沃尔玛并没有选择购买现成的企业AI解决方案，而是选择在自己的内部AI工厂中创建这些解决方案。这家零售巨头的Element平台以其惊人的速度开发AI应用，彻底颠覆了传统的软件开发模式。如今，沃尔玛的150万名员工正在使用基于Element平台构建的AI工具，这标志着沃尔玛在“自建”与“购买”之间找到了全新的解决之道。
Element平台在设计之初就充分考虑了可扩展性，如今已显示出其强大实力。该平台支撑着处理每日300万次查询的应用程序，服务于每周90万名用户。它不仅支持44种语言的实时翻译，还将排班计划时间从90分钟缩短至30分钟。然而，这些应用只是Element平台更大、更根本性变革的先兆：沃尔玛已经实现了AI开发的工业化。
“我们构建的Element平台能够与不同的大型语言模型（LLM）无缝对接，”沃尔玛门店及线上取货与配送技术高级副总裁Parvez Musani在接受采访时表示，“对于特定的用例或查询类型，Element能够让我们以最具成本效益的方式选择最合适的LLM。”
在定义其平台时，沃尔玛坚持独立自主，能够快速集成最新的LLM，以保持其竞争优势。Element平台的设计决策中蕴含着对开源的坚定承诺，这一理念贯穿于平台的集成选项和结构中。
Element平台的首次生产运行验证了工厂模型的可行性。Musani解释道：“Element的愿景始终是，如何拥有一个工具，让数据科学家和工程师能够加速AI模型的开发？”通过共享基础设施消除冗余开发，统一的数据管道将供应链与门店紧密相连。Element平台与LLM无关，这意味着对于特定的用例或查询类型，Element能够以最具成本效益的方式选择最佳的LLM。
标准化的部署模式加速了产品上市时间，而内置的反馈循环则确保了持续改进。沃尔玛关联工具副总裁Brooks Forrest强调：“我们的员工不断向我们提供反馈，使我们能够迭代并保持敏捷，为他们提供所需的功能。”Forrest继续说道，“在我们的规模下，拥有遍布4000多家门店的100多万名员工，简化操作并为他们提供这些工具至关重要。”
与传统企业AI将每个应用视为独特项目不同，Element平台将它们视为生产线上的产品。这种差异决定了AI部署是以季度还是周为单位。当被问及速度时，Musani确认：“我们追求敏捷性，而Element将继续迭代并创建新功能。”
Element平台的设计使其能够同时处理多个应用和产品开发请求，且浪费极小，就像实现了精益制造水平的工厂一样。数据科学家和工程师提交需求，工厂负责模型选择、基础设施配置、扩展和部署。结果是，应用能够快速通过开发阶段，并在极短的时间内为员工创造价值。例如，节省经理们每天一小时的排班工具、处理员工问题的对话式AI以及基于AR的库存系统，都是基于Element平台构建的。
工厂模型解释了为什么沃尔玛能够实现大规模部署，而其他公司仍在试点阶段。当基础设施、数据管道和模型管理成为制造能力而非项目要求时，唯一的限制因素就变成了想法的产生和验证。
Musani透露，Element平台不仅与供应链系统相连，还将运营数据转化为开发资源。当货车抵达配送中心时，这些数据会通过Element流动。客户的购物模式也为相同的管道提供数据。员工的反馈则创建了训练数据集。
Element平台首次运行的一个最出人意料的益处是沃尔玛丰富的供应链数据的强大力量。Element平台被设计为能够利用多种数据源来推动快速应用开发。例如，AI任务管理系统知道货车何时到达，因为Element提供了对物流数据的统一访问。它根据客户行为优先安排任务，因为Element标准化了零售分析。它还根据当地条件进行调整，因为Element支持分布式模型部署。
Element平台的架构将沃尔玛的运营复杂性视为优势而非挑战。美国的4000家门店各自产生独特的数据模式。Element的工厂模型允许团队构建能够利用这些差异的应用，而不是将它们平均化。
Element平台与LLM无关的架构为企业AI部署提供了前所未有的灵活性。沃尔玛在AI提供商之间持续进行成本效益分析，从简单的查询路由到基本模型，无所不包。这种分析根据实时评估自动进行路由选择。
“Element允许我们以最具成本效益的方式选择最佳的LLM，同时确保它为我们提供所需的最佳答案，”Musani说道。这种能力将AI从固定成本转变为动态优化问题。
