大的不同。

這些不同的需求的滿足，就是控制問題，商品一致性，合規(guī)，賣點促銷真實不幻想，在安全的基礎上進行創(chuàng)作。

最后回到電商的本質，這還是個生意問題，哪怕圖生得再美，可用率再高，如果我們不能回答‘能提效嗎？對業(yè)務有增量嗎？ROI 算得過來嗎？’，那它就只是個實驗室里的玩具。

為了更好的為平臺商家提供服務，我們團隊構建了一套代號為Oxygen Vision的統(tǒng)一落地系統(tǒng)。這套系統(tǒng)的核心哲學，我總結為六個字：藝術、技術、算術。

• 藝術決定做什么 - Doing right things，對齊電商審美需求

• 技術解決怎么做 - Doing things right，交付確定性結果

• 算術解答值得嗎 - Worth doing：在 ROI 視角下，精算每一分 Token 的經(jīng)濟學。

接下來的 40 分鐘，我就沿著這“三術”，帶大家深入了解京東 AIGC 的百億素材供給實踐的探索。

首先，我們聊聊“藝術”。通用 AIGC 和電商 AIGC 的訓練目標是不完全重合的。通用大模型在努力讓自己成為‘藝術家’，畫好看的人像、絢麗的風景；但電商 AIGC 不需要做藝術家，它是一個‘超級導購’，它的第一天職是‘設計服務商業(yè)’。我們不能用‘這圖好不好看’這種感性、難以量化的標準來驗收。

傳統(tǒng) IAA(Image aesthetics assessment) 工作的打分訓練，也更多是與藝術方向對齊的單一或多維分數(shù)，我們測試下來比較明顯的感覺是適合用于劣質圖片的識別，但很難真的選出購物語境下的好圖，以這個沖鋒衣商品舉例，純白底圖、帶賣點文字的圖片通常會受到模型審美偏好的負向影響得到低分，但這些圖片往往在電商領域會有更好的點擊率轉化率表現(xiàn)。

同時，電商在不同的素材展示位置，對素材的需求是隨著平臺要求和用戶意圖有顯著區(qū)別的。在首頁、活動頁，一般會使用商品白底圖，突出統(tǒng)一的平臺調性、活動氛圍。在推薦場域，用戶是隨便看看，逛一逛的這種弱需求，一般會使用少文字，突出使用場景的圖片，通過場景感激發(fā)用戶的興趣。在搜索場域，用戶有明確且強烈的購物意圖時，圖片素材通常會八仙過海，各盡所能地吸引用戶點擊，有展示外觀的、有使用場景的，大概率也有突出的賣點顯示。到了商詳場域，這個時候進入了商品領域，圖片的使命就是激發(fā)用戶轉化，在這個場景下的圖片中除了了核心賣點外，通常會有高強度的促銷、贈品，信息等等。

我們做的第一個動作就是放棄追求美學評價，轉為探索電商務實的設計維度。他們把電商素材設計維度分成了 5 個主維度，包括：商品、場景、情緒、信息和促銷。

• 商品維度：核心聚焦產(chǎn)品的面積占比強度，在此基礎上延伸出多個細節(jié)子維度，包括拍攝視角、商品呈現(xiàn)方式、是否采用多商品組合展示、是否帶有產(chǎn)品包裝等，核心目標是確保商品的核心特征能夠清晰、突出地呈現(xiàn)，讓用戶快速捕捉商品本身的關鍵信息。

• 場景維度：重點關注與用戶使用需求的關聯(lián)程度，覆蓋從純白底（適配平臺首頁、活動頁等場景）到真實使用場景的全范圍，同時包含道具搭配、打光效果、畫面色調、背景虛化程度等子維度，可根據(jù)不同展示場域的需求，靈活調整場景呈現(xiàn)形式，適配多樣化展示需求。

• 情緒維度：涵蓋從客觀呈現(xiàn)商品規(guī)格參數(shù)的純理性，到傳遞情感共鳴的純感性氛圍，在此維度下延伸出目標人群、購物動機（如是否用于送禮、日常自用等）等子維度，核心是貼合用戶心理需求，讓素材能夠傳遞出契合用戶期望的情緒價值，提升用戶共鳴感。

• 信息維度：核心關注畫面中文案與營銷圖案的面積占比，在此基礎上延伸出文案風格等子維度，重點確保信息傳遞的精準性和高效性，既避免文案過多雜亂影響觀感，也保證核心營銷信息能夠清晰傳遞給用戶。

