Mengapa JD Cloud Bertaruh pada Robot, Data, dan Operasi Dunia Nyata

Iklan JD Cloud di bandara-bandara China yang mengajak publik “mendorong AI ke dunia fisik”, serta demonstrasi kedai kopi 7FRESH tanpa staf, bukan sekadar kampanye pemasaran. Keduanya menjadi etalase strategi yang lebih besar: mengubah jejak operasi JD.com—gudang, rute pengiriman, toko ritel, layanan rantai pasok, dan perangkat terhubung—menjadi tempat AI dapat melihat, mengambil keputusan, lalu bertindak di dunia nyata. 383940

Di konferensi JDDiscovery 2026 (JDD) pada 9 September, tema “JoyAI: Leaping into the Physical World” menegaskan arah tersebut. JD menyatakan ingin membangun “platform operasional terbesar di dunia untuk dunia fisik”. 222324

Inti strateginya: kuasai skenario, lalu skalakan kecerdasannya

Physical AI, yang kerap dipakai bergantian dengan embodied AI, merujuk pada sistem AI yang bekerja melalui mesin bersensor dan beraktuator—misalnya robot, kendaraan otonom, dan drone. 5 Bagi JD, persaingan ini tidak semata ditentukan oleh model AI terbaik. Yang penting adalah gabungan komputasi, data dari dunia nyata, perangkat fisik, lokasi penerapan, serta operasi rantai pasok.

Kerangka itu disebut JD sebagai “super AI supply chain”, dengan enam unsur yang saling terhubung: cloud, data, model, perangkat, skenario, dan rantai pasok. 222324

Kedai kopi tanpa staf penting secara strategis meski skalanya kecil. Alur pemesanan, pembuatan, hingga penyerahan minuman yang berlangsung tanpa staf merupakan contoh yang mudah dilihat konsumen tentang AI dan otomasi yang keluar dari layar. Prinsip serupa ingin diterapkan JD di gudang, pengiriman, ritel, layanan industri, hingga rumah. 3940

1. Menjadi pembeli robot dalam skala sangat besar

Komponen paling konkret dari rencana JD adalah daya belinya. JD Logistics menargetkan pengadaan, dalam lima tahun, 3 juta robot, 1 juta kendaraan otonom, dan 100.000 drone pengiriman untuk pergudangan, penyortiran, transportasi, serta pengantaran. Angka tersebut adalah target pengadaan, bukan jumlah yang telah diterapkan. 454647

Nilai strategisnya melampaui otomatisasi internal JD:

• JD dapat menjadi pelanggan besar bagi pemasok robot. Pesanan besar berpotensi membentuk pasar untuk unit robot, komponen, perangkat lunak, perawatan, dan layanan purnajual.
• JD memperoleh lokasi uji berulang di dunia nyata. Setiap mesin yang beroperasi di gudang atau rute pengiriman menghasilkan kesempatan untuk mengukur keandalan dan menyempurnakan alur kerja.
• JD dapat membangun kemampuan distribusi dan layanan untuk industri robot. Rencana Percepatan Physical AI mencakup data, basis, manufaktur, penjualan, logistik, dan layanan. 333437

Artinya, JD tidak hanya ingin menjadi pembeli alat otomasi. Perusahaan ini berupaya menjadi lapisan infrastruktur sekaligus komersialisasi bagi industri robotika.

2. Membangun putaran data dan operasi

Lapisan kedua adalah jalur data embodied AI yang bertumpu pada operasi harian. JD menargetkan pengumpulan lebih dari 10 juta jam video skenario manusia di dunia nyata dalam dua tahun. Perusahaan juga menyatakan tengah membangun infrastruktur yang mencakup pengumpulan, penyimpanan, pelabelan, pelatihan, evaluasi, simulasi, dan pengujian. 171821

JD juga merencanakan klaster komputasi domestik 100.000 kartu dan memperkenalkan JoyAI-Echo WM, model dunia audiovisual interaktif. Menurut JD, model ini menjadi bagian dari tumpukan AI yang mencakup model multimodal, model dunia, dan model berwujud. 172123

Siklus yang ingin dibangun JD dapat diringkas sebagai berikut:

1. Merekam pekerjaan di lingkungan nyata, seperti logistik, ritel, dan layanan.
2. Mengubah bahan operasional tersebut menjadi data untuk melatih serta mengevaluasi model.
3. Menguji model dan mesin di lingkungan bisnis milik JD.
4. Menggunakan hasil penerapan untuk memperbaiki model, perangkat, dan alur kerja berikutnya.

Jaringan RoboBase dirancang untuk mendukung siklus ini. JD menyatakan akan membangun lebih dari 80 lokasi industri robot RoboBase di seluruh China dalam lima tahun, dengan peran yang mencakup dukungan industri dan siklus hidup robot yang lebih luas. 243746

Pelatihan ulang pekerja juga masuk dalam model operasional. Pelaporan mengenai rencana logistik JD menyebut perusahaan berjanji melatih kembali kurir untuk peran teknis seiring meluasnya otomasi. Ini penting karena armada besar tetap membutuhkan perawatan, layanan lapangan, penanganan pengecualian, dan pengawasan manusia. 4548

3. Membawa AI ke perangkat dan rumah

Lapisan ketiga adalah distribusi di luar fasilitas milik JD. Melalui JoyInside, JD memosisikan diri sebagai penyedia AI tertanam untuk robot dan perangkat rumah tangga. Pelaporan yang tersedia menyebut lebih dari 200 merek di kategori peralatan rumah tangga, rumah, dan mainan telah terhubung dengan teknologi kecerdasan berwujud JD. 56

Peluangnya adalah menjadikan model serta layanan JD berguna di banyak titik fisik: robot, mesin pengiriman otonom, mainan AI, dan produk rumah pintar. Secara teori, pendekatan ini membuka jalan dari logistik perusahaan menuju perangkat konsumen tanpa JD harus memproduksi setiap perangkat sendiri.

