编辑｜杜伟
2026 年的 WAIC 展馆里，机器人已经多到很难成为新闻。
它们跳舞、递水、整理物品，在固定展台上完成一套套流畅动作。可演示越顺滑，越容易掩盖行业真正的难题。只要把货架换一个位置、把灯光调暗，或者让任务持续几个小时，演示中的确定性就可能迅速消失。
今年超过 200 家具身智能企业挤进了 WAIC，行业竞争看上去仍围绕本体、关节和动作展开。但展台背后，一场更关键的较量已经开始：谁能让模型持续理解变化中的现实，谁能规模化获得更多真实操作经验，谁又能把机器人运行中的失败重新变成训练数据。
这正是「物理 AI」受到关注并迅速升温的原因之一。它的竞争已经超出单台机器人的性能，真正拉开差距的，是数据、模型、终端与场景能否形成持续迭代的闭环。
在这条更长、更难的路上，京东是一位特殊玩家。它本身是领先的电商巨头，却选择押注物理 AI，上半年陆续开源 JoyAI 系列多款模型，围绕真实世界的感知、交互和行动构建更完整的技术体系，并设下了「建设全球最大物理世界运营中心」的战略目标。
在今天上午结束的「AI 进入物理世界」京东分论坛上，其对外集中展示了这套布局。除了首次集体亮相的 JoyAI 全系列大模型矩阵，具身数据采集体系、JoyInside 智能硬件和京东云 AI 基础设施也一同亮相，它们连同全链路业务场景组成了京东的物理 AI 闭环。
京东这一步棋，试图回答行业共同面对的一个难题：当 AI 从文本、图像和软件环境走向物理世界，需要怎样的能力体系？它抛出了一条「数字智能 - 附身智能 - 具身智能」的三阶技术路线：
数字智能构建语言、多模态与智能体基础能力；附身智能将这些能力嵌入手机、汽车和家电等不同终端；具身智能进一步把模型部署到机器人等硬件中，使其在真实环境中完成操作。
在这条路线指引下，模型、数据、云基础设施、智能终端和业务场景被真正咬合起来，形成了一套能够把每次运行转化为反馈、把每次失误沉淀为经验，并反过来推动模型持续迭代的物理 AI 系统。
看懂世界只是第一步，模型要能择机而动
单项能力再强，只要感知、判断和执行之间断了一环，机器人依然干不了活。京东要补齐的，就是物理 AI 从「看见」到「行动」的整条链路。
物理世界的任务很少只涉及一种模态，比如机器人整理货架，需要识别商品与空间位置，判断抓取顺序，并根据现场变化调整动作。模型既要看懂当下，也要理解变化过程，还要在合适的时机回应，并将判断转化为设备能够执行的动作。沿着这条链路，JoyAI 系列模型正逐步构建起 AI 进入物理世界所需要的各种能力。
首先在视觉与空间层面，JoyAI-Image 将图像理解、文字生图和指令编辑纳入统一框架，并重点强化空间关系建模。JoyAI-Image-Edit 进一步聚焦指令驱动的精确空间编辑，支持物体位移、旋转和视角变化，在编辑过程中尽量保持主体特征、场景结构和遮挡关系稳定。
对于物理 AI 来说，JoyAI-Image 系列的价值早已超出图像生成本身。机器人要在现实世界中完成抓取、搬运和导航，首先必须看懂物体的位置、距离以及遮挡关系、视角变化。缺少稳定的空间认知，再逼真的画面也无法转化为可靠行动。空间理解与可控编辑能力的提升，恰恰为 VLA 系统和世界模型补上关键的视觉底座。
物理 AI 面对的是持续变化的环境，除了空间关系，还需要处理时间维度上的连续过程。JoyAI-Echo 面向长时、多镜头音视频联合生成，通过缓解生成过程中的误差累积和时序连贯性问题，能够保持跨镜头角色外观与音色的一致。
今天亮相的 JoyAI-Video-Edit 则将视频能力延伸至流式编辑，展示了一种更接近实时交互的视频创作方式。用户面对变化中的视频画面，可以直接用自然语言增删物体、替换人物、迁移服装，甚至重构整个场景。模型可以在连续帧中识别人物与物体，追踪其位置和动作，并让修改后的内容保持稳定。