• 促銷維度：聚焦信息中價促類型的占比，延伸出促銷類型、視覺強度等子維度，核心目標是突出促銷亮點，通過合理的視覺設計和內(nèi)容配比，讓用戶快速捕捉促銷信息，助力提升商品轉化效率。

通過這五大維度的系統(tǒng)分解，我們能夠快速定位不同場域偏好的素材構圖框架，并在此基礎上開展針對性的優(yōu)化探索，讓素材設計更貼合電商場景的商業(yè)需求。

與此同時，我們也做出了關鍵取舍：將常規(guī)生成質量評測中，商品一致性、人物崩壞、黃暴恐政等非設計方案層面的參數(shù)進行解耦，將其放到后續(xù)可控生成階段進行專門的控制和質檢，有效避免了不同維度的混淆，讓美學探索能夠聚焦于設計方案本身，提升素材設計的效率與精準度。

這套方法我們沒起名字，就叫他數(shù)據(jù)驅動的學習探索，但放在當前這個時點，可能叫Harness Design更應景一些。這套方法在落地過程里，為避免隨機探索對業(yè)務的負向影響，對好圖的探索也不能像純深度學習那樣從 0 開始，我們的做法是提取場域 x 品類維度的好圖設計特征作為探索冷啟動起點，并通過模仿、變異等多樣性策略產(chǎn)出實驗素材，通過持續(xù)的 AB 實驗投放和數(shù)據(jù)的結果表現(xiàn)，迭代知識和策略，通過持續(xù)的觀察 - 思考 - 行動的循環(huán)，追求目標回報率的最大化，這個回報率也是可以分場域和品類定向設置的，點擊率、多次點擊率、加購率等等。

這套美學探索系統(tǒng)的落地形態(tài)，成為了我們的任務規(guī)劃引擎，類似于大腦，決定一個任務來了做什么。

他同時具有快慢思考 2 個系統(tǒng)，系統(tǒng)一（快思考 / 肌肉記憶）：當遇到“商品白底圖生成”、“僅僅改個價格標簽”這種意圖極其明確的簡單任務，或者在前期多輪實驗中取得了明確有效的生成策略結論時，直接命中規(guī)則，瞬間下發(fā)的執(zhí)行指令。毫秒級響應，0 算力浪費。系統(tǒng)二（慢思考 / 深度推理）：當我們遇到模糊指令，比如優(yōu)化商品點擊率、優(yōu)化排名、生成千人千面素材等探索任務時，系統(tǒng)二被喚醒。它會按照未收斂任務的觀察 - 思考 - 行動模式，結合品類、場域知識，進行深度的意圖理解與提示詞強化（PE），生成策略性的探索方案。

同時還有一類情況，當一個任務從執(zhí)行側返回為多次嘗試最好的模型沒有通過時，規(guī)劃系統(tǒng)會降低設計藍圖的復雜程度，保證任務的交付（兜底）。

做什么定了，下面我們來聊聊怎么做。

首先，能生成和能交付，完全是 2 個難度等級的任務。我們剛開始訓練模型的時候，抽卡 10 次里抽出 1 次驚艷的 Good Case，就是非常值得開心的 aha 時刻。但在京東的 APP 的實際曝光素材里，100 次里有 1 次（Bad Case），商品變形、人物畸形、信息錯誤，就有可能引起客訴，索賠等損失造成事故。所以確定性、合規(guī)性是我們在技術落地階段的紅線要求，這部分會在質檢端嚴格把控。

另外在生成模型的路線選擇上，像屏幕上展示的，我們試圖用一個端到端的大模型，疊加上 MOE（混合專家）架構，來搞定所有的生成任務。你需要參考圖生成？我接入 ReferenceNet；你需要固定商品高頻特征細節(jié)？我接入 ControlNet；你需要去背景？我也用這個模型直接端到端輸出白底圖。

從運維的角度想，這簡直完美，一個統(tǒng)一的模型，全集群無差別重復部署，徹底消除了不同任務之間的負載不均，任務的通用性拉滿。

但這真的是最優(yōu)解嗎？我們在探索中發(fā)現(xiàn)了一個殘酷的真相：在我們的日常任務里，有超過 3 成的任務，其實只是要求把一張商品圖精準地變成‘白底圖’！

如果我們?yōu)榱俗非笏^的‘架構統(tǒng)一’，用 12B DiT 模型去干這個活，與 0.1B 的摳圖模型，就算使用 MoE 控制激活參數(shù)量，也還是會存在算力消耗* 設備性能差距導致的高達 400 倍的成本差。

