京东AI，直取“水源”

想象一下，在京东未来的一家门店里，一位咖啡师制作手冲咖啡的过程，其意义将远超一杯饮品本身。从研磨、注水到萃取，他头戴设备记录下的第一视角视频，将成为训练下一代机器人的宝贵“教材”。

这类数据的真正价值，远不止于记录一个标准动作。它更在于沉淀人类在真实、动态的服务场景中，那些微妙的操作顺序、力度拿捏和临场应变。对于机器人而言，能否从实验室的“完美演示”走向真实世界的“流畅作业”，关键就在于这些细节。

不久前，京东启动了一项雄心勃勃的计划，目标是在两年内，通过动员最多60万人，采集累计超过1000万小时的人类真实场景视频数据。这被其内部称为“人类历史上规模最大的数据采集行动”，其终极目标是成为全球最大的具身智能数据公司。

当整个AI行业的目光都聚焦于基础大模型和聊天机器人时，京东选择切入数据采集这个看似不够“性感”的环节，实则指向了一个更底层、也更关键的问题：当AI需要从虚拟的屏幕走向真实的仓库、门店、家庭和工厂时，谁能提供足够多、足够复杂、足够贴近现场的训练数据？

这恰恰是理解京东AI战略的一个关键入口。高质量的真实场景数据，正成为物理AI落地前必须补上的基础设施。没有这块基石，具身智能很可能永远停留在大模型的想象里，难以融入真实的产业流程。

从业务场景到数据矿藏

京东并非唯一看到数据价值的公司，但其特殊性在于，过去二十多年积累的庞大供应链、履约网络和线下业务场景，本身就可以被重新解读为一座富矿。

一方面，京东覆盖全国的仓储、物流和线下服务网络，能够持续产出高真实度、高多样性的物理场景数据。从仓库分拣到家庭保洁，从餐饮制作到商品导购，这些场景的复杂性和随机性，是实验室难以模拟的，也是纯AI技术公司难以长期、稳定获取的资源。

另一方面，快递、外卖、家政等业务让京东拥有一张深入城市毛细血管的线下人力网络。而数据采集与标注本身也是一项劳动密集型工作。京东庞大的人力池与数据采集需求之间，天然存在一种匹配度，这使得将采集任务嵌入日常业务流程变得更为可行。

因此，京东能否在物理AI时代占据一席之地，关键或许不在于它投入了多少算力或迭代了多少个大模型，而在于它能否将原有的零售、物流和服务体系，成功转化为一套能够持续、高效生产高质量数据的机制。

回顾过去，作为国内电子产品消费的重要渠道，京东曾面临用户购买频次偏低的挑战。近两年，通过丰富品类、优化价格，其日百品类已连续多个季度保持高增长。进入2025年，京东更是进一步切入外卖、家政等高频服务业务。

这些动作的首要目的当然是寻求增长，但若从AI的视角审视，它们还有另一层深意：京东正在将其业务半径，从相对标准化的商品交易，延伸至更高频、更动态、也更复杂的线下服务领域。

场景的拓展，意味着数据可能性的倍增。但可能性并不直接等同于能力。根据京东2026年一季度财报，其体系内研发投入同比增长了59%。这笔投入中的一部分，正流向像具身智能数据平台这样的基础设施。这类投入不像前端应用那样容易被用户感知，也很难立刻带来收入增量，但若想将线下场景真正转化为AI的训练资源，这一步无法绕过。

换句话说，京东此轮AI布局的重心，并非急于推出一个更吸引眼球的C端应用，而是尝试将场景、人力和模型训练串联起来，把为用户提供的生活服务，升级为向产业提供的生产性服务。其商业回报能否实现，取决于这些分散在各个业务环节中的真实操作，最终能否被系统性地整理成可训练、可复用、甚至可交易的数据资产。

物理AI的“最后一公里”难题

过去一年，机器人和具身智能频繁亮相于各大发布会。许多演示看起来已经相当流畅，但它们大多只在精心设计的特定环境中才能完美运行。

物品摆放固定，动作路径明确，外部干扰被降至最低。这样的演示固然“物理”，却未必足够“智能”。

真实的商业世界，很少如此配合。

仍以商场里的咖啡机器人为例。机械臂在实验室的固定台面上完成一杯咖啡，与它在人潮涌动的商场里服务顾客，是难度完全不同的两件事。

后者需要面对的是一个持续变化的现场：顾客可能突然靠近柜台，有人会临时伸手取餐，地面或许刚被拖过还未全干，杯子、器具和人员的动线随时都在调整。

在这样的环境下，机器人需要解决的早已不是“能否完成冲煮动作”，而是它能否在不确定的现场中，准确判断何时继续、何时减速、何时暂停等一系列组合问题。

这其中任何一个判断失误，都可能导致碰撞、烫伤或设备损坏，可谓一招不慎，满盘皆输。

这也正是物理AI比屏幕内的AI更难落地的根本原因。大模型说错一句话，可以轻松地重新生成。但机器人在现实世界里做错一个动作，往往需要付出真实的代价。

要让机器人真正离开“样板间”，问题的核心就不能只停留在动作模仿上。它需要看懂环境，理解现场约束，预判动作后果，并能将每一次执行后的反馈沉淀下来，反过来持续优化模型。

