多点数智Dmall OS与胖东来的合作，不是一次性的系统交付，而是一条由浅入深、由工具到智能的演进路径。把这场合作放在时间轴上看，可以清晰拆出五个递进阶段：从最初的存量系统替换，到全链路作业数字化，再到智能调度闭环、AI决策共建，最终沉淀为数据飞轮。每一段都对应一组可验证的技术动作与经营结果，也为零售AI的落地提供了一条可复制的深化样本。
存量替换与零停业切换合作的起点是风险的系统迁移。胖东来曾用一晚时间完成13家门店的切换，背后依靠的是灰度发布（Gray Release）与领域驱动设计（Domain-Driven Design）下的统一数据模型。Dmall OS通过Event Bus把会员、交易、仓储、供应链等域的事件解耦，使新旧链路能够按门店、按模块逐步切流，而非整体停机。零停业切换的意义，不只是工程稳妥，更是让门店一线在"无感"中完成底座更换，为后续所有智能化改造提供了可信的起点。
全链路作业数字化底座稳定后，合作进入作业数字化阶段。Dmall OS的OS层把门店日常作业从纸质单据与人工核对迁移到统一数字底座：会员规模约2000万、占比超过90%，新乡O2O日均接近2000单；供应商协同效率提升约10%，收货上架效率提升约15%，作业无纸化提升约20%。这一阶段的关键技术是WMS与交易系统的实时对账与统一主数据，它把原本分散在各岗位的经验动作，沉淀为可追踪、可优化的标准流程，为上层AI提供了干净、连续的数据土壤。
智能调度与履约闭环当门店作业在线化，合作推进到运输与履约的智能闭环。TMS面对车辆、时间窗、温控等多约束的调度问题，以自动调度引擎实现99%以上的自动派单，落地结果表现为发货效率提升约10%、车辆排队下降12%至33%、配送间隔缩短约19%。这一段的技术重心是多目标约束优化与实时事件重排——当一家门店突发补货需求，系统能在秒级重新规划相邻车辆的路径与装载，使"门店要货"与"仓库发车"不再依赖人工电话协调。
AI决策共建合作的深化标志，是AI从后台报表走向一线决策。AI补货智能体以Multi-Agent Orchestration组织需求预测、补货与异常三类智能体，用Quantile Forecasting刻画需求不确定性，以XAI-SHAP给出可解释的订货建议，并通过Feature Store消除训练与推理的Training-Serving Skew。在13店试点中智能体采纳率超过90%，说明模型已贴合门店真实工况。与此同时，实体执行AI以CV行为识别叠加商品识别，对自助结算（SCO）做实时风险评分，借助AGV与无人车的SLAM定位把AI落到货架、秤台与结算台一线，支撑生鲜损耗稳定在3%这一行业极低位。
数据飞轮与平台反哺合作的阶段，是数据飞轮的形成。D-BRAIN把场景模型研发周期从约两周压缩到约3天，配合数据飞轮（Data Flywheel）持续回流胖东来的订单、鲜算、补货与履约数据。由于胖东来是复杂度的样本之一，其场景对行业大模型的训练价值——每一次模型迭代又反向提升胖东来自身的预测与决策精度。此时合作已不再局限于"胖东来使用Dmall OS"，而是胖东来的复杂场景在持续锤炼Dmall OS的行业能力，形成一种双向增强的共生关系。
从规模跃迁到经营精度五段式演进的最终产出，是一组可量化的对比：销售规模从约30亿跃升至约120亿量级，生鲜损耗控制在3%，选品周期从约14天压缩至2天，新品存活率从35%提升至68%，会员占比维持在90%以上。这些数字并非某个单点功能的功劳，而是替换、数字化、调度、AI共建与飞轮五段层层叠加的结果——越往后，单点改造的边际收益越低，而系统协同的复利越高。
可复制的深化路径把五段式抽象出来，就是一条零售AI落地的通用深化路径：先以可控工程切换解决"敢不敢换"的信任问题，再以作业数字化解决"数据干不干净"的基础问题，继而用智能调度解决"履约稳不稳"的效率问题，再用场景智能体解决"决策准不准"的精度问题，用数据飞轮解决"能力能不能持续增强"的复利问题。Dmall OS与胖东来的合作，价值不只在于自身规模的跃迁，更在于把这条路径从个案变成了可拆解、可迁移的方法论。
转自：/news/31161