機器人不缺表演，缺的是工作經驗

一個人站在貨架前，戴著一副頭戴設備，拿起一瓶飲料，觀察標簽，再把它放回正確的位置。

幾米之外的大屏上，這個簡單的動作被分解成另一種語言：視線落點、手部軌跡、物體位置、抓取過程，以及任務是否完成。數據隨后進入虛擬貨架，機器人在里面一遍遍練習。最后，一臺上千公里外的實體機器人伸出手臂，做出同樣的動作。

從人類動手演示，到機器學會動手，看上去只隔著幾塊屏幕。

但機器人真的“學會”了嗎？它換一排貨架、換一種瓶子，甚至只是光線暗了一點，還能不能把事情做對？

這是今天具身智能面臨的，最現實、最根本的問題。

過去一年，VLA、世界模型、世界動作模型輪番成為熱門概念，行業融資不斷，機器人本體和模型能力也在快速進步。很容易產生一種錯覺：只要模型再更新幾輪，通用機器人就會自然出現。

現實卻沒有這么簡單。

大語言模型的幸運，是互聯網已經替它準備了幾十年的文本、圖片和代碼。具身智能面對的物理世界，卻沒有一套現成的語料庫。網上當然有海量視頻，但視頻通常只記錄“發生了什么”，卻不記錄里面的人為什么這樣做、動作是否成功、用了多大力度，以及失敗后如何糾正。

具身智能的發展，缺少能夠被學習、被評測、被證明有效的現實經驗。

今年WAIC上，京東展示了一套新解法：先把人類在真實場景中工作的過程采集下來，再用模型驗證這些數據是否有用，最后把能力裝回機器人和智能設備，在現實里跑起來，然后繼續收集數據，再優化模型，再跑……

物理世界，可能才是機器人最好的老師。

機器人不是缺舞臺，是缺"班"上

大模型通過學習人類書籍、圖片和視頻，獲得了在數字世界里對話、編程、操作軟件的能力。但要讓AI驅動機器人，在物理世界里像人一樣做家務、搬磚、種地，視頻是不夠的。

一段人在貨架前整理飲料的視頻，對人幾乎不需要解釋；對機器人而言，畫面里卻缺失了大量關鍵信息：人在找什么，為什么選擇這個瓶子，手應該從哪個方向接近，抓取力度如何變化，商品最后放到什么位置才算完成任務。

更麻煩的是，具身智能的訓練對數據質量的要求極高，低質量的數據甚至還會讓機器人“降智”。

京東曾經做過一組對照實驗：同樣是一萬小時數據，一組經過較嚴格的質量控制，另一組存在一定瑕疵。結果并不是“有總比沒有強”。當后者繼續擴量，機器人的任務準確率和泛化能力并未同步上升，在一些任務中甚至出現下降。

比如，模型在訓練中見過一種礦泉水瓶，換成尺寸和形狀不同的飲料瓶后，還能否正確抓取？如果數據只教會機器人復現一個固定動作，而沒有讓它理解任務和環境，數據量越大，模型可能只是把錯誤學得更牢。

因此，數據標準不能只由采集環節決定，必須由模型和真機結果反向定義。數據采下來以后，需要經過軌跡提取、自動標注、質量篩選和結構化處理，再進入仿真環境和模型訓練，最后回到實體機器人上驗證。只有機器人成功率、泛化能力和任務理解發生提升，這批數據才算真正產生價值。

京東正在做的，正是把這幾個原本分散的環節串成一條生產線。

人戴上JoyEgoCam，在零售、物流、家庭、工業等真實環境中完成任務；第一視角視頻被加工成模型能夠消化的數據；JoyAI-Sim等工具再把人類數據、仿真數據和真機數據連接起來，供模型訓練和評測；最終，機器人回到貨架、倉庫和其他作業現場完成任務。

京東已開源行業最大的人類視角數據集EgoLive，包含約2000小時高保真雙目視頻、超過6.5萬段數據和346類任務。同時，京東還在采集手部力學、導航、全身軌跡等更多類型的數據，目標是生產千萬小時量級的高質量數據。

