← Todas las noticias

El "Supercerebro" 3.0 de JD Logistics afirma reducir la planificación de rutas a segundos: cinco modelos industriales, sin mención de pesos públicos ni API

Según un artículo de InfoQ China del 6 de noviembre de 2026, JD Logistics actualizó su modelo grande "Supercerebro" a la versión 3.0 y afirma que el tiempo de resolución de la planificación óptima de rutas para cientos de millones de paquetes bajó de minutos a segundos; el sistema está compuesto por cinco modelos nativos de cadena de suministro —PreX, OptiX, OmniX, GeoX y EmbodiedX—, cubre más de 3600 almacenes y más de 600 000 empleados, y tiene una tasa de despacho automatizado de vehículos del 86 %. El artículo no menciona pesos públicos, licencia de código abierto ni interfaces que terceros puedan invocar directamente.

Publicado Actualizado
Portada de la noticia original — El "Supercerebro" 3.0 de JD Logistics afirma reducir la planificación de rutas a segundos: cinco modelos industriales, sin mención de pesos públicos ni API
Portada de la noticia originalNoticia original ↗

Qué ha cambiado

Según un artículo publicado por InfoQ China el 6 de noviembre de 2026, JD Logistics actualizó su modelo grande "Supercerebro" a la versión 3.0, que el artículo describe como una integración de aplicaciones de modelos grandes de nivel industrial en la que la IA dirige todo el proceso, desde el almacenamiento hasta la entrega. En comparación con la 2.0, el artículo afirma que la 3.0 tiene mayor eficiencia operativa, mayor resiliencia del sistema y menores costos operativos, y que redujo el tiempo de resolución de la planificación óptima de rutas de extremo a extremo para cientos de millones de paquetes de minutos a segundos. El sistema está compuesto por cinco modelos nativos de cadena de suministro: PreX predice cambios de demanda y oferta a partir de datos dinámicos multidimensionales; OptiX combina optimización de operaciones, aprendizaje por refuerzo y capacidades de modelos generativos para resolver planes globales bajo restricciones de red de almacenes, inventario, transporte, personal y equipos; OmniX comprende de forma unificada imágenes, video, espacio y objetos; GeoX sitúa direcciones, ubicaciones, rutas y tiempo en un sistema de coordenadas espacio-temporal unificado; EmbodiedX convierte la percepción y las decisiones en acciones ejecutables por robots. El artículo describe este conjunto como la tríada de IA de decisión, IA de procesos e IA física: la capa de decisión modela de forma unificada pedidos, inventario, red de almacenes, vehículos, tráfico, clima e información como imágenes, video y ubicación; la capa de procesos se encarga de conectar los datos de los sistemas de almacenamiento, transporte, clasificación y entrega, unificar las definiciones de personas, mercancías, vehículos, almacenes, pedidos y equipos, y luego dividir las decisiones en tareas ejecutables que se despachan, se rastrean y cuyas anomalías se gestionan; la capa física es impulsada por el motor de control de objetos CyberX, que acciona los robots "Zhilang", los brazos de clasificación "Yilang" y los vehículos de entrega autónomos "Dulang" para ejecutar y devolver resultados, cerrando el ciclo de percepción, predicción, decisión, ejecución y retroalimentación. Otras cifras del artículo incluyen: cobertura de más de 3600 almacenes y más de 600 000 empleados; tasa de despacho automatizado de vehículos del 86 %; mejora de eficiencia del 13,8 % en las operaciones del personal de almacén; el servicio de cadena de suministro de extremo a extremo "Jinghui" para comerciantes, que según el artículo alcanza una puntualidad de entrega al día siguiente superior al 80 % en promedio y puede ofrecer automáticamente sugerencias de reabastecimiento y ejecutar transferencias; "Yilang" ya opera 24 horas en varios parques logísticos y ha completado la validación de agarre y colocación de más de diez millones de paquetes reales; "Dulang" se ha probado en varios lugares del país y en Arabia Saudita. El artículo también afirma que estas capacidades se están abriendo a industrias como la manufactura y el comercio minorista.

Impacto para desarrolladores

Conviene separar lo verificable de lo no verificable. Las cifras anteriores provienen de la versión de JD Logistics, y el artículo no ofrece el número de parámetros del modelo, el volumen de datos de entrenamiento, la metodología de evaluación comparativa, el hardware de inferencia ni la ventana temporal de las estadísticas; tampoco menciona pesos abiertos, licencia de código abierto, ficha del modelo ni una API pública para terceros. Para los desarrolladores, esto se parece más a un resumen operativo de un sistema de uso propio que a un modelo que se pueda descargar, alojar o invocar por tokens. La definición de las métricas también deja vacíos. "Nivel de segundos" no aclara si es un promedio o la latencia de cola, ni con qué volumen de pedidos, qué límite de tiempo de resolución y qué hardware se midió; la tasa del 86 % de despacho automatizado de vehículos no especifica si el denominador son todos los vehículos o solo los que cumplen ciertas condiciones; el 13,8 % de mejora en la eficiencia del personal no tiene grupo de control ni período estadístico. Este tipo de cifras operativas conviene tratarlas como afirmaciones del proveedor pendientes de verificación, no como expectativas de rendimiento extrapolables directamente al propio negocio. Lo que realmente tiene valor de transferencia es la división de responsabilidades de la arquitectura, no las cifras concretas: separar predicción, resolución de restricciones, percepción multimodal, cognición espacio-temporal y control físico en módulos independientes, y alinear antes de la orquestación las definiciones de entidades entre sistemas mediante una capa de procesos. Este orden resuelve el problema de "la decisión se calcula, pero no se implementa". El costo también es claro: una capa más de unificación semántica implica una capa más de objetos de mapeo y puntos de fallo que requieren mantenimiento a largo plazo, y solo compensa si los datos están realmente dispersos en sistemas heterogéneos. Otro punto ambiguo es "abrirse a las industrias": el artículo no aclara si se entrega como producto, SDK, API o proyecto a medida, ni enumera condiciones de acceso y facturación. La forma externa más clara del texto es "Jinghui" para comerciantes, pero es un servicio de cadena de suministro y no una interfaz de modelo; acceder implica entregar pedidos, inventario, red de almacenes y datos de cumplimiento a la otra parte, y validar cada punto según el escenario propio del comerciante.

