对于商业世界模型来说真正的关键不是预测未来会怎样而是仿真采取不同经营动作后结果会相差多少。演讲嘉宾 | 邓金秋 责编 | 红月出品 | CSDNIDCSDNnews当 AI 从辅助工具逐步演进为独立决策者如何让 AI 在极其复杂、试错成本极高的真实电商环境中独立操盘传统的机器学习预测为何会带来由系统性偏差导致的商业误判京东又是如何利用前沿的“商业世界模型”与“因果推断”技术驯服海量商品的定价难题在 4 月刚刚落幕的 2026 奇点智能技术大会上京东定价算法负责人邓金秋带来了一场干货满满的分享其分享的主题《Agentic Commerce商业世界模型中的因果建模实践》为行业带来了极具参考价值的破局思路。邓金秋现任京东零售算法总监负责供应链管理策略优化、定价算法优化、价格策略制定及价格生态治理等。以下是邓金秋在本场大会上的演讲核心精华与实录整理带你窥见 AI 电商的最新实践AI 电商演进方向Agentic Commerce 正从零散的“买方导购”与“卖方辅助”走向“买卖双边 Agent 协同决策与自治”的新阶段商业需要“世界模型”真实的商业环境试错成本极高。AI 必须拥有一个“商业世界模型仿真器”在行动前先“想一遍”低成本推演不同策略的结果预测 ≠ 决策单纯的机器学习只能拟合历史无法区分因果如误认为大促期间“价格越低销量无限高”。经营决策的核心不是“拟合误差”而是基于因果推断计算干预动作带来的“增量收益”。Agentic Commerce从“人找商品”到“AI 完成交易”Agentic Commerce 正从一个概念快速演变为产业趋势。目前行业内涌现出了两大类典型的 Agent 演进方向Buy-side Agent 站在消费者一侧。比如 ChatGPT Shopping重构了购物入口用户只需提出“买一个 100 刀以内的搬家礼物”AI 就能完成搜索、比价和购买建议再比如 Amazon Rufus平台内闭环型代理嵌入在电商站内完成复杂的购物决策辅助。Sell-side Agent站在商家一侧。以微软的 Microsoft Store Operations Agent 为例它作为企业级运营代理将门店管理、退换货等流程纳入统一系统更激进的是 Anthropic 内部测试的“AI 自动售货机”这是一个完全由 AI 托管的自主经营实验AI 自己决定选品、向供应商下单、定价并响应客户。截图自邓金秋演讲 PPT未来的趋势是什么 是买卖双方 Agent 的协同编排。不仅是 AI 辅助交易更是当 Sell-side Agent 开始承担真实的经营决策如自主定价、补货时我们必须回答一个问题“AI 做了这个动作之后会带来什么结果”这就是我们需要“商业世界模型”的原因。商业世界模型为 Agent 决策提供低成本仿真环境什么是世界模型为什么要给 Agent 配备世界模型我们可以回想一下 AlphaGo。它之所以能超越人类不仅仅是因为算力更因为它的内部有一个“Go Simulator围棋仿真器”。在遇到李世石的“神之一手”后AlphaGo 可以在虚拟棋盘中自我对弈几万次来修复策略。在自动驾驶和机器人领域世界模型同样被用来“先预演、再行动”从而避免现实中车毁人亡的代价。电商经营也是一样。降价、促销、囤货这些都是高成本、长反馈的真实试错。 如果 AI 每次都在真实环境里乱试商家早就破产了。截图自邓金秋演讲 PPT因此商业世界模型就是要把价格、促销、库存、履约等经营动作放进一个统一的推演环境中。让 Agent 在内部仿真“如果采取某套价格组合用户的需求会怎么响应竞争对手会怎么反应库存周转能不能跟上”经过低成本的在线闭环优化后再输出最优策略到真实的商业世界中执行。从预测到决策为什么一定要用“因果推断”构建商业世界模型最忌讳的就是把“预测”等同于“决策”。传统的机器学习预测可以很好地拟合历史结果但经营决策真正关心的是“干预”这个动作值得做吗能带来多少增量举个经典的反面例子电商“大促如618”时价格低且销量极高。如果直接用机器学习拟合模型可能把大促流量带来的销量增长误归因于降价动作从而高估降价的真实增量效果。但实际上销量暴涨的真正原因混淆因子是大促带来的极高流量。如果不剥离这个混淆因子AI 就会做出错误的定价决策。