但小時數并不是京東在這場競爭里最重要的籌碼。

真正稀缺的，是能夠持續產生數據的現實任務。理貨、分揀、搬運、維修和家庭服務，不是為了訓練機器人臨時搭建的攝影棚，而是每天都在發生、有明確目標，也有結果可以檢驗的工作。

這也是京東切入具身數據的邏輯。它的價值不在于搭了多少個數據采集中心或者雇了多少數據采集員，而在于能不能把一個持續運轉的現實業務體系，改造成具身智能的數據生產線。每一次真實操作，都可能成為新的訓練樣本；每一次失敗，也可能暴露模型下一步應該補什么課。

今天不少公司都能采購設備、組織人員拍攝數據，難的是把采集、處理、訓練和驗證長期跑下去，并把單小時成本降到產業能夠承受的水平。京東披露，其數據處理成本已經較早期下降十倍以上。這意味著具身數據正在從一次性科研項目，逐漸接近可以規模化生產。

數據是沉默的，但能力是會動的

數據并不會自動變成機器人的能力。

人類完成一次補貨任務，只需要憑經驗判斷商品應該放在哪里，伸手、抓取、移動，再確認擺放是否完成。但對模型而言，這個過程必須被拆解成一系列可以學習的問題：它看到了什么，理解了什么，下一步應該做什么，又該如何判斷行動結果。

這也是物理AI與聊天機器人的根本區別。后者面對的通常是一次提問和一次回答，前者面對的卻是持續變化的畫面、聲音、空間和人的行為。它不僅要理解世界，還要在正確的時間作出反應。

京東對JoyAI的布局，也因此不是押注某一個包打天下的模型，而是在搭建一個不斷擴展的能力矩陣。

其中，JoyAI-VL-Interaction負責的是持續感知。它讓模型從處理一張靜態圖片，進化到實時觀察環境，在畫面不斷變化的過程中保持理解和響應。JoyAI-RA則更進一步，將視覺和語言信息映射到動作空間，讓模型嘗試回答“看懂之后應該怎么做”。

此次WAIC發布的JoyAI-Talker和JoyAI-Video-Edit，則補上了這套能力矩陣的另外兩個維度。

JoyAI-Talker是一款實時語音交互模型。與傳統語音助手等待用戶說完一句話再回答不同，它更強調低延遲、可打斷和連續交流，同時加入情緒理解與共情能力。對于進入家庭和服務場景的機器人來說，能否在嘈雜環境中聽清人在和誰說話、判斷一句話是在下達指令還是表達情緒，本身就是感知現實的一部分。 JoyAI-Video-Edit是一款流式實時視頻編輯模型。它表面上屬于視頻生成與編輯能力，但對物理AI而言，視頻不只是內容，也可以成為理解動態環境、生成訓練數據和模擬現實變化的工具。京東探索研究院將這項能力用于具身智能的實時視頻交互，以及具身智能訓練中的數據合成。

可以看出，JoyAI模型矩陣擴展的方向，并不是簡單疊加模態的類型，而是在逐步補齊AI進入物理世界所需要的能力——從看見環境、聽懂語言，到進行實時交流；從理解空間和任務，到模擬變化、規劃并輸出動作。

這套能力還在不斷進化。今天的機器人或許能完成固定貨架上的抓取，下一步則需要適應不同品牌、不同包裝、不同位置的商品；今天的智能終端可以回答問題，下一步則需要理解家庭成員的狀態，并主動協調設備完成任務。

數據和模型也由此形成循環。真實作業數據進入模型訓練，模型被部署到機器人和智能設備中，在任務中產生成功、失敗和修正的結果；這些結果再被轉化為新的訓練素材，推動模型繼續迭代。

物理AI不是考高分，是干好活

機器人最終不能一直生活在數據中心和仿真環境里。

模型是否真的有價值，要回到物理世界的家庭、工廠、商超、養老院。它不只要識別指令，還要面對噪聲、多人對話、不同設備和長周期任務；不只要給出答案，還要把答案變成一次次真實的、有結果的行動。

