WAIC直擊：200家機器人企業同場競技，但物理AI的入場券屬于閉環玩家

編輯｜杜偉

2026 年的 WAIC 展館里，機器人已經多到很難成為新聞。

它們跳舞、遞水、整理物品，在固定展臺上完成一套套流暢動作。可演示越順滑，越容易掩蓋行業真正的難題。只要把貨架換一個位置、把燈光調暗，或者讓任務持續幾個小時，演示中的確定性就可能迅速消失。

今年超過 200 家具身智能企業擠進了 WAIC，行業競爭看上去仍圍繞本體、關節和動作展開。但展臺背后，一場更關鍵的較量已經開始：誰能讓模型持續理解變化中的現實，誰能規模化獲得更多真實操作經驗，誰又能把機器人運行中的失敗重新變成訓練數據。

這正是「物理 AI」受到關注并迅速升溫的原因之一。它的競爭已經超出單臺機器人的性能，真正拉開差距的，是數據、模型、終端與場景能否形成持續迭代的閉環。

在這條更長、更難的路上，京東是一位特殊玩家。它本身是領先的電商巨頭，卻選擇押注物理 AI，上半年陸續開源 JoyAI 系列多款模型，圍繞真實世界的感知、交互和行動構建更完整的技術體系，并設下了「建設全球最大物理世界運營中心」的戰略目標。

在今天上午結束的「AI 進入物理世界」京東分論壇上，其對外集中展示了這套布局。除了首次集體亮相的 JoyAI 全系列大模型矩陣，具身數據采集體系、JoyInside 智能硬件和京東云 AI 基礎設施也一同亮相，它們連同全鏈路業務場景組成了京東的物理 AI 閉環。

段楠 京東集團副總裁、京東探索研究院副院長

京東這一步棋，試圖回答行業共同面對的一個難題：當 AI 從文本、圖像和軟件環境走向物理世界，需要怎樣的能力體系？它拋出了一條「數字智能 - 附身智能 - 具身智能」的三階技術路線：

數字智能構建語言、多模態與智能體基礎能力；附身智能將這些能力嵌入手機、汽車和家電等不同終端；具身智能進一步把模型部署到機器人等硬件中，使其在真實環境中完成操作。

在這條路線指引下，模型、數據、云基礎設施、智能終端和業務場景被真正咬合起來，形成了一套能夠把每次運行轉化為反饋、把每次失誤沉淀為經驗，并反過來推動模型持續迭代的物理 AI 系統。

看懂世界只是第一步，模型要能擇機而動

單項能力再強，只要感知、判斷和執行之間斷了一環，機器人依然干不了活。京東要補齊的，就是物理 AI 從「看見」到「行動」的整條鏈路。

物理世界的任務很少只涉及一種模態，比如機器人整理貨架，需要識別商品與空間位置，判斷抓取順序，并根據現場變化調整動作。模型既要看懂當下，也要理解變化過程，還要在合適的時機回應，并將判斷轉化為設備能夠執行的動作。沿著這條鏈路，JoyAI 系列模型正逐步構建起 AI 進入物理世界所需要的各種能力。

首先在視覺與空間層面，JoyAI-Image 將圖像理解、文字生圖和指令編輯納入統一框架，并重點強化空間關系建模。JoyAI-Image-Edit 進一步聚焦指令驅動的精確空間編輯，支持物體位移、旋轉和視角變化，在編輯過程中盡量保持主體特征、場景結構和遮擋關系穩定。

對于物理 AI 來說，JoyAI-Image 系列的價值早已超出圖像生成本身。機器人要在現實世界中完成抓取、搬運和導航，首先必須看懂物體的位置、距離以及遮擋關系、視角變化。缺少穩定的空間認知，再逼真的畫面也無法轉化為可靠行動。空間理解與可控編輯能力的提升，恰恰為 VLA 系統和世界模型補上關鍵的視覺底座。

物理 AI 面對的是持續變化的環境，除了空間關系，還需要處理時間維度上的連續過程。JoyAI-Echo 面向長時、多鏡頭音視頻聯合生成，通過緩解生成過程中的誤差累積和時序連貫性問題，能夠保持跨鏡頭角色外觀與音色的一致。

今天亮相的 JoyAI-Video-Edit 則將視頻能力延伸至流式編輯，展示了一種更接近實時交互的視頻創作方式。用戶面對變化中的視頻畫面，可以直接用自然語言增刪物體、替換人物、遷移服裝，甚至重構整個場景。模型可以在連續幀中識別人物與物體，追蹤其位置和動作，并讓修改后的內容保持穩定。

