一个人站在货架前，戴着一副头戴设备，拿起一瓶饮料，观察标签，再把它放回正确的位置。

几米之外的大屏上，这个简单的动作被分解成另一种语言：视线落点、手部轨迹、物体位置、抓取过程，以及任务是否完成。数据随后进入虚拟货架，机器人在里面一遍遍练习。最后，一台上千公里外的实体机器人伸出手臂，做出同样的动作。

从人类动手演示，到机器学会动手，看上去只隔着几块屏幕。

但机器人真的“学会”了吗？它换一排货架、换一种瓶子，甚至只是光线暗了一点，还能不能把事情做对？

这是今天具身智能面临的，最现实、最根本的问题。

过去一年，VLA、世界模型、世界动作模型轮番成为热门概念，行业融资不断，机器人本体和模型能力也在快速进步。很容易产生一种错觉：只要模型再更新几轮，通用机器人就会自然出现。

现实却没有这么简单。

大语言模型的幸运，是互联网已经替它准备了几十年的文本、图片和代码。具身智能面对的物理世界，却没有一套现成的语料库。网上当然有海量视频，但视频通常只记录“发生了什么”，却不记录里面的人为什么这样做、动作是否成功、用了多大力度，以及失败后如何纠正。

具身智能的发展，缺少能够被学习、被评测、被证明有效的现实经验。

今年WAIC上，京东展示了一套新解法：先把人类在真实场景中工作的过程采集下来，再用模型验证这些数据是否有用，最后把能力装回机器人和智能设备，在现实里跑起来，然后继续收集数据，再优化模型，再跑……

物理世界，可能才是机器人最好的老师。

机器人不是缺舞台，是缺"班"上

大模型通过学习人类书籍、图片和视频，获得了在数字世界里对话、编程、操作软件的能力。但要让AI驱动机器人，在物理世界里像人一样做家务、搬砖、种地，视频是不够的。

一段人在货架前整理饮料的视频，对人几乎不需要解释；对机器人而言，画面里却缺失了大量关键信息：人在找什么，为什么选择这个瓶子，手应该从哪个方向接近，抓取力度如何变化，商品最后放到什么位置才算完成任务。

更麻烦的是，具身智能的训练对数据质量的要求极高，低质量的数据甚至还会让机器人“降智”。

京东曾经做过一组对照实验：同样是一万小时数据，一组经过较严格的质量控制，另一组存在一定瑕疵。结果并不是“有总比没有强”。当后者继续扩量，机器人的任务准确率和泛化能力并未同步上升，在一些任务中甚至出现下降。

比如，模型在训练中见过一种矿泉水瓶，换成尺寸和形状不同的饮料瓶后，还能否正确抓取？如果数据只教会机器人复现一个固定动作，而没有让它理解任务和环境，数据量越大，模型可能只是把错误学得更牢。

因此，数据标准不能只由采集环节决定，必须由模型和真机结果反向定义。数据采下来以后，需要经过轨迹提取、自动标注、质量筛选和结构化处理，再进入仿真环境和模型训练，最后回到实体机器人上验证。只有机器人成功率、泛化能力和任务理解发生提升，这批数据才算真正产生价值。

京东正在做的，正是把这几个原本分散的环节串成一条生产线。

人戴上JoyEgoCam，在零售、物流、家庭、工业等真实环境中完成任务；第一视角视频被加工成模型能够消化的数据；JoyAI-Sim等工具再把人类数据、仿真数据和真机数据连接起来，供模型训练和评测；最终，机器人回到货架、仓库和其他作业现场完成任务。

京东已开源行业最大的人类视角数据集EgoLive，包含约2000小时高保真双目视频、超过6.5万段数据和346类任务。同时，京东还在采集手部力学、导航、全身轨迹等更多类型的数据，目标是生产千万小时量级的高质量数据。

