这场大会说了什么
2026 年 9 月 9 日，以「JoyAI·跃迁物理世界」为主题的 JDDiscovery 京东全球科技探索者大会在北京举行。会上，京东宣布启动「物理 AI 加速计划」，并发布覆盖多模态模型、世界模型与具身模型的 JoyAI 基础模型矩阵。京东集团技术委员会主席、京东云总裁曹鹏给出的判断是：AI 的竞争正在从数字世界的「理解与生成」，转向物理世界的「感知与行动」；但大量技术落地仍停留在演示级阶段，难以形成规模化产业价值。
配合这个判断，京东提出了一个名为「超级 AI 供应链」的框架，由云、数、模、端、场、链六大模块构成。它不再局限于传统供应链对商品流转的组织，而是把算力、数据集、基础模型、智能终端、实体场景与产业供给体系全部纳入同一套协同框架。需要说明的是，本次披露的量化目标均为公司规划口径，投资总额、验收标准与落地节奏尚未公开，截至目前，官方及行业暂未披露更多细节，后续将持续跟进迭代动态。
问题设定：机器人卡在哪
要理解这个计划的意图，先看它想解决的具体问题。京东的表述是，具身智能与机器人产业普遍存在数据稀缺、模型泛化能力弱、终端量产难、售后配套缺失等痛点，行业里一个常被提到的概括是：造得出、卖不动、修不好。
这三个词各自对应一段现实。造得出，是说本体与模型已经能做出演示；卖不动，是说产品缺乏真实场景的持续验证，成本降不下来，客户不敢规模采购；修不好，是说售后与运维体系没有跟上，机器人坏了没人修，直接影响复购与口碑。这三件事有一个共同点：它们都不是靠再训一个更强的模型就能解决的，而是产业链上下游协同的问题。
这正是京东选择的切口。它不打算做「下一个通用大模型」，而是试图成为面向物理 AI 的供应链与基础设施角色——用它的说法，是建设一个面向物理世界的运营中心，把算力、数据、模型与自身沉淀多年的供应链能力耦合起来，再把产业验证过的能力向全行业开放。
六个方向的量化目标
「物理 AI 加速计划」围绕具身机器人的全生命周期，在数据、基地、制造、销售、物流、服务六个环节设定了量化目标。
数据侧。建设具身智能数据采集中心，两年内累计采集超过 1,000 万小时人类真实场景视频数据，并对外开源部分数据集。据公开信息，这项采集行动计划发动约 60 万人参与，配套自研的头戴式采集设备，用于记录自我视角的操作画面，经过去畸变与自动预标注后转为训练素材。这部分内容此前已有报道，本篇不再展开，重点放在其产业基建层面的意义。
基地侧。未来五年在国内布局 80 余个 RoboBase 机器人产业基地，集研发中试、生产组装、交付运维、数据采集等多重功能于一体。这类基地的价值在于把「研发」与「量产」之间的中试环节固定下来——机器人行业的一个常见断点是样机能做、量产做不了，中试基地正是补这一段。
制造侧。京东工业发起「机器人零部件产业发展联盟」，提出未来三年助力 100 家机器人本体厂商降本、100 家零部件供应商提升规模。零部件成本是机器人价格的主要构成，集采与标准化是降本的常见路径。
销售侧。京东零售计划在 2028 年前投入百亿级资源，助力 100 个品牌实现独立销售额突破 10 亿元。渠道能力是京东的传统优势，把机器人当作商品来运营，是它区别于纯技术厂商的地方。
物流侧。京东物流计划五年内采购 300 万台机器人、100 万台无人车与 10 万架无人机。这既是用自己的场景做验证，也是在为上游创造确定性订单——对本体厂商而言，稳定的大额采购承诺比一次性补贴更有意义。
服务侧。覆盖售后维保环节，目标是解决「修不好」的问题。这一环常被技术厂商忽略，但它决定了机器人能否被客户长期使用。
从「技术找场景」到「场景长技术」