所以，這也是我想和大家分享的核心觀點： 第一，端到端，絕不等于商業(yè)上的最優(yōu)解。第二，MOE（混合專家）架構，也不是掩蓋算力浪費的萬能藥。第三，在極端的工業(yè)級并發(fā)下，精細化的工程編排，遠遠大于盲目追求單一的萬能模型。

我們目前正在嘗試的做法，是嘗試用分層模型矩陣 + 智能調度的全新架構探索更優(yōu)的解決方案。

這套架構運轉主要分為兩步：

第一步，構建分層模型矩陣，也就是打好我們的‘算力底座’。我們將原本耦合的核心執(zhí)行過程，切分為四個標準化環(huán)節(jié)：前處理、生成、后處理、質檢。 通過規(guī)范這四個環(huán)節(jié)之間的出入?yún)f(xié)議構建一個支持‘熱插拔’的系統(tǒng)。

在每一層里，我們部署了 N 個能力、成本各異的模型。這里面既有幾十億參數(shù)的滿血版大模型，也有專門做過 INT4、FP8 極限壓縮的量化版本，還有最傳統(tǒng)的 CPU 算法小模型。

大家注意看圖上這些白色的節(jié)點方塊。在我們的系統(tǒng)里，每一個節(jié)點都不再是一個冷冰冰的 API，它是一個帶有‘實時動態(tài)簡歷’的實體。它需要時刻向中央?yún)R報自己的四個關鍵信息：

• 能力定義（你擅長什么？做不了什么？）

• 實時負載（你現(xiàn)在排隊擠不擠？）

• I/O 成本（調用你一次的單位 Token 花多少錢？）

• SLA 時延（你最快幾秒鐘能把結果吐給我？）

第二步，也就是這套系統(tǒng)的靈魂——中間的這個‘智能調度網(wǎng)絡’。在物理形態(tài)上，它是一個極輕量級的多模態(tài)強化學習調度網(wǎng)絡。在視覺提取上，我們采用了輕量級的Swin Transformer架構。用極低的算力開銷，瞬間掃出這張原圖的‘物理難度’，網(wǎng)絡把提取到的‘圖像難度’，和上層傳下來的‘文本指令’以及‘當前的系統(tǒng)負載率’揉在一起。面對 4 個執(zhí)行階段交織成的 DAG 行動空間，在強化學習的預訓練下，它會通過多頭分類器輸出一條當前負載下質檢通過率最高、且算力賬單最便宜的組合路徑。

當我們將系統(tǒng)重構為這種動態(tài) DAG 路由后，極其令人興奮的事情發(fā)生了——系統(tǒng)開始自發(fā)“涌現(xiàn)”出高級的微觀運維能力！

• 現(xiàn)象一：TooBad! (質量擊穿)。系統(tǒng)發(fā)現(xiàn)某個廉價節(jié)點幾乎沒流量了。為什么？因為調度網(wǎng)絡發(fā)現(xiàn)，只要走到那，就會因為產(chǎn)出廢片被后置的質量防線瘋狂扣分。這相當于系統(tǒng)發(fā)出的紅色警報，提示算法團隊：這個模型根本省不了錢，必須馬上重新微調！

• 現(xiàn)象二：GoodEnough! (性能溢出)。反過來，某高端模型空閑，而大量任務走廉價節(jié)點依然保持了高通過率。這說明廉價模型已經(jīng)“足夠好”了，工程團隊就可以放心地將珍貴的高端 GPU 資源降配回收，同時算法團隊可以考慮在同樣的算力消耗預算下，是不是有效果大幅優(yōu)化挑戰(zhàn)更高質檢標準的優(yōu)質模型。

• 現(xiàn)象三：CatchAll! (柔性容災)。當某個節(jié)點突然不可用時。調度網(wǎng)絡在分鐘級的路徑失敗內(nèi)發(fā)現(xiàn)流向該節(jié)點的任務通過率暴跌，瞬間將流量平滑泄洪到同層級的備用或降級節(jié)點，給工程修復爭取了寶貴的時間并能避免業(yè)務損失。

• 現(xiàn)象四：Skip! (架構折疊)。當新一代端到端大模型引入后，網(wǎng)絡發(fā)現(xiàn)直接生成比“扣圖 + 合成”效率更高。于是冗長的前置節(jié)點被自動切斷，系統(tǒng)拓撲自己完成了折疊進化！

• 現(xiàn)象五：TooHard!（知難而退）。當上游來的需求多次經(jīng)過每層最好的節(jié)點仍無法通過時，系統(tǒng)會向美學大腦反饋規(guī)劃的設計藍圖過于復雜，上層可簡化設計后重新下發(fā)任務。

