英伟达开源模型与物理AI进入欧洲零售：推理成本降九成，机器人先在数字孪生里排练

英伟达在10月22日发布的博客文章介绍了欧洲零售业的两类实践。第一类发生在软件侧：一家商务平台采用开源模型，把推理成本降低了90%。第二类发生在物理侧：一座履约中心在数字孪生里模拟不同品牌、不同类型的机器人车队如何协作，再决定真实仓库里怎么部署。文章的归类是具身智能，但它讲的其实是同一件事：零售商不再只问模型能不能用，而是开始算每一次调用花多少钱、每一台机器人上线前能不能先在虚拟环境里跑通。需要说明的是，原文给出的公开数据有限，90%这个降幅的基线、模型规模和业务场景并未展开，读者应把它看作方向性信号，而不是可以直接套用的基准。 先看成本这一侧。电商平台的AI负载有一个特点：调用量大、单次价值低。商品标题改写、搜索意图理解、客服分流、评论摘要，每天要跑数以百万计的请求，每个请求带来的收益只有几分钱。在这种结构下，推理成本比训练成本更要命，因为它随业务量线性增长，永远不会摊薄。开源模型之所以能把成本压下来，通常靠三条路径叠加。其一，零售商可以挑选更小、更专用的模型，用自家商品目录和用户反馈做微调，让一个体量小得多的模型在窄任务上追平大模型。其二，权重在自己手里，可以做量化、蒸馏和批处理优化，并把服务部署在自有或租用的GPU上，推理栈的每一层都能调。其三，不再按调用次数向闭源接口付费，成本结构从可变成本转为更可预测的算力成本。90%这样的数字，多半来自这几项叠加，而不是单一技巧。对欧洲企业来说还有一层额外的价值：数据可以留在本地，更容易满足欧盟的数据保护与即将落地的人工智能监管要求，合规审计时也能说清楚模型从哪来、数据去哪了。

再看物理侧。履约中心是零售里最适合引入机器人的地方，但真正的难点不在单台机器人，而在混合车队。一座仓库里可能同时有搬运货架的移动机器人、负责拣选的机械臂、传送带系统和人工工位，它们来自不同供应商，各有各的调度软件和通信方式。直接在现场调试，风险是停线、撞车和高峰期拖垮吞吐。数字孪生的作用就是把仓库的几何布局、设备参数、订单波动和人员动线搬进仿真环境，让不同车队在虚拟空间里反复跑，找出拥堵点、死锁点和调度冲突，再把验证过的方案放到现场。英伟达在这个方向上的底座是Omniverse一类的仿真与数字孪生平台，以及面向机器人的Isaac系列工具，这些属于公司公开的产品线，背景可查。它的商业逻辑也很清楚：仿真跑得越多，对GPU的需求越大，而一旦零售商把工作流建在这套工具上，后续迁移成本很高。

两件事放在一起看，英伟达的打法就清晰了。它一边通过开源模型降低软件侧的使用门槛，让更多企业愿意把AI放进生产环节，一边在物理侧提供仿真和机器人栈，把算力需求从云端推理延伸到仓库边缘和仿真集群。开源在这里不是慈善，而是扩大算力市场的手段：模型越开放，企业自建部署越多，GPU销量越稳。对零售商而言，这套组合的吸引力在于可核算：软件侧能直接对比账单，物理侧能在上线前量化吞吐提升，两者都比空谈创新更容易过预算会议。 对行业格局的影响，可以从几类参与者来看。闭源模型厂商面临的压力最直接，因为零售这类高频低值场景正是它们按量计费最容易被替代的地方，它们只能靠更强的能力、更完整的企业服务和安全承诺来守住高价值任务。云厂商的处境相对复杂：自建推理意味着部分负载会从托管接口迁走，但算力租赁本身仍然是它们的生意，所以它们会更积极地推出托管开源模型的服务。机器人与自动化厂商则要面对一个新现实：客户越来越要求设备能接入统一的仿真环境，封闭的调度系统会越来越难卖。对欧洲零售商本身，早行动的企业能把成本优势转成价格或服务优势，但也承担着人才和运维的门槛，因为自管模型意味着要有团队负责评测、更新、安全和监控，中小零售商未必养得起，这反过来会催生一批面向零售的托管服务商和系统集成商。

接下来值得观察几个信号。第一，是否有更多零售商披露可核对的成本数据，包括基线是什么、模型多大、质量指标是否下降，因为只有质量不降的降本才有意义。第二，混合机器人车队的互操作标准是否出现，如果仿真环境能成为跨供应商的事实标准，仓储自动化的采购逻辑会改变。第三，仿真到现实的差距：数字孪生里的结果能在多大程度上复现到真实仓库，决定了这条路是节省试错成本，还是只是漂亮的演示。第四，监管与能耗：欧盟对AI系统透明度和数据治理的要求会影响开源路线的优势，而仓库侧的大规模仿真与推理也会带来用电成本，需要被纳入总账。如果这些信号朝正面发展，零售业会成为开源模型与物理AI同时落地的第一批大规模行业样本，其经验也会外溢到制造、物流和医药分销等相邻领域。