视频编辑的生产方式被改写，过去需要专业软件和繁复流程才能完成的工作，如今只需看着画面、说出想法，便能实时改变。
实时响应开始取代过去「提交指令、等待结果」的人机交互模式，沿着这一方向，京东从视觉和语音两个方向展开了更深入的布局。
JoyAI-VL-Interaction 可以持续处理视频流，并根据现场状态自主判断何时回应、何时保持安静，或将复杂任务交由后台模型和智能体处理。它对应的是 AI 在物理世界中持续在线的能力，例如观察用户动作，识别操作是否中断，并在必要时主动提供帮助。
同样今天亮相的 JoyAI-Talker 实时语音交互模型，把 AI 与人的交互进一步推向全双工语音时代。它在保留认知与推理能力的基础上，强化了情绪理解、共情反馈和自然表达，能够在低延迟的连续对话中边听、边想、边回应。
对于未来的家庭终端、陪伴设备和服务机器人，AI 可以承担更完整的交互闭环，既能听懂指令、确认意图，也能捕捉情绪并给予恰当回应。人机交互由机械问答，逐渐演变成真正有节奏、有情绪、能持续推进的交流。
大家来看一段演示，AI 能够在不同情绪之间自然切换，整个过程几乎看不到生硬的过渡。
能力链的最后一环，来到了 JoyAI-RA 上。作为面向通用机器人自主操作的 VLA 模型，它接收视觉观察与语言指令，直接将模型对环境和任务的理解转化为可执行动作。前面的模型让 AI 看懂、听懂并理解现实世界，JoyAI-RA 负责让这些认知真正落到机器人身上。物理 AI 从感知、理解、决策到行动的关键链路开始闭合。
机械手抓取物体
至此，JoyAI 模型矩阵大致搭起了「空间理解 — 持续感知 — 实时交互 — 动作执行」的能力链。但这条链能不能在现实中扛住变化与意外，还取决于它是否见过足够多、足够复杂的真实任务。
要教会机器人干活，先把现实变成数据
模型能够理解空间、输出动作，却无法凭空获得现实经验。真正卡住具身智能的数据问题，不只是「数量不够」，更在于如何低成本、规模化地记录人类操作，并将这些经验转化成机器人能够学习和复用的训练材料。
传统互联网数据提供知识和视觉表征，却缺少连续、细粒度的物理操作过程。真机遥操作数据能够与机器人的动作空间直接对齐，代价却是采集成本高、扩展速度慢，难以在短时间内覆盖家庭、零售、工业和服务等高度开放的真实场景。
京东选择从人类第一视角视频入手，希望在数据质量与采集规模之间找到新的平衡：不依赖昂贵的真机完成全部采集，先记录人类在现实任务中的自然操作，再提取动作轨迹、空间结构和任务语义。
京东开源的行业规模最大、面向真实世界任务演示的第一人称视角数据集 EgoLive，是重要的阶段性成果
该数据集包含 2000 小时、60 帧率的高保真双目视频，采集 65866 个任务片段，覆盖家庭服务、零售、物流等场景的 346 项真实任务，并提供相机位姿、三维手部关键点、深度、手部与交互物体分割、子任务切分和语言描述等标注。
而 EgoLive 这样大规模的具身数据集，它的采集依靠京东自研的超高清采集终端 JoyEgoCam来完成。该设备搭载了双目 RGB 相机并集成 IMU，前者提供类似人眼的宽视场，后者测量频率为 200Hz。在不干扰双手操作的情况下，它可以记录人类在居家、户外和产线中的自然行为，并为后续动作轨迹、空间结构和语义标注提供原始信息。
目前 JoyEgoCam 可以在多种场景下完成即戴即采。在家庭场景，京东打造了全国首个具身智能数据采集社区，让普通人在擦桌子、叠衣服、整理收纳、地面清洁等日常活动中完成工业级数据采集。围绕 JoyEgoCam 打造的数据采集还扩展到了物流仓储、工业制造、健康医疗、城市运维等其他核心场景。