通過工程實現(xiàn)的算力資源的有效利用率監(jiān)控，我們還順手理順了一個內(nèi)部合作的默契契約：產(chǎn)品跟蹤各類任務通過率與實際業(yè)務的效果數(shù)據(jù)，并持續(xù)迭代質檢評測集；算法有的放矢，針對質量差的模型改善效果，在質量范圍內(nèi)探索模型的降本提速。

接下來，到了算賬的時候了。

不談算力成本的 AIGC，都是耍流氓，我們面對的“不可能三角”是——效果、成本、吞吐。

而在實際業(yè)務中，三種傾向的任務也是同時存在的，追求極致效果的精細化運營，需要天花板級效果的素材做 AB 實驗驗證業(yè)務假設，實時工具箱需要低時延高并發(fā)的吞吐能力，才能在高峰時段保障用戶體驗；而大量業(yè)務治理類的動作，擦除牛皮蘚等，需要使用最低的成本大量產(chǎn)出。所有技術決策本質上是 Q-T-C 的博弈。

以終為始看這個博弈的目標，回到生意層面還是為了投入產(chǎn)出的最大化，簡單來說就是業(yè)務回報減掉生產(chǎn)成本的最大化，我們在做這部分評估用的獎勵函數(shù)分 3 個部分，紅色部分代表生成素材的算力資源消耗，藍色部分代表設計方案預期產(chǎn)生相對品類的業(yè)務增益指標，業(yè)務乘數(shù)是增益放大器，因為 aigc 素材還是以曝光作為轉化漏斗的起點的，所以我們實際使用的時候我們用的是曝光獲取能力。

看著有點復雜，實際還是比較簡單的，高流量商品或者展示點位的任務，受到業(yè)務乘數(shù)的放大，有更充足的算力預算使用更高級的模型做生成交付，并在高峰時段享有更充足的算力保障，同時，當系統(tǒng)閑時識別到高等級模型存在空閑且有機會提升業(yè)務指標時，也會慷慨的開放更好的生成能力給腰尾部任務。

前面就把我們這套 OxygenVision 系統(tǒng) - 藝術，技術，算術的核心哲學講完了，接下來是我們基于這套系統(tǒng)，落地到業(yè)務系統(tǒng)的產(chǎn)品矩陣。

它包括 2 層產(chǎn)品體系：

• 上層是“探索引擎”。這是一個獨立可交互的“設計智能體”，為京東商家和采銷提供高效高質量的設計服務，并在這里收集極端業(yè)務 Case，沉淀品牌知識，不斷優(yōu)化我們的美學系統(tǒng)大腦。

• 下層是“增長引擎”。這是一個嵌入到全站工作流中的“生成微服務”。它默默地在后臺執(zhí)行極限的算力運籌和分發(fā)。

首先通過一個短片了解一下我們的設計智能體：oxygenvision（可在官網(wǎng)查看短片：https://ai.jd.com/）。

短片中展示的就是一個商品主圖優(yōu)化的模糊需求，通過美學大腦進行商品素材分析、品類競品中 TOP 優(yōu)質素材抓取、競爭策略推理，基于五維體系生成方案并輸出結果進行 ab 實驗投放驗證的全流程，目前我們也實現(xiàn)了一個 sku 多輪實驗的分析和迭代能力，幫助商家持續(xù)提升優(yōu)化。

我們以這個智能體作為載體，收集商家和采銷的真實素材需求，并通過持續(xù)的觀察 - 思考 - 行動迭代，發(fā)現(xiàn)可固化為肌肉記憶的標準流程，也能識別當前使用行業(yè) sota 模型也很難做到可用的 hardcase 用于后續(xù)升級模型的重點測試集。

如果說智能體是幫我們‘探索上限’的實驗室，那么我們的第二個產(chǎn)品形態(tài)——‘嵌入式生成微服務’，就是幫我們‘做大規(guī)模’的工業(yè)流水線。他以 ai 生成功能能力，嵌入系統(tǒng)工作臺中的所有環(huán)節(jié)，可提供單點、批量的素材診斷生成等需求，并可承接業(yè)務方的驗證需求，定向批量生成素材并進入系統(tǒng)級 AB 實驗并回收效果數(shù)據(jù)。

我們把 AIGC 能力拆解成微服務，像水和電一樣，悄無聲息地接入到商家和運營每天在用的工作臺里。在這里，不強調炫酷的聊天界面，沒有情緒價值，只強調批量、穩(wěn)定、自動化。正是這個形態(tài)，真正把 AIGC 從一個只能發(fā)朋友圈炫技的‘Demo’，變成了一臺轟鳴的‘業(yè)務增長引擎’！