正如图灵奖得主 Judea Pearl 所言我们需要跨越“观察”进入“干预”和“反事实推断”。截图自邓金秋演讲 PPT我们将这一过程分为四步构建因果图 结合行业知识清晰定义动作、结果、混淆因子和中介变量数据准备与消偏利用随机实验或倾向性评分等方法消除历史数据的决策偏差为效果学习提供可信样本因果建模 估计不同动作在给定状态下的“增量收益”而不是仅仅拟合历史效果评估 摒弃单纯的预测误差指标转而关注 Uplift、Policy Value、ROI 与在线实验验证它是否真的提升了策略选择质量。京东落地实践海量商品下的定价决策仿真在京东自营商品规模极其庞大背后是超万亿的零售收入。这里的定价绝不是人工拍脑袋或者写几条规则就能搞定的。京东的定价决策不仅影响销售还要联动全国 1600 自营仓、2000 云仓的库存与履约效率。定价不是单点预测问题而是一个典型的高频“动作改变未来结果”的策略决策问题。真实世界中价格往往不是一个数字而是一套极度复杂的组合策略基础价周五打折满减优惠券。为了在如此复杂的策略空间中推演销量我们构建了一个面向定价决策仿真的“动态因果响应模型”。在架构上我们将商品状态塔引入 VLM 处理图像文本处理品牌、属性历史时序塔引入历史价格、销量序列、流量与活动序列未来策略塔将复杂促销规则转化为 LLM 能理解的序列表示进行深度融合。更关键的是我们为模型引入了极为严苛的三维评估与约束框架销量预估准确率 预估曲线必须贴合实际因果幅度一致性约束 降价带来的销量起伏幅度必须与历史上真实的因果效应对齐因果逻辑合理性约束 强行向模型注入经济学常识。如果模型预测出“降价反而导致销量暴跌”这种反常识结果会在训练时受到惩罚保证局部扰动下的单调性合理。实践证明引入因果约束后的模型不仅预估更准而且能极其敏锐地识别出不同价格策略带来的真实收益差异有效支撑了京东自动化定价的高效流转。未来商业世界模型将进一步从单一的价格决策走向价格、促销、广告、库存的全面协同优化支撑更好水平的自治经营。现场精彩问答实录 (QA)Q物流行业 ToB 的报价如整车调度极其复杂这种场景如何利用因果模型制定价格邓金秋 ToB 物流定价通常分三步走第一是守住“成本底线”必须精准计算油费、人力等刚性成本第二是看清“竞争环境”对齐市场水位第三才是因果推断发挥作用的地方——寻找历史数据的差异空间。我们可以通过模型测算在特定的路线或节点上降价到底能不能带来真实的单量增长价格弹性从而在成本底线与竞争红线之间找到利润最大化的最优报价。Q目前很多企业还在用 Excel 算报价极度耗时新技术能解决吗邓金秋这正是 Agentic Commerce 最典型的落地场景现在完全可以通过构建 Agent 工具利用大语言模型强大的非结构化数据处理能力自动解析客户发来的各种杂乱无章的询价文本或表格。Agent 可以在后台自动调取运力限制和成本模型一键生成结构化的最优报价单这将极大释放前端业务人员的生产力。Q遇到长尾商品销量极低、数据稀疏因果模型失效了怎么办邓金秋 这是一个非常经典的业界痛点。对付长尾/冷启动商品有三个解法借力打力不能死盯单品数据必须引入类目、品牌、图片文本等“泛化特征”让模型学会举一反三转变思路既然销量预测不准就把它降维成一个“二分类转化率”问题——不求算准能卖几件只算降价后能不能破零规则兜底当模型置信度极低时果断引入 Rule-based基于规则策略兜底比如设定长尾死库存强制降价清仓的硬逻辑确保系统整体的鲁棒性和经营安全。本文基于 SITS 2026 大会邓金秋演讲实录整理发布如需更多关于 2026 奇点智能技术大会演讲 PPT与分享实录可添加微信小助手「csdn-01」领取。推荐阅读人均奖金达610万SK海力士回应微信灰度测试转账「组合支付」黄仁勋应届生们别怕AI当下是开启事业的最佳时机 | 极客头条开源打破“AI黑箱”集结全球大咖GOSIM Paris 2026带你看懂Agent时代大变局“今年还没亲手写过一行代码”Claude Code之父自曝CC诞生源于“偶然”现主要在手机上干活加入AMD AI 开发者计划与全球极客共筑开源加入即领 50 小时免费云算力进群抽显卡、AIPC好运不停活动与工作坊早鸟名额优先锁定AMD Al Academy 官方课程加速立即扫码加入⬇️⬇️