Namun, luasnya kemitraan tidak otomatis membuktikan kemampuan atau penggunaan yang seragam. Data publik yang tersedia belum merinci jumlah perangkat aktif, performa tugas, keterlibatan pengguna, maupun seberapa jauh produk mitra memakai sistem AI berwujud yang sebanding. Ekosistemnya strategis, tetapi kedalaman operasionalnya masih sulit dinilai dari pengungkapan publik.

Posisi JD di tengah perlombaan NVIDIA, Tesla, dan Anthropic

JD berada dalam arus perubahan yang sama, tetapi berangkat dari posisi berbeda.

• NVIDIA membangun tumpukan teknologi lintas industri: komputasi, simulasi, model dunia, dan perangkat lunak robotika untuk ekosistem pengembang serta pembuat robot. Rilis Cosmos menekankan pembuatan data sintetis berbasis fisika dan evaluasi kebijakan robot dalam simulasi. 14
• Tesla menempuh jalur yang lebih terintegrasi secara vertikal, menggabungkan data otonomi, AI internal, dan manufaktur dalam pengembangan robot Optimus. 38
• Anthropic mengambil pendekatan berbasis standar dan antarmuka lewat pratinjau riset Model Hardware Standard, yang ditujukan untuk menghubungkan model seperti Claude dengan peralatan sains dan manufaktur. 1
• JD mengejar model operator-platform: menerapkan mesin pada alur kerjanya sendiri, menangkap data dari operasi tersebut, melatih dan memvalidasi model, lalu memperluas kapabilitas melalui mitra rantai pasok dan perangkat. 2223

Keunggulan potensial JD bukan berarti perusahaan ini telah memecahkan robotika serbaguna. Keunggulannya adalah lingkungan komersial berfrekuensi tinggi yang sudah dimiliki, tempat otomasi dapat diterapkan, diukur, dan dirawat. Ini dapat sangat berharga untuk pekerjaan yang relatif terstruktur, seperti pergudangan, penyortiran, dan pemenuhan pesanan ritel.

Yang dibuktikan—dan belum dibuktikan—oleh iklan serta kedai kopi

Pesan kampanye “mendorong AI ke dunia fisik” sejalan dengan strategi JDD, sementara format kedai kopi membuat gagasan itu mudah dipahami publik. 383940

Tetapi, demonstrasi tersebut belum membuktikan bahwa JD telah mencapai kecerdasan berwujud serbaguna. Alur kerja kedai kopi tanpa staf dan tugas pergudangan jauh lebih terkendali ketimbang rumah, trotoar, atau ruang publik dengan banyak orang. Keberhasilan di lingkungan seperti itu tidak otomatis berarti robot dapat menangani tugas terbuka secara aman di sekitar manusia.

Pertanyaan terbesar yang masih terbuka

Apakah ekonominya masuk akal pada skala itu?

Volume pengadaan menunjukkan ambisi, bukan tingkat pengembalian investasi. Armada robot memerlukan modal, penyesuaian lokasi, pengisian daya, jaringan, perawatan, suku cadang, pengawasan, dan pemulihan saat terjadi kegagalan. Materi publik yang tersedia belum menunjukkan tingkat pemakaian armada, biaya per tugas, atau bukti bahwa otomasi lebih murah daripada operasi berbasis tenaga manusia pada skala target JD.

Apakah video saja cukup untuk pembelajaran robot yang andal?

Sepuluh juta jam video dunia nyata berpotensi menjadi aset besar, dan JD menyatakan membangun alur data lengkap, bukan sekadar mengumpulkan rekaman. 1718 Namun, pelatihan embodied AI yang berguna umumnya membutuhkan lebih dari banyaknya data visual: konteks tugas, jejak tindakan, status robot, label keselamatan, cakupan kejadian langka, serta umpan balik yang andal dari penerapan. Pengumuman JD menunjukkan fondasi penting, tetapi belum menampilkan sistem pelatihan dan validasi menyeluruh atau hasil performa yang cukup untuk menilai kemampuan generalisasi.

Seberapa besar tumpukan teknologinya benar-benar dikuasai JD?

Pendekatan berbasis mitra dapat mempercepat adopsi dan mengurangi biaya pengembangan seluruh komponen secara internal. Sebaliknya, JD tetap bergantung pada pemasok serta mitra untuk perangkat keras robot, komponen, dan mungkin lapisan perangkat lunak penting. Dalam jangka panjang, hal ini dapat memengaruhi diferensiasi, margin, dan interoperabilitas.

Kesimpulan

Strategi physical AI JD Cloud paling tepat dipahami sebagai upaya komersialisasi yang dibangun dari operasi dunia nyata. JD ingin memadukan pengadaan mesin dalam skala besar, pengumpulan data, komputasi, model, dukungan RoboBase, dan kemitraan perangkat agar AI dapat berpindah dari keluaran digital ke tugas fisik. 232445

Strategi ini masuk akal sebagai jalur untuk memperluas otomasi di lingkungan rantai pasok dan ritel JD yang sudah ada. Ujian penentunya masih di depan: apakah penerapan tersebut dapat menghasilkan sistem yang cukup andal dan murah untuk mengungguli otomasi yang lebih sempit atau alur kerja yang masih dijalankan manusia dalam skala besar.