從藝術的美學量化探索，到技術的 DAG 智能調度，再到算術的 Token 經(jīng)濟學博弈。Oxygen Vision 幫京東零售扛過了百億素材供給的考驗。目前，Oxygen Vision 支撐的 AIGC 素材日供給量已經(jīng)穩(wěn)定突破 1000 萬 +。 我們服務的商家數(shù)量超過了 100 萬家。 最讓我們驕傲的是，在極其嚴苛的線上 A/B 真實流量實驗中，AIGC 供給素材在實驗商品的 AB 實驗中帶來的核心XTR 綜合提升達到了 +29%！

最后，我想分享兩點我們近期的觀察和思考。

第一點是：行業(yè)卷模型，業(yè)務卷 ROI。

這三天的 QCon 大會，大家肯定聽到了大量關于 OpenClaw、Hermes 這些前沿自主 Agent 的討論。作為技術人，我們承認，這些“大龍蝦”概念非常前沿、非常性感。

但作為一個背負著真實業(yè)務指標的落地系統(tǒng)產(chǎn)品經(jīng)理，我們必須保持冷靜：以終為始的商業(yè) ROI，永遠大于盲目追新的技術形式。在流水線上，那些幾百毫秒就能跑完、成本極低、穩(wěn)扎穩(wěn)打的“務實小模型們”依然非?？蓯?。

技術潮流會不斷更迭，今天火的是 MMDiT，明天可能又是新的架構。但如何站在生意的視角，把不同能力、不同成本的節(jié)點編排好，精算每一筆算力賬單——這種對系統(tǒng)極限效能的運籌和組織能力，才是不受時代周期影響的，真正屬于我們自己的護城河。

第二點是：素材供給，正在從“面向人”走向“面向 Agent”。

說到這里，我們依然繞不開剛才那些性感的“龍蝦們”。大家有沒有想過一個問題：當未來的 C 端用戶，開始大量依賴各種 AI 購物助手和自主 Agent 來提供購買建議時，我們電商素材的“消費者”變了。

除了人類的眼睛，我們的素材多了一種全新的消費群體：VLM（多模態(tài)視覺大模型）。

VLM 觀察世界、理解圖片、提取關鍵信息的方式，和人類對“美”的感知是截然不同的。由于我們部門同時也承接著京東集團內(nèi)部“視覺理解”的能力供給，我們最近正在探索一個極其前沿的命題：

未來的電商好圖，到底長什么樣？它不能僅僅是讓人類覺得“審美高級”，它還必須具備極高的Agent 識別效率（Machine-Readability）。如何在滿足人類情緒價值的同時，讓大模型在極短的時間內(nèi)、最精準地抓取到商品的賣點特征？平衡“人類審美”與“機器可讀性”的新一代設計范式，將是我們下一個要攻克的新領域。

最后，希望今天的分享，能為各位同行在 AIGC 的工業(yè)化落地中，提供一些新的視角與啟發(fā)。

號外：2026 年 10 月 22-24 日將召開 QCon 全球軟件開發(fā)大會·上海站，內(nèi)容覆蓋 AI + 軟件研發(fā)的方方面面，敬請期待。

作者介紹

石孝鋼，現(xiàn)任京東零售視覺與 AIGC 部，京東 AIGC 內(nèi)容生成平臺 -“京點點”產(chǎn)品經(jīng)理，推動 AIGC 技術在電商多場景的應用落地。此前曾任京東家電家居事業(yè)群商品規(guī)劃部 C2M 產(chǎn)品經(jīng)理、聯(lián)想商用事業(yè)部打印業(yè)務產(chǎn)品經(jīng)理，深耕軟硬件與互聯(lián)網(wǎng)行業(yè) 18 年，兼具技術理解與產(chǎn)品化能力，主導并打造過多款行業(yè)爆款產(chǎn)品，具備從需求洞察、產(chǎn)品規(guī)劃到規(guī)模化落地的全鏈路經(jīng)驗。

會議推薦

測完 MBTI，快來解鎖技術人專屬 AITI ！前沿探索家、大模型工程師、Agent 實戰(zhàn)拆解師、行業(yè)賦能師… 你是哪一種？6.26-27 # AICon 上海站等你面基同頻人！世界模型與多模態(tài)智能突破、Agent 架構與工程化實踐、Agent 安全與可信治理、企業(yè)級研發(fā)體系重構等 14 大專題全面開啟，誠摯邀請你登臺分享實戰(zhàn)經(jīng)驗。AICon 2026，期待與你同行。