但小时数并不是京东在这场竞争里最重要的筹码。

真正稀缺的，是能够持续产生数据的现实任务。理货、分拣、搬运、维修和家庭服务，不是为了训练机器人临时搭建的摄影棚，而是每天都在发生、有明确目标，也有结果可以检验的工作。

这也是京东切入具身数据的逻辑。它的价值不在于搭了多少个数据采集中心或者雇了多少数据采集员，而在于能不能把一个持续运转的现实业务体系，改造成具身智能的数据生产线。每一次真实操作，都可能成为新的训练样本；每一次失败，也可能暴露模型下一步应该补什么课。

今天不少公司都能采购设备、组织人员拍摄数据，难的是把采集、处理、训练和验证长期跑下去，并把单小时成本降到产业能够承受的水平。京东披露，其数据处理成本已经较早期下降十倍以上。这意味着具身数据正在从一次性科研项目，逐渐接近可以规模化生产。

数据是沉默的，但能力是会动的

数据并不会自动变成机器人的能力。

人类完成一次补货任务，只需要凭经验判断商品应该放在哪里，伸手、抓取、移动，再确认摆放是否完成。但对模型而言，这个过程必须被拆解成一系列可以学习的问题：它看到了什么，理解了什么，下一步应该做什么，又该如何判断行动结果。

这也是物理AI与聊天机器人的根本区别。后者面对的通常是一次提问和一次回答，前者面对的却是持续变化的画面、声音、空间和人的行为。它不仅要理解世界，还要在正确的时间作出反应。

京东对JoyAI的布局，也因此不是押注某一个包打天下的模型，而是在搭建一个不断扩展的能力矩阵。

其中，JoyAI-VL-Interaction负责的是持续感知。它让模型从处理一张静态图片，进化到实时观察环境，在画面不断变化的过程中保持理解和响应。JoyAI-RA则更进一步，将视觉和语言信息映射到动作空间，让模型尝试回答“看懂之后应该怎么做”。

此次WAIC发布的JoyAI-Talker和JoyAI-Video-Edit，则补上了这套能力矩阵的另外两个维度。

JoyAI-Talker是一款实时语音交互模型。与传统语音助手等待用户说完一句话再回答不同，它更强调低延迟、可打断和连续交流，同时加入情绪理解与共情能力。对于进入家庭和服务场景的机器人来说，能否在嘈杂环境中听清人在和谁说话、判断一句话是在下达指令还是表达情绪，本身就是感知现实的一部分。

JoyAI-Video-Edit是一款流式实时视频编辑模型。它表面上属于视频生成与编辑能力，但对物理AI而言，视频不只是内容，也可以成为理解动态环境、生成训练数据和模拟现实变化的工具。京东探索研究院将这项能力用于具身智能的实时视频交互，以及具身智能训练中的数据合成。

可以看出，JoyAI模型矩阵扩展的方向，并不是简单叠加模态的类型，而是在逐步补齐AI进入物理世界所需要的能力——从看见环境、听懂语言，到进行实时交流；从理解空间和任务，到模拟变化、规划并输出动作。

这套能力还在不断进化。今天的机器人或许能完成固定货架上的抓取，下一步则需要适应不同品牌、不同包装、不同位置的商品；今天的智能终端可以回答问题，下一步则需要理解家庭成员的状态，并主动协调设备完成任务。

数据和模型也由此形成循环。真实作业数据进入模型训练，模型被部署到机器人和智能设备中，在任务中产生成功、失败和修正的结果；这些结果再被转化为新的训练素材，推动模型继续迭代。

物理AI不是考高分，是干好活

机器人最终不能一直生活在数据中心和仿真环境里。

模型是否真的有价值，要回到物理世界的家庭、工厂、商超、养老院。它不只要识别指令，还要面对噪声、多人对话、不同设备和长周期任务；不只要给出答案，还要把答案变成一次次真实的、有结果的行动。

