衡宇 發自 凹非寺
量子位 | 公眾號 QbitAI
How time flies！又到了一年一度的618。
今年你下單了嗎？搶到心儀的商品了嗎？快遞收得順利不？血拚了大半個月的我有一個最大的體會，就是今年的618還是那麼熱鬧，但有些東西變了。
你可能也注意到這些變化——
商品推薦越來越命中心趴，物流越來越快，甚至智能外呼、客服機械人，也越來越像個真人了。
技術不是「內卷」「壓榨」或「花樣敘事」的工具，而是切實服務着美好生活。
體驗更好，出錯更少，意味着背後的技術進步得更多，也越能說明有人在背後頂住了壓力。
讓大家高高興興購物，支撐億級用戶順利下單、收貨體驗的，是一群技術人，他們日復一日地在代碼堆里打磨系統、調模型、壓成本、提效率。
618是京東的生日，也是京東首次以線上促銷形式慶祝這一日期，推出了618年中促銷活動，通過限時秒殺等簡單玩法吸引消費者。
一眨眼，我們已經在這個特別的時間點買買買了二十多年。
趁着這個節點，今年，我們找來了三位分別來自京東零售、物流、科技業務的技術人，聊了聊他們在幕後做的事。
長林丨零售：不是造一個新模型，而是讓模型用得起、落得下
大家在京東選購商品時可能會留意到，不同商家架上的同類商品會自動被歸在一起，方便大家快速對比選購性價比高的商品，商家也會被激勵提供更具競爭力的價格和服務。
這背後其實是一套「同品判別系統」， 它通過對比商品的各種屬性來判斷兩個商品是否相同，同時保證聚合展示的質量。
來自京東零售業務的長林，正在主導京東同品判別系統在大模型時代的優化。
他2021年從中國科學院自動化研究所博士畢業加入京東，一開始就在做大模型相關的工作。最開始是研究BERT等，case by case地簡單修改模型架構、改造模型訓練方式。
△讀書時期長林和行業大佬交流
後來ChatGPT橫空出世，他的研究就主要集中在模型壓縮和數據自動化選擇與配比上，儘可能提高模型訓推效率和性能平衡，減少實際應用中的人力和實驗成本。
在京東這樣一個SKU數量以億計、電商業務極其複雜的平台上，要讓系統自動識別出相同商品，既要精度高，還得成本可控、能大規模運行——難。就連大模型中很「小」的7B模型，使用起來都成本太高、速度太慢，難以支撐實際業務的規模化落地。
於是，長林和團隊決定轉向一條更務實的路線，即模型蒸餾。
小模型學習大模型分辨的結果對錯，也學習其內部思考過程，領悟判斷邏輯，深入理解什麼樣的特徵才是有用的判斷依據。
最終，長林和團隊把大模型的推理過程抽象成特徵動態演化的過程，從而最大程度提取知識。相關成果最後被頂會ACL接收。
模型蒸餾外，數據是長林一直關注的另一要素。
在模型訓練階段，京東平台上海量商品之間的組合數量指數級增長，不可能全部餵給模型用來訓練。
為此，長林設計了一套數據篩選機制，優先選出那些最有信息量、最難判斷的「模糊樣本」，這樣不僅節省了40%～60%的訓練資源，還保持了原有精度。
同時，為了支持多個任務的數據融合訓練，他還引入了一種自動數據配比算法，根據不同任務的難度動態調整數據佔比，進一步提升了訓練效率。
以上這一整套方法，最後被用在系統審核環節。
△長林代表公司參加行業頂會
幸運的是，這種算力消耗不低的探索方向，在系統真正被驗證好用之前，就得到了京東在資源和團隊協作上的支持。
這種在項目推進上的自由度，讓長林能夠堅持自己的追求——不是堆模型參數贏比賽，而是讓技術真正跑進業務、服務用戶。如果能讓用戶更快買到「又好又便宜」的商品，提升一點點體驗，降低一點點選擇成本，那技術就沒白用。
技術人要找到值得長期投入的課題，關鍵不是一頭扎進算法細節，而是要深入業務，從實際問題角度出發。
而京東與其他電商平台不同，它擁有完整的供應鏈體系。
