大模型重塑航空定价引擎 达美CEO许诺利润率跃升50%

达美航空通过将大模型技术深度整合到收益管理流程中，展示了其在航空定价领域的创新战略。CEO Ed Bastian 在财报会议上提出的“利润率提升 50%”目标，凸显了公司对生成式 AI 技术的信心，并指出该技术将全面应用于航线规划、机组排班及实时动态定价等多个环节，旨在通过提高单位收入（RASM）和降低单位成本（CASM）来实现这一宏伟目标。

在技术实施层面，达美航空采用了微调版的 Llama-3-70B 大模型，结合公司内部的历史 PNR 数据，构建了一个全新的定价引擎。该模型摒弃了传统的舱位分层方法，转而针对每一次搜索请求直接给出“接受概率最高的价格”。模型的输入向量综合考虑了用户的历史出行数据、竞争对手的实时舱位情况、天气扰动的可能性以及目的地的大型会议日程等因素。经过离线蒸馏，模型被压缩为 200MB 的大小的 ONNX 格式，并部署在边缘推理集群中，确保单次推理延迟不超过 15 ms，从而实现真正的实时响应。

在运控方面，达美航空通过引入“软约束”机制，优化了机组排班、飞机周转和维修窗口的管理。传统的硬约束方法在遇到突发状况时，重新优化过程耗时较长，容易错失最佳应对时机。新的方案利用 LLM 技术解析 NOTAM、天气雷达数据、机组资质和维修工单等非结构化信息，将其转化为软约束的惩罚项系数，输入到强化学习策略网络中。模型在仿真环境中经历了 200 万个 episode 的训练，能够在“延误 45 分钟换机”和“取消航班赔偿旅客”之间做出自动权衡。达美航空的内部测试结果显示，非计划性取消率降低了 18%，机组待命成本减少了 12%。

数据管线的构建是达美航空成功实施大模型技术的关键。航空公司每天需要处理大量的数据，包括 1.2 亿条 PNR 增量、4000 万次搜索日志和 2000 万段 ACARS 报文。这些数据需要在 4 小时内完成 ETL、去重和特征化处理，然后写入 Feast 特征存储。历史数据中包含了许多复杂因素，如 911 后的需求断崖、疫情前后的结构性变化以及汇率波动引起的伪相关性。因此，如果没有因果推断来划分训练集和验证集，模型上线首周可能会导致商务舱定价崩溃。推理服务还需要执行金丝雀发布、影子流量对比和 A/B 测试自动回滚机制，如果单日转化率跌幅超过 0.5%，系统将立即触发熔断。这类工程工作占据了项目 70% 的人力投入，而模型微调仅占 15%。

尽管达美航空在大模型技术的应用上取得了显著进展，但仍面临一些潜在的风险和挑战。例如，面对训练集中未曾出现的“火山灰封空”或“地缘冲突禁飞”等黑天鹅事件，模型可能会输出错误的价格。因此，需要保留规则引擎作为兜底措施。此外，美国交通部（DOT）和欧盟 GDPR 对“算法歧视”问题保持高度关注，如果模型将“搜索频次高”误判为“支付意愿强”从而导致加价，可能会面临反垄断罚款。达美航空在输出层增设了公平性约束层，但最终审核结果取决于法律团队的运作。此外，兼具收益管理和 LLM 部署能力的复合型工程师年薪已突破 40 万美元，人才留存问题比模型精度更为关键。

CEO Ed Bastian 所说的“利润率提升 50%”是将“动态定价提升收益 3-5%”、“运控节省成本 2-3%”以及“机队利用率提高 1-2%”等增量效应叠加并经过杠杆率放大后的理论峰值。如果能够切实落地 30% 的提升，已经是非常不易的成就。实现这一目标的路径在于将大模型视为“特征工程加速器”和“软约束翻译官”，而不是盲目将其供奉为“万能预测器”，这才是工业界的务实之选。

未来值得关注的是，达美航空是否会将这套推理栈打包为 SaaS 服务，输出给缺乏自建能力的中小型航司，这可能是其第二增长曲线的所在。