训练闭环只是前半场，物理AI真正的难题，是走出实验环境后还能不能被人每天用起来。

在WAIC的另一侧，一个由客厅、书房、厨房和卧室组成的家庭样板间，呈现了物理AI落地的一种未来。

这里没有一台全能机器人包办所有事情。台灯、电视、床垫、茶吧机、玩具和机器狗分别保留自己的硬件能力，AI做的，是理解用户此刻真正想要什么，再把任务分配给合适的设备。

一句“今天有点累”，并不对应某个固定开关。床垫可以结合人的状态调整支撑，音乐设备可以播放舒缓内容，床边其他设备也可能参与响应。这个过程的重点，不是设备听懂了自然语言，而是交互从“用户控制机器”变成“机器理解意图”。

这正是京东JoyInside的位置。它不是一个大模型，也不是包办传感器、电机和底层控制的操作系统，更像是一层连接模型、设备能力和具体场景的AI平台。硬件厂商负责设备能做什么，JoyInside负责让设备听清、理解、记住，并判断在什么情况下应该调用这些能力。

这条路线比“给每台家电塞一个聊天机器人”难得多。

京东的真实使用数据也说明，所谓AI空间还远未成熟。目前使用频率最高的仍是台灯、点读笔、时间管理器等学习设备，其次是玩具；家居家电虽然占据了JoyInside接入SKU的大头，活跃度却相对较低。

原因并不复杂。一个玩具会聊天，用户几分钟就能感知差异；一张床垫、一台电视或一套卫浴要真正变得智能，需要AI长期理解人的状态，还要协调多个设备。会说话的单品容易做，懂生活的空间很难做。

但后者恰恰可能拥有更大的价值。

人每天与床、灯、电视、空调和厨房设备相处的时间，远远超过与一台独立机器人的互动时间。当这些终端不再只是被动等待命令，而是能够围绕人运转、协同，它们实际上组成了一个分布式的机器人：传感器和执行器散落在房间里，模型则负责理解、调度和记忆。

JoyInside目前已经与近200个品牌合作，京东预计2026年接入终端超过千万台。这个数字的意义，不只在于卖出更多AI硬件，而在于它是否能提供足够多、足够复杂的现实连接点。

如果千万台设备只是各自调用一次模型，它们仍然是分散的智能单品；如果设备能够在获得授权和保护隐私的前提下，把真实交互中的问题、失败和反馈重新用于产品和模型优化，它们才可能成为数据飞轮的一部分。

京东说自己要做“全球最大物理世界运营中心”，看起来这不是建一座更大的数据中心，也不是京东自己制造所有模型和机器人，而是把数据采集、模型训练、终端接入、销售服务和真实反馈连接起来。

京东一端连接商品、用户和智能设备，另一端深入仓储、物流、供应链、健康和维修现场。这些过去显得过于“重”的业务，到了物理AI时代，反而可能成为最难复制的训练场和验证场，并成为下一步服务亿万家庭和生产制造场景的应用场的基石。

大模型时代，企业争夺的是互联网语料、算力和参数规模；具身智能时代，竞争会进一步延伸到真实任务、终端入口和反馈迭代效率体系的比拼。

最后的胜者未必是让机器人跳得最好看的公司，而可能是最先把日常工作变成有效数据，再把数据变成稳定工作能力的那一个。

回到开头的那个小场景。一个人拿起饮料，一台机器人随后学着整理货架。真正有价值的，并不是那只机械臂完成了一次演示，而是人和机器之间那条看不见的链路：现实被采集，经验被提炼，模型接受检验，能力再回到现实。

京东给出的并不是标准答案，但至少提供了一种足够具体的解法：让真实世界生产数据，让数据训练模型，再让模型回到真实世界继续犯错和成长。

对于仍处在早期的具身智能来说，这种缓慢、笨重，却能够闭环的工作，可能比又一个漂亮的演示更有价值。

本文转自：凤凰网科技

原文地址： https://tech.ifeng.com/c/8urX1mA72zu