竞品分析–得物AI查验鉴别系统

概 述

得物基于产业真实场景研发AI查验鉴别系统，以得物多年积累的查验鉴别研究和海量实物商品数据训练为基础，整合亿级多模态产业原生数据，自研“无矩”机器学习平台，通过细粒度感知技术、分层注意力机制、神经网络结构搜索等技术，快速、深入分析多品类商品的关键物理特性，实现了成熟的多品类商品高精度查验鉴别，主要品类与得物鉴别专家的鉴别结果吻合度在99.9999%以上。得物垂类大模型在工业质检、各类经营主体货品质量管理、监管和安全等领域均有广泛应用空间。

需求分析

新型工业化需求：

当前，中国制造业正处于依靠知识、技术等高级生产要素重构产业核心竞争力的爬坡过坎阶段。目前国内人工智能企业和项目努力寻找赋能制造业的突破口，但在层出不穷的大模型中，会“聊天”的多，会“干活”的较少，在制造业具体场景中的大规模应用和商业化，总体还处于早期阶段。新一代质量基础设施建设有待通过AI技术加快加强，例如在商品生产、流通领域的AI检测模型，还不能充分满足多品类、大批量、高复杂商品的质量检测和真伪鉴别需求。

消费者科技服务体验需求：

当前，以“Z世代”为代表的中国新生代消费者正在崛起，他们对商品质量提出了更高的期待，需要更高效的人工智能商品查验鉴别应用，来提高平台批量化商品查验鉴别的效率。

产品逻辑

案例介绍

一、主要技术方案

得物的商品查验鉴别业务覆盖近20大类商品，得物AI查验鉴别系统是国内首个面向多品类、复杂场景的商品查验鉴别人工智能，攻克了多品类AI商品查验鉴别技术难点。

二、实施效果和应用落地情况

目前得物AI查验鉴别系统与得物鉴别专家的鉴别结果吻合度在99.9999%以上，已覆盖箱包、手表、鞋类、服饰、配饰、奢侈品、户外运动、美妆等众多品类。

三、效益分析

（一）工商业场景

面向产业链上游。未来有能力支持进行智能质检，可为生产制造企业提供AI工业质检服务。
面向各类经营主体。逐步向商超、零售、贸易商、拍卖行等各类经营主体，开放多品类商品品质查验服务，支持其快速完成货品质检。

（二）监管领域应用前景

目前，得物已受海关、公安邀请，对涉案商品进行真伪鉴别，为案件定损与侦破提供支持。未来可逐步向公检法、海关、市场监管单位及权威检测机构开放AI查验鉴别服务，支持主管部门进行高精度、批量化的商品检测和真伪鉴别。

（三）数据治理及风控场景

AIGC“以假乱真”现象已成为AI治理的重点领域，可适时探索得物大模型支持进行AIGC深度伪造检测。可探索得物大模型在网络安全建模方面的应用，基于对多模态数据的深入分析，预测各行各业潜在风险事件发生的概率。

是一种运用了 物理热力学扩散思想的生成模型。扩散模型有很多不同的变形，本章主要介绍最知名的去噪扩散概率模型（Denoising Diffusion Probabilistic Model，DDPM）。如今比较成功的用于扩散模型做图像生成的系统，比如 DALL-E、谷歌的 Imagen、Stable Diffusion 基本上都是用类似的方法来作为其扩散模型。

是一种运用了 物理热力学扩散思想的生成模型。扩散模型有很多不同的变形，本章主要介绍最知名的去噪扩散概率模型（Denoising Diffusion Probabilistic Model，DDPM）。如今比较成功的用于扩散模型做图像生成的系统，比如 DALL-E、谷歌的 Imagen、Stable Diffusion 基本上都是用类似的方法来作为其扩散模型。

•

接下来介绍下 扩散模的型运作方法。看它是怎么生成一张图片的。如图所示，在生成图片的第一步，要去采样一个都是噪声的图片，就是从 高斯分布 里面采样出一个 向量。

•

这个向量里面有的数字，这个 向量的维度跟要生成的图片大小是一模一样的。假设要生成一张 256 × 256 的图片，从正态分布采样出来的向量的维度就要是 256 × 256，就把采样到的 256 × 256 的向量排成一张图片。

•

接下来就有一个 去噪的模块，去噪的网络。输入一张都是噪声的图，输出它就会把噪声滤掉一点，就可能看到有一个猫的形状，再做去噪，猫的形状就逐渐出来。

•

去噪越做越多，期待最终就看到一张清晰的图片，去噪的次数是事先定好的。通常会给每一个去噪的步骤一个编号，产生最终图片的那个编号比较小。一开始从完全都是噪声的输入开始，做去噪的编号比较大，所以这边就从 1999 一直排到 2，排到 1，这个从噪声到图片的步骤称为 逆过程（reverse process）。