JD Cloud Merakit Physical AI dari Robot Kopi hingga Jaringan Layanan Global

Menjelang konferensi JDD pada 9 September 2026, JD Cloud mengusung physical AI—AI yang tidak hanya berada di layar, tetapi dapat memahami lingkungan, mengambil keputusan, dan bertindak di dunia nyata. Strateginya bukan bertumpu pada satu robot humanoid, melainkan pada sebuah tumpukan infrastruktur: distribusi perangkat keras, data pelatihan, model AI, simulasi, lokasi penerapan, serta pemeliharaan. Ini adalah strategi industri yang besar, tetapi bukti publik sejauh ini masih menunjukkan sejumlah inisiatif yang saling terhubung, belum sebuah sistem physical AI serbaguna yang telah terbukti menyatu. 3754

Inti strategi: memanfaatkan dunia operasi JD

Keunggulan JD ada pada banyaknya lingkungan nyata yang sudah mereka operasikan: logistik, ritel, e-commerce, dan perangkat rumah tangga. Siklus yang hendak dibangun tampak seperti ini:

1. Merekam aktivitas kerja manusia dan kegiatan rumah tangga.
2. Membersihkan, memberi label, lalu memakai data itu untuk simulasi dan pelatihan model.
3. Menguji sistem di ritel, logistik, dan lingkungan perangkat rumah.
4. Menjual, memasang, memperbaiki, serta memperbarui robot melalui jaringan layanan.
5. Memasukkan pengalaman operasional kembali ke siklus pelatihan berikutnya.

JD telah memaparkan infrastruktur data embodied AI yang mencakup pengumpulan, penyimpanan, pelabelan, pelatihan, evaluasi, simulasi, dan pengujian pada mesin fisik. Komponennya mencakup model embodied JoyAI-RA dan perangkat perekam JoyEgoCam. 54

Dari slogan ke demonstrasi robot kopi

Bagian paling terlihat dari kampanye ini adalah promosi di bandara-bandara di China menjelang JDD. Pesannya: membawa AI dari antarmuka digital ke pekerjaan dan layanan di dunia nyata. 37

Demonstrasi yang lebih konkret hadir melalui gerai robotik tanpa staf 24 jam milik 7FRESH Coffee di Galaxy SOHO, Beijing. Gerai ini dibuka pada 16 Agustus 2026. Robot menjalankan proses pembuatan minuman, dari menggiling biji kopi dan mengekstrak espresso hingga mencampur serta menyajikannya. JD menyatakan lokasi tersebut menyajikan 202 cangkir dalam satu jam. 1432

Ini penting sebagai penerapan ritel dalam lingkungan yang sangat terkontrol: ada pemesanan, alur kerja fisik yang berulang, dan pemenuhan pesanan otomatis. Namun, kemampuan itu belum membuktikan otonomi robot yang luas. Membuat kopi jauh lebih terstruktur daripada menangani pengecualian di gudang, beroperasi di rumah yang belum dikenal, atau bergerak di jalan umum.

Menjadi kanal distribusi sekaligus pencipta permintaan robot

JD juga ingin mengambil posisi sebagai kanal komersial robot, bukan hanya pengembang atau operator. Dalam World Robot Conference 2026, perusahaan itu menyebut akan mengalokasikan sumber daya RMB10 miliar untuk robotika hingga 2028, bekerja sama dengan lebih dari 200 merek robot, serta membantu 100 merek mencapai penjualan lebih dari RMB1 miliar masing-masing. 10

Di sisi logistik, JD Logistics sebelumnya mengumumkan rencana pengadaan 3 juta robot, 1 juta kendaraan otonom, dan 100.000 drone hingga 2030. 2324

Kombinasi ini berpotensi membuat JD berpengaruh dalam ekosistem robotika, bahkan bila banyak robot tetap menggunakan sistem kendali milik mitra. Peluang JD adalah menjadi lapisan yang membawa mesin ke pelanggan, menyediakan lingkungan operasional, dan membuat kepemilikan robot lebih praktis melalui dukungan setelah pembelian.

