算力翻了两倍，但零售AI还没吃到这波红利

上半年全国智能算力规模达到去年同期的2.8倍，AI相关行业增速保持30%以上。这两个数字放在一起看，像是给技术圈打了一针强心剂。但我在盒马干过智能补货，后来又在几家零售科技公司转了一圈，说实话，看到这个数据第一反应不是兴奋，而是想算算：这2.8倍的算力，有多少真正流进了零售门店的货架和冷柜里？

算力底座在夯实，这没错。但底座的夯实和零售场景的落地，中间还隔着好几层。零售业对AI的胃口，从来不是算力不够，而是算法和业务抠得太死。

算力膨胀，但零售AI还在“吃土”

先看算力侧。2.8倍的增长，背后是国家在数据中心、智算中心上的投入，以及大模型训练的需求拉动。但零售场景对算力的消耗，其实很克制。拿我在盒马做的智能补货来说，模型输入无非是历史销量、天气、促销计划、库存周转天数，这些数据量级在GB级别，用不到多少GPU。真正需要算力的，是那些实时视频分析（比如货架缺货检测）、或者大规模图像识别（比如商品外观差异），但这些在传统零售里投入产出比不太好看。

我接触过的几个连锁超市，它们的AI部署路径通常是：先在云端跑一周的算力，然后固化到门店的轻量级模型上。门店的服务器甚至是一台i5工控机。所以就算全国算力再翻两倍，对门店来说，改模型参数的时间成本远大于算力成本。零售业更缺的是“能跑通的门店反馈闭环”。

某区域零售企业的CTO跟我吐槽过：他们花了几十万买了个智能定价SaaS，结果用了三个月，发现模型推荐的价格还不如店长凭经验拍脑袋准。不是算力问题，是历史数据里没有价格弹性的样本，模型根本学不到。

这种情况很普遍。算力砸下去，数据质量跟不上，模型就变成“昂贵的猜谜”。

从“算力优势”到“门店效果”的鸿沟

我拆解一下零售AI落地的一个典型路径，看算力在哪一步会卡住：

1. 数据采集阶段：需要把POS、库存、进销存、视频监控等系统打通。这一步，很多零售企业还在用Excel手工对账，或者IT系统是十几年前的ERP，接口都懒得开。数据断裂比算力稀缺更致命。
2. 特征工程阶段：算力可以用来做复杂特征衍生，比如把天气、节假日、竞品价格组合成一堆高阶特征。但问题是，零售业务的特征大多有强因果关系（比如“周末下午茶时间”，而不是“时间片段的Embedding”），模型跑了三天三夜，结果还不如一个简单线性回归。
3. 模型部署阶段：算力富余时可以部署几十个模型同时跑，但门店的店长看不懂模型的置信度，他们只关心“今天该补多少货”。所以模型输出必须是一个整数，而不是一个概率分布。
4. 在线反馈阶段：这是最吃算力的环节——实时调整。比如动态定价，每15分钟重新计算一次价格，确实需要GPU。但很多零售企业连价格标签都是手动贴的，系统不支持自动改价。算力准备好了，但执行端还在石器时代。

我在盒马遇到的真实案例：智能补货模型在第一阶段跑得挺准，但到了门店执行环节，仓库理货员发现系统推荐的补货量超过了冰柜容量，就直接按老办法减半。结果模型越学越偏，因为反馈数据里全是“被人工干预过的错误标签”。后来我们花了半年重写反馈机制，让门店操作必须走系统流程，才把ROI拉回来。

趋势预测：AI在零售的下一站是“决策代理”

别指望算力增长直接带来门店效率提升。零售业需要的是另一种东西：把算力藏到业务系统的内核里，让店长和采购经理感觉不到AI的存在。

我的判断是：未来两年，AI在零售端的渗透会从“智能定价”转向“动态排班”和“库存优化”。这两个方向有一个共同点——决策链条短，反馈快，且算力消耗可控。动态排班只需要历史客流和天气数据，模型输出是“明天早班该排几个人”，门店很容易验证。库存优化则能直接减少缺货损失和过期损耗，财务上算得清账。

具体到产品形态，我认为会走“AI Agent + 规则引擎”的混合路线：

• 1. 用大模型做日常决策的“解释器”，比如店长问“为什么今天推荐多补两箱可乐”，AI用自然语言给出原因（而不是一堆数字）
• 2. 用规则引擎做高频低延迟的“执行器”，比如价格突降时自动触发补货，不用等模型推理
• 3. 算力主要花在每周一次的模型重训练上，而不是每天实时推理

这样，就算全国算力再翻2.8倍，零售业也能用得上。而且不会出现“算力用不完，门店用不上”的尴尬局面。

最后说一句，发改委的数字很好看，但别急着往零售里堆算力。先把数据管道修通，让门店的反馈能跑回模型，这比什么都重要。