訓練閉環只是前半場，物理AI真正的難題，是走出實驗環境后還能不能被人每天用起來。

在WAIC的另一側，一個由客廳、書房、廚房和臥室組成的家庭樣板間，呈現了物理AI落地的一種未來。

這里沒有一臺全能機器人包辦所有事情。臺燈、電視、床墊、茶吧機、玩具和機器狗分別保留自己的硬件能力，AI做的，是理解用戶此刻真正想要什么，再把任務分配給合適的設備。

一句“今天有點累”，并不對應某個固定開關。床墊可以結合人的狀態調整支撐，音樂設備可以播放舒緩內容，床邊其他設備也可能參與響應。這個過程的重點，不是設備聽懂了自然語言，而是交互從“用戶控制機器”變成“機器理解意圖”。

這正是京東JoyInside的位置。它不是一個大模型，也不是包辦傳感器、電機和底層控制的操作系統，更像是一層連接模型、設備能力和具體場景的AI平臺。硬件廠商負責設備能做什么，JoyInside負責讓設備聽清、理解、記住，并判斷在什么情況下應該調用這些能力。

這條路線比“給每臺家電塞一個聊天機器人”難得多。

京東的真實使用數據也說明，所謂AI空間還遠未成熟。目前使用頻率最高的仍是臺燈、點讀筆、時間管理器等學習設備，其次是玩具；家居家電雖然占據了JoyInside接入SKU的大頭，活躍度卻相對較低。

原因并不復雜。一個玩具會聊天，用戶幾分鐘就能感知差異；一張床墊、一臺電視或一套衛浴要真正變得智能，需要AI長期理解人的狀態，還要協調多個設備。會說話的單品容易做，懂生活的空間很難做。

但后者恰恰可能擁有更大的價值。

人每天與床、燈、電視、空調和廚房設備相處的時間，遠遠超過與一臺獨立機器人的互動時間。當這些終端不再只是被動等待命令，而是能夠圍繞人運轉、協同，它們實際上組成了一個分布式的機器人：傳感器和執行器散落在房間里，模型則負責理解、調度和記憶。

JoyInside目前已經與近200個品牌合作，京東預計2026年接入終端超過千萬臺。這個數字的意義，不只在于賣出更多AI硬件，而在于它是否能提供足夠多、足夠復雜的現實連接點。

如果千萬臺設備只是各自調用一次模型，它們仍然是分散的智能單品；如果設備能夠在獲得授權和保護隱私的前提下，把真實交互中的問題、失敗和反饋重新用于產品和模型優化，它們才可能成為數據飛輪的一部分。

京東說自己要做“全球最大物理世界運營中心”，看起來這不是建一座更大的數據中心，也不是京東自己制造所有模型和機器人，而是把數據采集、模型訓練、終端接入、銷售服務和真實反饋連接起來。

京東一端連接商品、用戶和智能設備，另一端深入倉儲、物流、供應鏈、健康和維修現場。這些過去顯得過于“重”的業務，到了物理AI時代，反而可能成為最難復制的訓練場和驗證場，并成為下一步服務億萬家庭和生產制造場景的應用場的基石。

大模型時代，企業爭奪的是互聯網語料、算力和參數規模；具身智能時代，競爭會進一步延伸到真實任務、終端入口和反饋迭代效率體系的比拼。

最后的勝者未必是讓機器人跳得最好看的公司，而可能是最先把日常工作變成有效數據，再把數據變成穩定工作能力的那一個。

回到開頭的那個小場景。一個人拿起飲料，一臺機器人隨后學著整理貨架。真正有價值的，并不是那只機械臂完成了一次演示，而是人和機器之間那條看不見的鏈路：現實被采集，經驗被提煉，模型接受檢驗，能力再回到現實。

京東給出的并不是標準答案，但至少提供了一種足夠具體的解法：讓真實世界生產數據，讓數據訓練模型，再讓模型回到真實世界繼續犯錯和成長。

對于仍處在早期的具身智能來說，這種緩慢、笨重，卻能夠閉環的工作，可能比又一個漂亮的演示更有價值。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4876321.html?f=wyxwapp