RoboBase dan masalah lapangan yang tidak glamor

Robot tidak otomatis menjadi platform industri hanya karena bisa dijual. Robot perlu dipasang, diuji, mendapat suku cadang, diperbaiki, dirawat, dan didukung secara lokal. JD berencana membangun 80 fasilitas RoboBase, kemampuan layanan purnajual di lebih dari 100 negara, serta lebih dari 100.000 posisi insinyur layanan purnajual robot dalam lima tahun. Layanan yang direncanakan di pusat-pusat itu mencakup demonstrasi, pengiriman, pemeliharaan, riset dan pengembangan, perakitan skala uji, pengumpulan data, serta peningkatan manufaktur. 1022

JD juga dilaporkan telah bekerja sama dengan sekitar 120 sekolah di China untuk melatih ulang kurir bagi pekerjaan seperti perbaikan dan pemeliharaan robot. 2124

Langkah ini strategis karena armada robot dalam skala besar membutuhkan operasi lapangan, bukan hanya model AI. Meski demikian, semuanya masih berupa rencana dan komitmen. Belum ada bukti publik mengenai tingkat penyelesaian, mutu pekerjaan, hasil penempatan kerja, atau apakah pekerjaan layanan tersebut sebanding dengan skala pekerjaan yang berubah akibat otomatisasi.

Mesin data: robot belajar dari pekerjaan nyata

Pipa data JD menjadi pusat narasi physical AI-nya. JoyEgoCam adalah perangkat perekam yang dikenakan di kepala untuk merekam pelaksanaan tugas dari sudut pandang orang pertama. Menurut perusahaan, data ini diproses melalui kalibrasi, deskripsi teks, estimasi pose, rekonstruksi kedalaman, segmentasi tangan, dan pelabelan otomatis. 47

JD telah merilis dataset awal EgoLive yang berisi sekitar 2.000 jam data orang pertama, 65.866 klip tugas, dan 346 tugas dunia nyata. Perusahaan juga menargetkan pengumpulan lebih dari 10 juta jam data pelatihan robotika berkualitas tinggi dalam dua tahun, dari skenario ritel, logistik, kesehatan, dan layanan. 478

Gagasannya cukup kuat: pekerja manusia memperagakan tugas di lokasi nyata; model belajar dari data tersebut; simulasi memperluas dan mengevaluasi pembelajaran; mesin fisik memvalidasinya; lalu data operasi baru kembali masuk ke pipa pelatihan. JD menggambarkan alur ini sebagai proses dari data operasi manusia ke simulasi, lalu ke operasi mesin fisik. 4854

Namun, banyaknya data bukan otomatis tolok ukur kemampuan robot. Video sudut pandang orang pertama memang dapat membantu memahami konteks tugas, hubungan antarobjek, dan struktur alur kerja. Tetapi video itu belum tentu memuat semua informasi agar robot bertindak andal, seperti kondisi sendi robot, gaya kontak, lintasan kendali presisi, atau perilaku pemulihan saat tindakan gagal. Bukti yang menentukan adalah metrik keberhasilan tugas, keselamatan, kemampuan beradaptasi di lingkungan baru, dan biaya yang dapat dinilai secara jelas.

Model, simulasi, dan lokasi penerapan nyata

JD menempatkan komponen perangkat lunaknya di bawah nama JoyAI. Pada WAIC 2026, perusahaan mempresentasikan matriks model JoyAI dan dataset EgoLive, sekaligus menjelaskan alur di mana data memberi pengalaman dunia nyata, model menangani pemahaman serta pengambilan keputusan, dan perangkat beserta skenario menjalankan aksi dan layanan. 9

JD juga menyebut JoyAI-RA sebagai model vision-language-action untuk embodied AI dan mengaitkannya dengan EgoLive serta RoboBase untuk penggunaan di dunia fisik. 2 Lokasi RoboBase, operasi ritel, dan fasilitas logistik dapat memberi JD akses berulang ke lingkungan tempat robot diuji, dipelihara, dan diamati dari waktu ke waktu.

Potensi flywheel inilah inti strateginya. Namun, deskripsi publik belum menunjukkan bahwa seluruh komponen telah memakai runtime bersama, standar data yang sama, kebijakan keselamatan, model perizinan, atau mekanisme pembaruan yang terpadu. Sampai integrasi itu terlihat, istilah full stack lebih tepat dipahami sebagai ambisi dan peta jalan infrastruktur, bukan bukti platform tunggal yang sudah menyatu.