京東對於供應鏈全流程包括需求預測、採購/供應、倉儲/庫存、銷售、物流履約和客服都有深刻的理解。同時又擁有自營和POP兩種完全不同的模式。這會帶來很多全新的機會。
「但對技術人來說也是一個挑戰。」長林表示，這意味着需要在更大的搜索空間里尋優，需要更好的優化方法。
像他做的同品判別系統，就是在深入理解商品聚合場景之後，自然浮現出來的方向——既貼近用戶體驗，又具備模型落地的複雜性，值得長期深耕。
這就是技術真正的影響力，不是靠炫技，而是讓科技以「無感」的姿態融入日常，讓用戶體驗絲滑流暢。
長林非常鼓勵更多年輕的技術同學關注這個方向，「這塊未來機會很多，也值得用心去深挖。」
星衍丨物流：打透一個場景，不去追求無邊界泛化
和長林差不多時間入職京東的星衍，如今已經是京東物流一個10餘人技術團隊的負責人了。
△讀書時期的星衍
此次618物流大考前夕，星衍的日常有些「不太日常」：他帶着團隊每隔幾小時就查看一次前線實倉的指標、現場監控和異常回報，有時還要一起親自到實倉去。
因為他和團隊面臨的工程問題，80%需要現場給出的答案。
至於他為什麼會選擇今天這條路，故事還要從他當年在國外讀博說起。
當時，星衍在Meta實習，也順利拿到了研究崗的offer。但「那個崗位其實做的就是寫SQL、跑數倉，和博士研究的時空數據分析基本沒關係」，而且在星衍看來，國外平台對技術人員的上限不夠友好，是不是博士乾的活都差不多，沒啥挑戰。
思來想去，他還是決定回國。
在橫向對比了N個到手offer後，星衍決定成為一名京東人。原因很簡單：
至少這裡的業務場景是開放的，你想往前多做一步，是有空間的。
最終，結合自己的專業方向和技術興趣，他選定了京東物流作為定崗方向——這是一個看起來「灰塵多、線下多、數據臟」的場景，並且是需要真正的深入業務理解業務場景，在一線、成為一線。
他每天需要考慮和接觸得最多的，不是派送件的快遞員，就是分揀快遞的倉庫。這倆一個是物流末端，面對開放環境，一個是封閉場景，複雜度不在一個緯度上，但都不簡單。
星衍主導的第一個項目，是對快遞終端作業模式進行重構。
以前，每個京東快遞的站點，是站長靠經驗來劃分快遞員轄區。隨着快遞體量越來越大，人的主觀經驗開始吃不消了——既有分配不均的問題，也有反饋難追蹤的問題。
他印象特別深，當時做末端派送分析就發現，有的快遞員明明在同一個小區送件，卻要回到站點兩三次。
於是，星衍帶領團隊開發了一套智能分區模型，結合快遞員畫像（如派件量、上樓頻率、返站次數）和小區地形信息（是否老舊小區、有無電梯等），幫助末端更合理地分派人力。
時至今日，京東物流仍然在不斷探索如何更好地利用數據進行優化和改進。
而星衍現在正在推動的項目，是部署在京東物流的分揀中心的機械臂，這也是為什麼他最近忙得不可開交、動輒要去倉庫前線的原因。
△星衍在一線
從去年開始，星衍帶隊負責包裹抓取與碼放的智能化改造項目，落實到地就是一台台機械臂，負責完成京東倉庫中部分中小件包裹的自動分揀、碼放工作。
這些機械臂和傳統工廠流水線上的機械臂不同，它們是「具身智能」，只不過不是通用型的。而它們和星衍團隊的目標，是把「中小件包裹分揀、碼放」這個單一場景打透。
為什麼要強調「打透」？星衍強調，越垂直的場景，越不能追求泛化，而且這一個場景其實比想像中難太多。
「包裹沒你想得那麼規整，包裹外包裝有反光的、黑的，也有兩個膠帶粘一起的，尺寸大小也不一致。」星衍介紹道，「有一次機械臂遇到一批包裹中間貼了反光膠帶，系統誤以為那是兩個包裹，就導致識別錯誤。」
具體技術上，星衍團隊採用了行業成熟方案加域內微調的模式。這種情況下京東內部積累的海量包裹圖像數據就立下了汗馬功勞，這都是外部團隊很難獲得的積累。