这解释了为何具身智能看似热闹，但许多实质性进展仍局限于单一场景和单一动作。演示可以精心设计，真实世界却从不按脚本演出。

京东选择切入数据采集，押注的正是这一点：AI如果只停留在屏幕之内，其价值天花板终究有限；只有进入仓库、门店、家庭和工厂，才可能真正转化为一种新的生产力。而支撑这一切的，不是更炫酷的发布会演示，而是足够多、足够复杂、足够贴近现场的真实数据。

从这个角度看，京东的业务基因与物理AI的需求之间，确实存在一种深层的耦合。

一方面，早年对无人机、无人配送、无人仓的布局，让京东积累了物理AI在执行层的宝贵经验；另一方面，通过战略投资多家机器人及具身智能企业，京东也在补强感知与决策层的能力。更重要的是，京东在全国范围内的仓储、路网、订单流转和履约服务中，持续产生着海量的线下实时数据，这些数据既能作为感知底座，也有机会依托业务运行形成宝贵的反馈闭环。

当然，这些数据能否真正转化为核心AI资产，取决于它能否完成从“业务数据”到“训练数据”的质变。为此，京东已经展开了一系列布局：

在感知层，京东正将遍布全国的线下场景变为AI的“眼睛”，从零售、物流到工业、健康、家政等上百个场景中，采集人机操作、空间轨迹等多模态信号。

在决策层，通过自研JoyAI大模型、工业大模型JoyIndustrial等体系，并结合战略投资，搭建物理AI的“大脑”。

在执行层，其布局多年的物流机器人、无人仓、无人机、智能家电等硬件终端，则成为AI完成现实动作的“手脚”。

而在自我进化层，大规模具身智能数据采集计划，旨在将真实场景产生的数据回流至模型训练，尝试构建“数据-模型-终端-反馈”的持续迭代闭环。

相比行业里比拼参数、堆砌算力的显性竞争，京东的路径更偏向于底层基础设施建设。其难点也在于此：数据采集仅是第一步，真正的考验在于后续的数据质量、训练效率、跨场景迁移能力以及最终的商业化速度。

人力网络与场景网络的“双重奏”

为什么这个故事由京东来讲，显得尤为顺理成章？与其说这是一次跨界突袭，不如说是京东在对上一轮互联网竞争所沉淀的资产进行“价值重估”。

上一轮竞争中，留给京东的核心资产之一，便是那支深入城市毛细血管的庞大履约队伍，以及由此锤炼出的强大组织运营能力。

这为京东从电商向即时零售、外卖等业务横向扩张提供了基础。无论业务形态如何变化，体验、成本与效率始终是其核心能力三角。

然而，这项能力本身也伴随着高昂的成本。庞大的人力队伍意味着持续的成本压力，唯有让人力资源在更多场景中被复用，才能摊薄成本，释放出新的价值。

如今，当竞争的主战场从互联网切换到AI，这支曾被视为“成本中心”的人力队伍，迎来了被重新定价的机会。物理AI的训练极度依赖高质量的数据采集、标注和真实世界反馈，而这些工作同样需要大量人力参与。

京东发动近60万人参与的数据采集行动，表面上是将一线履约员工转化为数据采集员、标注员；更深层的逻辑，则是让这些员工从物理产业链末端的执行者，转变为数字产业链前端的数据资产生产者。

不同于其他企业需要额外招募和培训专业团队，京东的配送员、分拣员、店员及骑手，日常工作就穿梭于各类真实场景之中。只需佩戴自研的JoyEgoCam等采集终端，他们就能在本职工作中同步完成数据采集。

这为京东带来了一个独特的起点：它并非从零搭建一支数据采集团队，而是将已有的、成熟的组织网络，改造为一张天然的、覆盖广泛的数据采集网络。

有了采集数据的人，还需要消耗数据的场景。

近两年，京东“四处出击”，布局外卖、生鲜、酒旅乃至汽车后市场。一方面，这无疑是在寻找新的增长曲线；另一方面，当一家企业的核心能力积累到一定厚度，其能力自然会向外溢出，催生新的业务形态。