JoyInside membawa strategi ke rumah

Platform JoyInside merupakan jembatan ke konsumen antara model AI dan perangkat sehari-hari. JD telah memamerkan JoyInside AI Home dan memperkirakan lebih dari 10 juta perangkat serta robot akan terhubung ke ekosistem itu pada akhir 2026. 18

Hal ini penting karena rumah dapat menjadi titik akhir utama layanan AI sekaligus sumber umpan balik tentang interaksi manusia-perangkat. Tetapi rumah juga jauh lebih sulit daripada gerai ritel yang terkontrol: perangkat dapat berasal dari berbagai produsen, menjalankan perangkat lunak berbeda, dan beroperasi dalam konteks pribadi yang sensitif.

Lima hal yang masih harus dibuktikan JD

1. Interoperabilitas

Apakah robot yang dijual melalui JD, didukung RoboBase, dilatih menggunakan sistem data JD, dan terhubung ke JoyInside benar-benar dapat berbagi lapisan identitas, izin akses, pembaruan, dan keselamatan? Pengumuman publik membuktikan komponennya ada, bukan bahwa semuanya telah beroperasi sebagai satu platform.

2. Keandalan di luar alur kerja terkontrol

Gerai kopi berkapasitas tinggi membuktikan throughput dalam lingkungan yang dirancang khusus. Itu belum membuktikan manipulasi, navigasi, dan pemulihan gangguan yang andal di rumah, gudang, toko, atau pada beragam bentuk robot. JD perlu menunjukkan metrik penyelesaian tugas, kebutuhan intervensi manusia, insiden, dan waktu aktif sistem.

3. Batas antara AI JD dan integrasi mitra

Kerja sama dengan lebih dari 200 merek robot dapat menciptakan pasar dan platform layanan yang kuat. 10 Namun, ada pertanyaan arsitektur mendasar: kemampuan mana—persepsi, perencanaan, manipulasi, manajemen armada, dan otonomi—yang benar-benar merupakan fungsi native JoyAI, dan mana yang tetap berada dalam sistem milik tiap mitra?

4. Ekonomi dan dampak tenaga kerja

Physical AI harus tetap masuk akal secara ekonomi setelah biaya pengadaan perangkat keras, perawatan, waktu henti, asuransi, regulasi, dan penanganan kasus tak lazim dihitung. Komitmen pelatihan ulang patut dicatat, tetapi belum ada bukti publik apakah pekerjaan pemeliharaan baru dapat menyeimbangkan pekerjaan yang tergeser atau memberikan transisi karier yang berkelanjutan.

5. Hak data dan privasi

Pelatihan berbasis aktivitas nyata pekerja dan rumah tangga menjadikan persetujuan, kompensasi, penyimpanan, penggunaan ulang, serta kontrol akses sebagai isu inti. Pengumuman yang tersedia menjelaskan rencana pengumpulan dan pemrosesan data dalam skala besar, tetapi belum menjawab bagaimana hak data akan dikelola di seluruh ekosistem komersial tersebut. 54

Kesimpulan

JD Cloud sedang membangun banyak prasyarat untuk physical AI: pembentukan permintaan publik, distribusi robot, pengadaan armada, data dunia nyata, simulasi, lokasi penerapan, titik akhir perangkat pintar, dan kapasitas pemeliharaan. Pembeda terbesarnya mungkin kemampuan menghubungkan seluruh lapisan itu dengan operasi perdagangan dan logistik yang sudah dimiliki JD.

Namun untuk saat ini, bukti yang ada lebih mendukung kesimpulan bahwa JD tengah membangun infrastruktur physical AI, bukan sistem operasi serbaguna yang telah terbukti untuk robot dan perangkat. Sinyal paling penting dari JDD dan periode sesudahnya adalah kinerja loop tertutup yang terukur: mesin yang bekerja aman, andal, dan ekonomis di beragam lingkungan, disertai penjelasan yang jelas tentang bagaimana data, model, perangkat keras, dan lapisan layanan saling terhubung.