與此同時，星衍團隊還開發了一套反饋機制，一旦發現識別失敗的樣本，就能快速迴流重新標註進入模型訓練閉環。
作為博士管培生入職後，他從初來乍到的技術新人，到現在帶着團隊夥伴一起負責核心項目，星衍的成長速度是非常快速的，角色的轉型也是他近期的重要課題。
以前是自己調模型、改代碼就行，現在是得替大家考慮怎麼組織項目、解決問題。如今的星衍，比起一開始那個還帶着研究視角的博士，顯然多了一些「工程老兵」的理性與判斷。
具體的帶團隊方法上，他比較反感「壓KPI」的做法，更強調問題導向、協作為主。
團隊項目一旦出了bug絕不推諉，遇到問題大家就擠在會議室一起想辦法，「沒什麼面子不面子的，幹活是最實在的。」
初雪丨科技：識別准了才算數，「我們自己能做得更好」
語音識別這個技術活，是初雪每天都在打交道的工作。
作為京東科技的一員，他參與的語音識別系統，已經深度接入了京東的協同辦公、智能客服、AI外呼、語音搜索、具身智能等多個核心業務線。這些業務大家其實早就體驗過。
當初剛剛加入京東的時候，技術小兵初雪只是參與着科技業務一些比較底層的小模塊的開發調試，比如語音活動檢測、VAD、聲紋日誌。
乍一聽這些技術非常陌生，但其實在消費者每天都接觸到的應用里，都是鏈路里不可或缺的模塊。
紮實的經歷，讓初雪在短短几年中從小模塊爬到了大項目——不僅在京東語音能力大項目中擔任研發骨幹，還開始牽頭組內一些新方向的探索和項目落地。像智能外呼系統、遠場識別模型、智能客服的語音前端能力，他都參與了完整的方案設計與技術實現。
這些應用，在京東豐富的自有場景里迅速紮根，成長為有成千上萬用戶、身邊朋友家人都會用到的產品。這讓初雪從初入行業的技術人才，進化成熟稔產業應用的專家。
△初雪（右起第四）和夥伴們一起保障春晚紅包互動
當聊到這段成長經歷，初雪表示自己「晉級打怪」的速度不是個例。
他當初經由博士管培生項目招進京東，項目機製成熟：入職前半年打基礎，技術大佬+業務大佬直接指導，解答技術問題的同時能夠深入業務學習和建立認知，接下來就會進入項目歷練，在能落地的技術實踐中培養人才，利用技術眼界創造更大的價值。因為每個人都配備了導師，每個人都有清晰的成長路徑。
京東在資源上也很支持，「項目落地過程中，只要你能把技術說清楚、效果做出來，公司就願意投入。京東是一家用產業價值衡量技術的企業。」
當初選擇加入京東，除了項目機製成熟，公司資源傾斜，專業方向匹配（他本就是做語音識別方向的博士），還有很現實的考慮：一是初雪是北方人，在北方城市生活更習慣；二是京東福利實在，自己在北京落了戶，身邊還有很多同事通過公司住房保障基金在北京買房安了家。
當然，真正讓他成長跳躍的，還是他在真實業務場景拼殺、口中「打仗一樣」的項目經歷。
初雪回憶道，某年他所在團隊攬下了做會議轉寫系統的任務，但當時市面上已經有成熟產品了，公司內部一直有聲音主張直接對外採買。但京東既坐擁豐富的產業數據，又擁有大量的場景需求。當時初雪就覺得，如果這都做不過外部競品，那我們還有什麼價值呢？
於是，他和團隊一路從底層模塊開始優化，從ASR（自動語音識別）、說話人識別、VAD，一直迭代到後處理文本修復，花了幾月時間反覆打磨。
最後在多輪盲測中，自研的會議系統轉寫效果超過了外部頭部競品。
△初雪（右起第六）項目上線後和夥伴們一起慶祝
接下來，初雪進入了更多集團級項目的核心鏈路中，「資源多，場景也多。」他開始站在京東更高的視野考量技術的價值。
現在他主攻的兩個方向是聲紋識別和遠場語音識別。
應用到京東的業務場景中，咱們普通人最有感知的例子或許是京東智能外呼——電話那頭聽起來很自然、反應靈活的擬人語音，高效處理海量呼叫任務，介紹最新產品、活動，還能理解客戶需求。
其實，接電話人常常說的是方言，哪怕是普通話也帶有很重的口音，會嚴重影響模型識別準確率。