今年 3 月，京东提出将建设全球最大的具身智能数据采集中心，目标是两年内采集 1000 万小时高质量数据。通过提供标准化、可分布式部署的采集设备，JoyEgoCam 降低了分布式采集的设备门槛，但要兑现 1000 万小时的目标，仍取决于采集网络、质量控制和数据处理成本能否同步扩张。
并且，数据采集只是京东打造具身数据全链路基础设施的第一步。数据上云之后，还要经过清洗、对齐、转换、预标注和其他标准化处理，再经由 JoyBuilder 仿真平台补充真实采集中难以覆盖的长尾场景，最终进入模型训练、评测和部署。具身大模型 JoyAI-RA 就是以自采数据为核心训练而来的。
这套体系的价值，就在于让具身数据摆脱一次性采集，转入持续生产。真实场景不断产生新的操作样本，模型能力提升后又反过来提高数据筛选与标注效率，推动物理 AI 学会更多任务，并进入更多场景。
从训练到部署，还需闯过端云两道关
如果说模型和数据解决的是机器人「如何学会干活」，智能终端和云基础设施决定了这些能力能否走出训练场、进入具体设备，并从一次演示转变成大规模、常态化运行。
在京东的布局中，JoyInside 承担前一层角色， 它将感知、理解、记忆和交互等能力嵌入具体设备，让模型通过硬件接触用户和现实环境。其接入范围从 AI 玩具、下棋机器人和机器狗扩展到了智能床垫、打印机、小夜灯等家电与健康设备。
随着接入品类的增加，京东也开始探索多个终端围绕同一生活需求协同工作的「AI 空间」，比如卧室场景，床垫、灯光等设备可以围绕睡眠需求提供服务。这一方向仍处在逐步搭建的阶段，却反映出了智能硬件竞争正在发生的变化。
过去，AI 更多以问答和控制功能附着在单个设备上，但在更大的物理空间中，设备要感知环境、理解用户状态并把交互结果反馈到后续服务中。终端之间是否有能力围绕具体任务形成协作，成为新的变量。
目前，JoyInside 已经与近 200 个家电家居、机器人和 AI 玩具品牌开展合作。今年内，JoyInside 预计将接入超过 1000 万台智能硬件设备，这也是其「连接万物、构建 AI World」目标的一部分。
智能终端负责把 AI 带入现实空间，京东云支撑起背后的计算与工程体系。
物理 AI 对基础设施提出了更严苛的要求，它面对的数据体量更大、任务链条更长，部署环境也更加分散。从实验室进入到真实环境，模型必须连续跨过数据处理、训练调优、推理部署、版本迭代和运行监控等多道工程关口。任何一个环节失稳，都可能让模型停留在演示阶段。京东云打通并托住整条链路，让物理 AI 从能够运行进一步走向稳定运行、持续迭代和规模化落地。
两者结合，物理 AI 才真正具备进入现实世界并连续运转的根基。智能终端打开入口，让模型抵达家庭、零售、工业和服务现场；云基础设施托住后方，承接不断增长的计算、部署与运维压力。
物理 AI 的终局，落在现实世界的持续运营
物理 AI 最终要到真实场景见真章。WAIC 展馆里的各种预设操作，证明了模型与本体的单项能力。但进入家庭、仓库、门店或工业现场后，系统面对的是随时变化的空间、突然出现或训练数据未曾覆盖的情况。能否在这些不确定性中连续工作、兜住故障并越用越好，成为物理 AI 能走多远的决定因素。
家庭是京东连接物理世界的其中一个入口，其更具差异化的基础来自于运行成熟的零售、物流、工业、健康、家政、外卖等服务网络，它们为模型训练、部署和验证提供了丰富的场景基础。每天，海量商品、人员、设备与业务系统在其中流动，共同构成了一张规模庞大的物理网络。
这让京东「建设全球最大物理世界运营中心」有了更具体的落点：JoyAI 模型矩阵构成能力中枢，具身数据记录真实世界经验，京东云承担训练与运行，JoyInside 和机器人等终端将模型接入现实场景，并在具体业务中完成验证和迭代。
展馆里的演示终会结束，物理世界中的任务却不会停止。京东这一战略目标的实现，取决于以上环节是否真正打通，以及 AI 在现实业务中创造出多大实际价值。
热门跟贴