視頻編輯的生產方式被改寫，過去需要專業軟件和繁復流程才能完成的工作，如今只需看著畫面、說出想法，便能實時改變。

https://mp.weixin.qq.com/s/nje4TPIljHb-qpbR4tqIpA

實時響應開始取代過去「提交指令、等待結果」的人機交互模式，沿著這一方向，京東從視覺和語音兩個方向展開了更深入的布局。

JoyAI-VL-Interaction 可以持續處理視頻流，并根據現場狀態自主判斷何時回應、何時保持安靜，或將復雜任務交由后臺模型和智能體處理。它對應的是 AI 在物理世界中持續在線的能力，例如觀察用戶動作，識別操作是否中斷，并在必要時主動提供幫助。

同樣今天亮相的 JoyAI-Talker 實時語音交互模型，把 AI 與人的交互進一步推向全雙工語音時代。它在保留認知與推理能力的基礎上，強化了情緒理解、共情反饋和自然表達，能夠在低延遲的連續對話中邊聽、邊想、邊回應。

對于未來的家庭終端、陪伴設備和服務機器人，AI 可以承擔更完整的交互閉環，既能聽懂指令、確認意圖，也能捕捉情緒并給予恰當回應。人機交互由機械問答，逐漸演變成真正有節奏、有情緒、能持續推進的交流。

大家來看一段演示，AI 能夠在不同情緒之間自然切換，整個過程幾乎看不到生硬的過渡。

https://mp.weixin.qq.com/s/nje4TPIljHb-qpbR4tqIpA

能力鏈的最后一環，來到了 JoyAI-RA 上。作為面向通用機器人自主操作的 VLA 模型，它接收視覺觀察與語言指令，直接將模型對環境和任務的理解轉化為可執行動作。前面的模型讓 AI 看懂、聽懂并理解現實世界，JoyAI-RA 負責讓這些認知真正落到機器人身上。物理 AI 從感知、理解、決策到行動的關鍵鏈路開始閉合。

機械手抓取物體

至此，JoyAI 模型矩陣大致搭起了「空間理解 — 持續感知 — 實時交互 — 動作執行」的能力鏈。但這條鏈能不能在現實中扛住變化與意外，還取決于它是否見過足夠多、足夠復雜的真實任務。

要教會機器人干活，先把現實變成數據

模型能夠理解空間、輸出動作，卻無法憑空獲得現實經驗。真正卡住具身智能的數據問題，不只是「數量不夠」，更在于如何低成本、規模化地記錄人類操作，并將這些經驗轉化成機器人能夠學習和復用的訓練材料。

傳統互聯網數據提供知識和視覺表征，卻缺少連續、細粒度的物理操作過程。真機遙操作數據能夠與機器人的動作空間直接對齊，代價卻是采集成本高、擴展速度慢，難以在短時間內覆蓋家庭、零售、工業和服務等高度開放的真實場景。

京東選擇從人類第一視角視頻入手，希望在數據質量與采集規模之間找到新的平衡：不依賴昂貴的真機完成全部采集，先記錄人類在現實任務中的自然操作，再提取動作軌跡、空間結構和任務語義。

京東開源的行業規模最大、面向真實世界任務演示的第一人稱視角數據集 EgoLive，是重要的階段性成果

該數據集包含 2000 小時、60 幀率的高保真雙目視頻，采集 65866 個任務片段，覆蓋家庭服務、零售、物流等場景的 346 項真實任務，并提供相機位姿、三維手部關鍵點、深度、手部與交互物體分割、子任務切分和語言描述等標注。

而 EgoLive 這樣大規模的具身數據集，它的采集依靠京東自研的超高清采集終端 JoyEgoCam來完成。該設備搭載了雙目 RGB 相機并集成 IMU，前者提供類似人眼的寬視場，后者測量頻率為 200Hz。在不干擾雙手操作的情況下，它可以記錄人類在居家、戶外和產線中的自然行為，并為后續動作軌跡、空間結構和語義標注提供原始信息。

目前 JoyEgoCam 可以在多種場景下完成即戴即采。在家庭場景，京東打造了全國首個具身智能數據采集社區，讓普通人在擦桌子、疊衣服、整理收納、地面清潔等日常活動中完成工業級數據采集。圍繞 JoyEgoCam 打造的數據采集還擴展到了物流倉儲、工業制造、健康醫療、城市運維等其他核心場景。

