这是什么
迪卡侬是全球最大的运动用品零售商之一：10 万员工、4 亿用户，门店遍布欧洲、印度、中国、东南亚、拉美。每个门店的进货量，都要靠"需求预测"决定 —— 滑雪手套和冲浪板的需求曲线完全不同，季节性还极强。
过去几年，迪卡侬的需求预测系统由自家工程师每周重训：2021 年起跑在 Amazon SageMaker 的 DeepAR 上，2024 年升级到 Temporal Fusion Transformer（一种时间序列深度学习模型）。重训成本高，新区域上线慢。
现在，他们切换到 AWS 的 Chronos-2 —— 一个"时间序列基础模型"（TSFM，可以理解成"算数字的大模型"），预先在大规模数据上训练好，拿来就能预测，不用再针对每个单品单独训练一遍。
行业怎么看
支持方认为这印证了一个范式转移：基础模型从文本、图像，正在扩展到时间序列（按时间排序的销售/需求数据）。迪卡侬这种 SKU（单品）上万、跨大洲运营的零售企业，过去重训模型的成本是真金白银，基础模型"拿来即用"是结构性降本。
但也有反对声音。零售分析圈的一位顾问指出：基础模型在平均指标上往往亮眼，可在明星单品、新品、停产款这类"长尾"上，未必比专门调优的传统模型更稳。还有一层风险是供应商绑定 —— 预测核心押在 AWS 一家，议价和迁移成本要重新算。
对普通人的影响
对零售/快消的 IT 团队："基础模型 vs 自训模型"会变成评估预测系统时绕不开的选项。AWS、谷歌（TimesFM）、Salesforce（Moirai）都已下场，明年会有更多横向对比。
对个人职场：供应链计划、需求预测这类岗位的工作重心会变 —— 从"调参训练"转向"业务规则注入、异常监控、模型输出解读"。纯模型工程师的稀缺度可能下降，懂业务的人会更值钱。
对消费市场：预测更准，理论上热门款缺货会变少，滞销清理会减轻 —— 但零售价格短期内不会因此出现明显变化。