Integración y evaluación

Lo siguiente es análisis y recomendaciones condicionales, no hechos afirmados en el artículo. Los equipos que planeen integrar modelos grandes en cadenas de despacho u orquestación pueden empezar con experimentos comparativos a pequeña escala siguiendo los dos enfoques del artículo. Primero, que la IA de procesos unifique las definiciones de personas, mercancías, vehículos, almacenes, pedidos y equipos antes de orquestar tareas merece una verificación aparte. La decisión es si añadir, delante de la capa de orquestación de agentes, una capa de semántica unificada de entidades y reglas. La condición previa es que los datos estén realmente dispersos en varios sistemas y que el mismo objeto de negocio tenga definiciones inconsistentes en distintas etapas; si ya hay una única fuente de datos, esta capa solo añadirá latencia y superficie de mantenimiento. El criterio de aceptación medible es ejecutar el mismo lote de tickets históricos por dos rutas —"unificar criterios primero" y "el modelo descompone directamente de extremo a extremo"— y comparar el número de errores de mapeo de campos, la tasa de reintentos, la tasa de intervención manual y la latencia de extremo a extremo, exigiendo que las dos primeras disminuyan y que la latencia no aumente de forma significativa. Segundo, la IA de decisión integra predicción y resolución de restricciones en un mismo ciclo continuo y afirma actualizar las decisiones en segundos cuando cambian pedidos, carreteras y capacidad de transporte. La decisión es si, en tareas de despacho, un modelo generativo debe emitir directamente el plan final o si conviene separar predicción, resolución y retroalimentación de ejecución en tres tramos evaluados por separado. La condición previa es que el problema tenga restricciones duras (plazos, costos, capacidad) y que el costo del error sea alto; las tareas de mera clasificación o recomendación pueden mantener una solución de un solo modelo. El criterio medible es reproducir pedidos históricos y comparar la tasa de violación de restricciones, la diferencia de costo frente a la línea base de reglas actual y el tiempo de recuperación tras inyectar perturbaciones. Tercero, la parte de IA física no se puede reproducir localmente y solo puede validarse mediante un piloto o un proceso de compra. Para evaluar soluciones de brazos robóticos o vehículos autónomos, primero hay que delimitar el rango de diversidad de formas de paquetes en el sitio y luego exigir indicadores observables como horas de funcionamiento continuo, tasa de éxito de agarre, tasa de daños y frecuencia de intervención manual, en lugar de aceptar descripciones como "operación normalizada". Hay un paso de bajo costo aplicable a cualquier relato similar: dejar escrito en la tabla de evaluación qué métricas se deben exigir a la otra parte, incluidos los percentiles de latencia, la escala del problema, la configuración de hardware, la ventana estadística y el grupo de control. Sin estos datos, las cifras del proveedor no se pueden convertir en la propia planificación de capacidad.

Límites y cuestiones pendientes

Todas las cifras de rendimiento y eficiencia del artículo las proporciona JD Logistics, carecen de reproducción por terceros y no deben tomarse como una línea base de capacidad extrapolable. El artículo solo explica la división de responsabilidades de los cinco modelos; no ofrece el tamaño de parámetros, las condiciones de licencia, si se publican los pesos ni el costo de inferencia, datos necesarios para elegir. Tampoco aclara la forma de implementación de "abrirse a la manufactura, el comercio minorista y otras industrias", los requisitos de acceso ni la facturación, y el alcance real de disponibilidad de "Jinghui" también debe confirmarse con JD Logistics. Cabe aclarar que el modelo grande "Supercerebro" 3.0 de JD Logistics no está actualmente en el catálogo de modelos de KimiSeek, el sitio no tiene una entrada correspondiente y este artículo no lo considera un modelo invocable en el sitio; los servicios externos mencionados, su disponibilidad, especificaciones y facturación se rigen por lo que indique JD Logistics. Si en el futuro este sistema publica una API o pesos, la conveniencia de integrarlo deberá evaluarse por separado según los criterios medibles anteriores.

Ilustraciones de la noticia original

Ilustración de la noticia original 1 — El "Supercerebro" 3.0 de JD Logistics afirma reducir la planificación de rutas a segundos: cinco modelos industriales, sin mención de pesos públicos ni API
Ilustración de la noticia original 1Noticia original ↗

Tres minutos hasta la primera llamada

Crea una cuenta y una clave de API. El coste de las llamadas se descuenta de tu saldo. 30 % de descuento en tu primera recarga. Recarga ¥500, paga ¥350, recibe ¥500 de saldo. Recarga ¥1000, paga ¥850, recibe ¥1000 de saldo La recarga mínima sigue siendo de ¥10, adecuada para pruebas.

Fuentes y proceso editorial

从仓储到配送,全程由 AI“指挥”:京东物流“超脑”3.0 的工业级 AI 实践

La IA ayudó con el análisis y la traducción de las fuentes citadas, seguidos de controles automáticos. Las recomendaciones no son resultados de pruebas. Consulta el catálogo actual para precios y disponibilidad.