震坤行 x DeepSeek：工业智能化破局之道！
在2025年的科技浪潮中，DeepSeek以其创新的R1模型迅速崛起，成为全球瞩目的国产大模型新星。通过独特的训练策略，DeepSeek不仅大幅降低了成本，更保持了卓越的模型性能，为产业互联网的智能化升级提供了新的动力。
B端AI落地方法论：
三层架构实现“AI平权”
2025年2月6日，震坤行宣布旗下AI产品——AI物料管家已接入DeepSeek V3模型。这款聚焦于企业物料管理环节的生成式AI工具，将借助DeepSeek V3强大的推理能力，全面提升物料信息的识别和信息补充能力，准确率从原本的60%跃升至90%以上。
未来，用户还将能够在线直接反馈对梳理结果的满意程度，结合对话能力答复用户关于物料及商品相关的咨询，进一步提升用户体验。
昨日，震坤行AI产品总监谢常亮接受了新质会的专访，为产业互联网从业者深度解读了工业用品采购场景下DeepSeek的落地逻辑：
从三层技术架构设计、全流程场景提效到模型接入策略，揭秘生成式AI如何将1700万工业用品SKU的复杂选型效率提升至"秒级"，并实现超高决策准确率。
在B端生产场景中，大模型的应用架构具有广泛的普遍性。这一架构的核心在于大模型作为生产力工具，能够替代部分人工工作，从而显著提升生产效率，依靠底层芯片的计算能力，持续高效运作。
大模型应用的核心在于智能体（AI Agents）的构建。企业从具体业务场景出发，分析工作需求和工作量，将其转化为大模型应用场景。每个应用场景原本由人工完成或部分参与，现在可以通过大模型的能力批量自动处理。这一过程形成了三层结构：上层是智能体应用，中层是大模型能力，底层是数据层。
在实际应用中，企业根据具体场景需求，结合使用多个小模型。在互联网行业中，小模型已广泛应用于推荐算法、流量分发、量化交易和广告投放等领域。大模型的核心能力在于推理，而小模型则擅长一次性判断和分类。大小模型通常需要结合使用，形成混合模型架构（MoE），这种架构在决策层发挥着重要作用。
底层数据层在智能化时代成为企业的重要壁垒和资产。企业通过多年业务积累，形成了大量专有数据，这些数据往往具有高敏感性，例如客户信息、交易记录和商品数据等。这些数据构成了企业核心竞争力，也是中间层大模型做决策的依据。
在系统集成方面，企业通过公有云API或私有化部署两种方式调用大模型。DeepSeek等开源模型提供了完整的解决方案，包括方法原理论文、开源代码和训练好的模型，支持企业将模型部署在专有服务器上，确保数据不出域。模型与业务系统的集成可以通过模型编排工具实现，这类工具提供图形化界面，支持拖拽式操作，无需编写代码即可完成系统对接。
通过"数据层-模型层-应用层三层架构”的搭建，震坤行构建了工业用品采购领域AI应用架构。
底层数据资产池：整合30年沉淀的专有数据，包括商品库（1700万SKU动态数据）、供应链数据（百万级企业画像）、行业知识图谱（产线专家经验），构成决策的"事实基准"；
中层混合决策引擎：采用MOE（Mixture of Experts）架构，DeepSeek等通用大模型负责复杂推理，传统小模型处理结构化判断，实现"大模型做脑，小模型做眼"的协同效应；
上层智能体网络：将采购、客服、销售等岗位能力解构为智能体，通过模型编排工具实现"数字员工"的跨系统协同。
破局重构：从工业用品"选型难题"到
"秒级响应"的进化之路
工业用品采购长期受困于物料复杂、比价困难和选品艰难的 “描述难、选型难、核价难” 难题。由于交易的复杂性，至今仍高度依赖人力，从前端销售到中间服务再到后端履约，各个环节都存在大量需要人工处理的任务。
在震坤行的业务流程中，大模型的应用旨在解决如何降低B2B行业的边际成本。基于此，震坤行打造的AI物料管家，依托于DeepSeek构建三层能力：
多模态理解：将图片、模糊文本转化为标准物料编码，解决"说不清要什么"的问题；
动态参数补齐：结合历史采购数据、行业知识图谱，自动补全缺失的材质、工艺等18类关键属性；
合规性校验：联动国家标准数据库，规避"热镀锌与冷镀锌混用"等安全隐患。
构建AI物料管家、AI比价助手、AI数采等一系列AI产业化工具矩阵，将客户纷繁复杂、多种模式和模态的资料描述，以AI快速结构化、标准化，输出标准化的目录参数，实现一物一码。
通过工业用品相关大数据积累，建立覆盖1700万SKU、10亿级工业用品参数的震坤行数据字典。这一变革效果显著，物料标准化效率提升巨大，AI驱动的选型准确率可以达到95%以上，客诉率明显降低。
在其他场景下，震坤行AI应用还包括售前咨询、客户服务、文档处理、合同管理和决策流程等。
AI驱动构建智慧供应链系统新范式
震坤行数字化发展的底层逻辑，一是覆盖全体系，打通全链路+全场景。二是结合上一代数字化技术和这一代AI大模型技术；三是打造三个核心数字化竞争力：即交付、商品、系统。
关于toB企业应用AI大模型的实践建议，谢常亮表示，以震坤行自身经验来讲，企业在模型层应考虑大小结合，即通用模型与垂域模型结合；在数据层要应存尽存、应治尽治、应用尽用；在应用层需要从高频到低频，业务从低精度到高精度，依次打通信息流-商品流-交易流。
以AI、大模型为核心的新一轮范式革命正在各行业加速演进。震坤行现已规划工业用品采购领域16个大场景和120个子场景的AI改造，目标是将全链路人效提升300%。这场始于工业用品采购的效能革命，正在重新定义B端服务的价值标准。
未来，震坤行将继续深耕 AI 技术在工业用品采购与供应链管理中的应用。不断拓展数据资源，优化 AI 模型，丰富应用场景，进一步提升工业用品采购的智能化水平。
同时，震坤行将积极与更多行业伙伴合作，共同探索 AI 赋能工业用品领域采购的新模式、新路径，共同构建一个智能高效、充满活力的工业用品采购供应链生态系统，成为行业创新发展的 “新引擎”。