这个计划背后有一个值得注意的方法论差异。多数玩家是「从技术找场景」——先有一个模型，再去找哪里能用；京东的表述是「从场景长技术」——先有一个真实的供应链问题，再围绕这个问题去打磨算法、沉淀数据、训练模型。
支撑这个顺序的是它的实体资产：数千个仓库、上万个配送站、数十万名一线配送与作业人员、数千万量级的商品品类。这些场景每天自然产生「人如何操作、货物如何移动、设备如何执行任务」的数据。京东的说法是，这些数据不是为了采集而采集，而是来自真实业务本身。这句话解释了它为什么把数据采集放在计划的起点——不是因为数据重要这个常识，而是因为它恰好拥有别人难以复制的真实作业场景。
模型侧，京东发布了 JoyAI-Video 与 JoyAI-Echo WM 两款世界模型，并搭建覆盖多模态、世界模型、具身模型的完整矩阵。终端侧，JoyInside 生态面向机器人、智能家居、车载与产业设备开放模型适配能力，今年计划接入超千万台终端设备。算力侧，京东云已与国产芯片厂商打造国产万卡集群，并规划建设十万卡集群。应用侧，京东 APP 上线了 AI 购物助手「东东」；京东物流「超脑」3.0、京东工业 JoyIndustrial 2.0、京东健康京医千询 3.0 等垂域模型同步发布。
需要保留的判断
这份计划的信息量很大，但有几处需要带着判断读。
其一，量化目标不等于承诺兑现。80 余个基地、300 万台机器人、1,000 万小时数据都是规划口径，投资总额与验收标准未公开，实际推进节奏取决于后续执行。其二，数据采集的隐私与质量是两个独立问题。大规模采集真实场景视频，涉及参与者授权、数据脱敏与标注一致性，这些环节的处理方式尚未详细披露，而标注质量直接决定训练效果。其三，采购目标与实际需求之间存在张力。五年 300 万台机器人的采购计划，对上游是确定性订单，但如果机器人在实际物流场景中的效率提升不及预期，采购节奏可能调整。其四，六项建设方向的排序隐含了优先级，但京东并未说明资源如何在六者之间分配。其五，把自己定位为「供应链角色」意味着它必须同时服务竞争对手与合作伙伴，中立性与商业利益的边界需要长期观察。
中立思辨
需要辩证看待。其一，把具身智能当供应链问题解，是一个有现实依据的框架——机器人产业化的瓶颈确实更多在量产、成本与售后，而非算法本身。其二，这个框架的优势与约束都来自京东的实体禀赋：优势是它拥有真实场景与渠道，约束是它的能力高度绑定自身业务，能否向全行业输出而不被视作竞争，需要时间验证。其三，与专注本体的机器人公司相比，京东选择的是「基础设施加渠道」的位置，这条路的资本开支重、回报周期长，短期财务压力不容忽视。其四，世界模型与具身模型的技术成熟度仍是变量，规划中的能力与可交付的产品之间存在距离。其五，面向物理世界的运营中心一旦成立，它对行业标准的影响力可能超过其自身产品，这也是为什么值得持续跟踪它的标准与接口设计。其六，六个方向同时推进对组织能力要求极高，历史上多线并进的产业计划常因资源分散而打折扣，节奏管理是关键。
趋势研判
短期，具身智能的竞争会从「本体参数好不好看」转向「数据规模与场景验证能不能支撑泛化」，拥有真实作业场景的玩家会获得结构性优势；中期，如果「基础设施加渠道」的模式被验证，行业可能出现一批扮演供应链角色的平台方，与专注技术的本体公司形成分工；长期，物理 AI 的产业化可能沿用电力的路径——不是每家都自建电厂，而是接入一张公共网络，届时谁掌握了数据、场景与渠道的结合点，谁就更接近这张网络的关键节点。
对机器人产业链上的公司来说，这份计划传递的信号很直接：在纠结模型选型之前，先问清楚自己的产品能不能进入真实的量产、交付与运维体系。这个问题的答案，往往比技术指标更能决定一家公司能否活到规模化那一天。