針對這個必須解決的問題，初雪和團隊專門收集了全國各地的大量樣本，還開發了針對性增強機制，比如使用MoE來在不同方言分佈之間做切換，從而實現對口音更友好的模型泛化。
除了這些，他也在推動一些更「感知層」的創新方向，比如通過分析語音中的情感、語氣波動，判斷用戶的意圖傾向是「猶豫偏正向」還是「猶豫偏負向」。
你不能只看他說了什麼，還得聽他說話的「感覺」。 這些看似天馬行空的技術，對於外呼電話能否打動聽眾、品牌能否真正有效觸達消費者，有着生死攸關的商業價值。
目前，這個方向還處在探索期，但初雪相信未來一定會進入更多業務環節，因為「這才是真正讓AI聽懂人話」。
當被問到對這份工作的認同感時，初雪停頓了一下，然後說：
語音識別是個感知特彆強的技術，識別對了沒什麼人誇你，識別錯了，用戶第一時間就知道。因為用戶對人講話太熟悉了。最常用的技術應用，也是最難做的。
我現在做的，就是讓錯的地方越來越少，讓聽不懂的情況越來越少。讓用戶在無感知的情況下，就能享受到技術的價值。
從TGT出發，走一條真正屬於技術人的長路
長林、星衍、初雪三位技術人業務方向各不相同，但聊天過程中，他們不約而同地提到了同樣的關鍵詞：
「踏實」 「敢為」。
這是他們仨對京東技術風格的形容詞。
在他們看來，京東的技術風格沒有太多「花活」，但正因為紮實，才適合做長期的事。
這種風格背後，其實也離不開對人才的持續投入。三位同學都提到，自己在入職初期能快速上手，很大程度得益於導師和前輩的「帶一把」。
不僅有專門的技術導師帶着解決具體問題，也有不少學長學姐、業務負責人願意一起拆需求、跑現場、推項目。就像長林說的那樣，「你不是被扔進來自己摸索，而是真的有人和你並肩一起走。」
京東對技術人的重視，從來不只是拿來用好，更是長期養好。
而在技術人才培養這件事上，京東今年又往前邁了一大步。
今年5月，京東正式推出了TGT計劃（Tech Genius Team，頂尖青年技術天才計劃），面向全球招募畢業兩年內的碩博技術人才，同時也向有算法競賽或頂會論文等硬實力的優秀本科生開放。
只要你在AI、大模型、機械人、推薦系統等方向具備足夠的科研潛力，TGT都為你打開了通道。
與傳統校招不同，TGT在培養機制、激勵制度上都做了不少「破框」。
比如，薪資不設上限，真正以能力和潛力定薪；又比如，配套設立了「三導師制」，技術導師指導科研突破，業務導師幫你打通落地路徑，成長導師陪你梳理職業規劃；還有專屬的場景資源與算力支持，你做的每個算法實驗、每次模型迭代，都有真實數據支撐、真實問題反饋。
在技術練兵這件事上，京東天然有巨大的場景優勢。海量電商數據、物流網絡、金融風控場景……這些構成了一個龐大、完整、真實的技術應用生態。
你可以在這裡調系統、跑實驗、出論文，也可以直接上線服務千萬用戶——從0到1的基礎研究、從1到100的規模部署，整個鏈路你都能看見。
△京東技術沙龍
TGT計劃只是一個起點。
對技術人來說，真正重要的，是站到真實問題中去。
就像星衍對我們說的：「在京東，不是等你研究好了再找應用場景，而是邊研究、邊落地，心向星辰大海，也踏實走好腳下的每一步。」
此次我們接觸的三位同學分屬不同業務線，參加工作後每天經歷的挑戰也各不相同，但他們都在話語間透露出這樣一個信息：
都想找一個值得一做再做的事情。
說起來，京東這三位同學都是屏幕前你我的同齡人，要說有什麼不同，就是他們一路上堅定地選了那個自己更想嘗試的方向。
這樣的工作狀態也沒什麼主角光環加持。但找到這麼一個地方，確實需要一點運氣。
幸運的是，他們剛好找到了一個能做事，也能被看見的地方。
— 完 —
量子位 QbitAI · 頭條號
關注我們，第一時間獲知前沿科技動態