这些新业务在为京东带来增量收入和用户的同时，也为AI训练提供了不可或缺的土壤。AI要落地物理世界，必须依附于具体、复杂且不断变化的现实场景。从AI的视角看，每一个新开拓的业务场景，都是一个全新的“感知触角”。

每一家新开的线下门店，每一位上门服务的家政人员，每一辆穿梭于城市中的物流车，都可以成为感知物理世界的“传感器”，源源不断地产生多模态的真实数据。

支撑这一切的底层基座，是京东构建了二十余年的超级供应链体系。

这套体系已形成覆盖全球的近2000个仓库，管理着超过1亿SKU的商品。以昆山亚洲一号智能物流园为例，其日均分拣包裹能力超过450万件，其中“狼族”机器人业务承担了近半的单量，日常运营持续产出海量的人机交互与设备运行数据。

这套打通了从生产、流通到消费全链路的供应链，对零售业务而言是效率引擎；放到物理AI的语境下，则可以理解为一套能够持续产生现实世界数据的“活系统”。

根据京东披露的信息，通过其全链路数据基础设施，原始数据可被高效精炼为AI训练素材，数据有效率高达95%，同时成本降低60%。

这些数字表明，京东已经开始将供应链数据工程化。当然，从数据到真正的物理AI竞争力，中间还隔着模型训练、产品落地和客户付费等多道关卡。

数据“水源地”的争夺战

数据采集，听起来似乎不如大模型和酷炫应用那样充满想象力，但它正在成为AI产业中被重新定价的关键环节。

一个直接的参照是Scale AI。这家公司并不直接训练基础模型，也不面向普通用户做应用，却凭借专业的数据服务，进入了OpenAI等巨头的供应链，估值一度高达290亿美元。

同样，Figure AI、1X Technologies、Covariant等具身智能公司能够获得高额融资，也与它们所掌握的机器人训练数据和真实场景经验密不可分。

国内市场也呈现出类似趋势。随着具身智能的发展，一批布局数据业务的企业开始受到资本关注。资本看重的并非简单的“标注”动作，而是这些公司能否持续获取高质量、可训练、并能真实反映世界复杂性的数据样本。

从这个角度看，京东切入“水源地”，本质上是在争夺物理AI落地前最基础、也最稀缺的数据供给位置。谁能稳定提供场景化、专业化的数据，谁就可能在物理AI的产业落地过程中，掌握新的议价权。

不过，问题也需要辩证看待。目前，行业内主流的盈利模式大致可分为硬件销售、平台订阅和数据分析服务三种。这与传统数据服务商面临的天花板有关：它们的数据多来自众包或客户提供，来源偏“二手”，场景也相对碎片化，缺乏对数据生产源头的控制力。

当AI竞赛进入“物理智能”的深水区，实验室合成的数据或简单标注的图片已经远远不够。行业真正渴求的，是能反映真实世界复杂性与不确定性的“活数据”。

京东的机会恰恰在于此。它拥有真实的业务场景、全链路的数据基础设施和深厚的供应链资源，理论上既能实现高质量数据的低成本、规模化采集，也能在真实的业务闭环中进行迭代验证。

然而，机会与最终结果之间仍有距离。数据能否被有效标准化、能否对外进行交易、能否跨行业复用，都将决定这门生意的天花板。

也正因如此，京东的商业前景不能简单理解为“卖数据”。随着其JoyInside附身智能进入更多智能家电，工业大模型JoyIndustrial服务超万家大型企业，京东有望持续从家庭和工业这两大类核心物理场景中沉淀出原生数据。

这意味着，京东未来可能不仅对外输出标准化的数据集，更有可能提供一整套基于真实物理场景的AI解决方案——从仓储机器人的智能路径规划，到家庭服务机器人的自然交互，再到工业采购的智能决策支持。

更大的想象空间在于，京东能否围绕“具身智能超级供应链”，建立起涵盖数据交易、机器人售后、零售场景落地等在内的生态业务。如果这些能力能够跑通，京东才有可能从数据采集方，进一步演进为物理AI的基础设施提供方，真正向“全球最大的物理世界运营公司”这一目标迈进。

未来，京东甚至可能将数据采集、标注、存储、交易等能力单独拆分，成为AI时代的“数据矿业公司”。但在那之前，它仍需向市场证明：这套源自零售和供应链的现实世界数据，究竟能在多大程度上，转化为可复制、可规模化的AI生产力。

历史上的淘金热中，卖铲子的人往往不直接参与淘金，却可能掌握更稳定的现金流。在物理AI这场新的“淘金热”中，京东正在尝试扮演的，正是这样一个更靠近基础设施、更为关键的角色。