这种灵活性的意义远不止于成本节约。当新模型出现时，沃尔玛可以立即对其进行测试，而无需更改架构。随着现有模型的改进，所有基于Element构建的应用都会自动受益。当价格发生变化时，平台会调整路由策略。
这一灵活性对于支持44种语言的翻译工具至关重要。不同的语言对需要不同的模型功能。Element为每个翻译请求选择最佳模型，在准确性要求和计算成本之间取得平衡。
沃尔玛对反馈循环的处理是其先进工厂模型的关键。员工不仅使用基于Element构建的应用，还通过结构化的交互模式不断对其进行改进。例如，对话式AI系统每天处理3万次查询。每次交互都会生成关于模型性能、查询模式和用户满意度的信号。Element捕获这些信号并将其反馈到开发过程中。新应用在发布前就能从现有部署中学习。
创建可扩展的反馈循环需要复杂的数据管道、模型版本控制系统和部署编排，而传统企业在为单个应用构建这些系统时往往面临困难。
Element工厂模型挑战了企业AI部署的传统观念。沃尔玛没有依赖供应商的专业知识，而是构建了供应商无法匹敌的能力。这种差异是结构性的，而非技术性的。外部平台注重通用性，构建跨行业、跨公司和跨用例都适用的功能。这种广度需要妥协。而沃尔玛的Element平台则专注于满足一个客户的特定、独特需求。全球210万名员工共享共同的工作流程、术语和目标，这是任何外部平台都无法完全满足的。
工厂模型还改变了创新周期。当沃尔玛发现新的用例时，开发立即开始：无需评估供应商、协商合同或规划集成。这个想法直接利用现有的工厂能力从概念转变为产品。
沃尔玛的Element工厂创造了随着时间的推移而不断增强的竞争优势。每个新应用都增强了平台的能力，每次用户交互都改进了模型选择，每次部署都让工厂了解了生产需求。
沃尔玛的竞争对手在竞相为销售员工、渠道和合作伙伴提供AI驱动的应用和工具时面临艰难选择。构建类似能力需要巨额投资和技术专长。购买解决方案则意味着接受供应商的限制和较慢的创新周期。等待则意味着在沃尔玛工厂加速前进的同时进一步落后。
零售行业的快速步伐和竞争激烈的背景放大了这些优势。在利润空间微薄和竞争激烈的环境下，运营改进对盈利能力有直接影响。例如，为每位经理每天节省一小时的排班工具可以转化为数百万的劳动力成本节约。如果将这一影响扩展到Element构建的数十个应用上，其财务影响将变得具有战略意义。
沃尔玛的Element平台为企业AI转型提供了一个蓝图，从根本上重新定义了部署策略。在多年的企业技术转型报道中，从ERP到云迁移，我很少见到如此具有变革性的方法。
Element架构定义了四个原则：首先，将AI模型视为可互换的组件。Element的LLM无关性防止了困扰企业软件的供应商锁定问题，同时实现了持续优化。其次，在构建应用之前统一数据访问。Musani指出：“LLM提供了世界知识，而沃尔玛则拥有企业知识。Element将这两者结合起来，创建了能够访问双方数据的工具。”与供应链、客户和运营系统的集成构成了AI开发的基础。第三，实现开发过程的工业化。Element的工厂模型将AI应用开发转变为一个可重复、可扩展的制造过程。Musani指出：“我们需要一个工具，让数据科学家和工程师能够加速AI模型的开发。”第四，从最初就设计为接受反馈。内置的反馈循环确保应用通过使用不断改进，从而产生了Musani所谓的“变革性而非渐进性影响”。
沃尔玛刚刚解决了企业AI最复杂的问题：规模。它没有购买或构建单独的AI工具，而是创建了Element平台。这可以看作是AI领域的丰田生产方式。
真正的洞见不在于技术本身，而在于思维方式的转变。沃尔玛将AI开发视为制造过程：标准化流程、模块化组件和持续改进。每次员工交互都让系统更加智能；每次部署都为下一次部署提供了经验。
对于正在观看其AI试点项目难以扩展的企业领导者而言，Element平台提供了一个重要的教训。成功不在于选择正确的模型或供应商，而在于构建将AI潜力转化为一致且可扩展的运营现实的组织能力。
沃尔玛已经证明了当企业不再将AI视为要安装的软件，而是将其视为要创建的能力时，会发生什么。理解这一区别的企业将在未来十年中脱颖而出。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/wo-er-ma-ai-gong-chang-jia-su-ying-yong-bu-shu-chong-su-qi