今年 3 月，京東提出將建設全球最大的具身智能數據采集中心，目標是兩年內采集 1000 萬小時高質量數據。通過提供標準化、可分布式部署的采集設備，JoyEgoCam 降低了分布式采集的設備門檻，但要兌現 1000 萬小時的目標，仍取決于采集網絡、質量控制和數據處理成本能否同步擴張。

龔義成 京東集團副總裁、京東云基礎云業務負責人

并且，數據采集只是京東打造具身數據全鏈路基礎設施的第一步。數據上云之后，還要經過清洗、對齊、轉換、預標注和其他標準化處理，再經由 JoyBuilder 仿真平臺補充真實采集中難以覆蓋的長尾場景，最終進入模型訓練、評測和部署。具身大模型 JoyAI-RA 就是以自采數據為核心訓練而來的。

這套體系的價值，就在于讓具身數據擺脫一次性采集，轉入持續生產。真實場景不斷產生新的操作樣本，模型能力提升后又反過來提高數據篩選與標注效率，推動物理 AI 學會更多任務，并進入更多場景。

從訓練到部署，還需闖過端云兩道關

如果說模型和數據解決的是機器人「如何學會干活」，智能終端和云基礎設施決定了這些能力能否走出訓練場、進入具體設備，并從一次演示轉變成大規模、常態化運行。

在京東的布局中，JoyInside 承擔前一層角色， 它將感知、理解、記憶和交互等能力嵌入具體設備，讓模型通過硬件接觸用戶和現實環境。其接入范圍從 AI 玩具、下棋機器人和機器狗擴展到了智能床墊、打印機、小夜燈等家電與健康設備。

隨著接入品類的增加，京東也開始探索多個終端圍繞同一生活需求協同工作的「AI 空間」，比如臥室場景，床墊、燈光等設備可以圍繞睡眠需求提供服務。這一方向仍處在逐步搭建的階段，卻反映出了智能硬件競爭正在發生的變化。

戴文軍 京東科技 AI 創新業務附身智能負責人

過去，AI 更多以問答和控制功能附著在單個設備上，但在更大的物理空間中，設備要感知環境、理解用戶狀態并把交互結果反饋到后續服務中。終端之間是否有能力圍繞具體任務形成協作，成為新的變量。

目前，JoyInside 已經與近 200 個家電家居、機器人和 AI 玩具品牌開展合作。今年內，JoyInside 預計將接入超過 1000 萬臺智能硬件設備，這也是其「連接萬物、構建 AI World」目標的一部分。

智能終端負責把 AI 帶入現實空間，京東云支撐起背后的計算與工程體系。

物理 AI 對基礎設施提出了更嚴苛的要求，它面對的數據體量更大、任務鏈條更長，部署環境也更加分散。從實驗室進入到真實環境，模型必須連續跨過數據處理、訓練調優、推理部署、版本迭代和運行監控等多道工程關口。任何一個環節失穩，都可能讓模型停留在演示階段。京東云打通并托住整條鏈路，讓物理 AI 從能夠運行進一步走向穩定運行、持續迭代和規模化落地。

兩者結合，物理 AI 才真正具備進入現實世界并連續運轉的根基。智能終端打開入口，讓模型抵達家庭、零售、工業和服務現場；云基礎設施托住后方，承接不斷增長的計算、部署與運維壓力。

物理 AI 的終局，落在現實世界的持續運營

物理 AI 最終要到真實場景見真章。WAIC 展館里的各種預設操作，證明了模型與本體的單項能力。但進入家庭、倉庫、門店或工業現場后，系統面對的是隨時變化的空間、突然出現或訓練數據未曾覆蓋的情況。能否在這些不確定性中連續工作、兜住故障并越用越好，成為物理 AI 能走多遠的決定因素。

家庭是京東連接物理世界的其中一個入口，其更具差異化的基礎來自于運行成熟的零售、物流、工業、健康、家政、外賣等服務網絡，它們為模型訓練、部署和驗證提供了豐富的場景基礎。每天，海量商品、人員、設備與業務系統在其中流動，共同構成了一張規模龐大的物理網絡。

這讓京東「建設全球最大物理世界運營中心」有了更具體的落點：JoyAI 模型矩陣構成能力中樞，具身數據記錄真實世界經驗，京東云承擔訓練與運行，JoyInside 和機器人等終端將模型接入現實場景，并在具體業務中完成驗證和迭代。

展館里的演示終會結束，物理世界中的任務卻不會停止。京東這一戰略目標的實現，取決于以上環節是否真正打通，以及 AI 在現實業務中創造出多大實際價值。