JD Cloud sedang membina timbunan AI fizikal, tetapi belum membuktikan satu sistem bersatu

JD Cloud menggunakan kempen menjelang persidangan JDD pada September 2026 untuk mempromosikan AI fizikal — AI yang bukan sekadar menjawab di skrin, tetapi boleh melihat, membuat keputusan dan bertindak dalam dunia sebenar. Strateginya bukan tertumpu pada satu robot humanoid. Sebaliknya, JD sedang menghimpunkan lapisan perkakasan, pengedaran, data latihan, model, simulasi, lokasi penggunaan serta penyelenggaraan.

Itu ialah strategi industri yang besar. Namun, rekod awam setakat ini lebih menunjukkan beberapa inisiatif yang saling berkait, bukannya satu sistem AI fizikal sejagat yang telah dibuktikan berfungsi sebagai platform tunggal. 3754

Kelebihan JD: sudah memiliki lokasi penggunaan

JD mempunyai sesuatu yang tidak dimiliki oleh kebanyakan makmal AI: operasi e-dagang, runcit, logistik dan persekitaran rumah yang boleh menjadi tempat robot dilatih serta digunakan. Secara ringkas, gelung yang mahu dibinanya adalah seperti berikut:

1. Merakam kerja manusia dan aktiviti harian di dunia sebenar.
2. Membersih, melabel dan menggunakan data itu untuk latihan model serta simulasi.
3. Menguji sistem dalam persekitaran runcit, logistik dan peranti rumah.
4. Menjual, memasang, membaiki dan mengemas kini robot melalui rangkaian servis.
5. Menyalurkan data operasi baharu kembali ke kitaran latihan.

JD telah menerangkan infrastruktur data kecerdasan berjasad yang meliputi pengumpulan, penyimpanan, pelabelan, latihan, penilaian, simulasi dan ujian pada mesin sebenar. Ia turut merangkumi model berjasad JoyAI-RA serta peranti rakaman JoyEgoCam. 54

Kedai kopi robot menjadikan mesej AI lebih nyata

Bahagian paling mudah dilihat oleh orang ramai ialah penjenamaan. Slogan AI fizikal JD Cloud muncul dalam iklan lapangan terbang di seluruh China menjelang JDD, dengan mesej bahawa AI perlu bergerak daripada antara muka digital kepada kerja dan perkhidmatan dunia sebenar. 37

Demonstrasi yang lebih konkrit ialah kedai robot tanpa kru 24 jam 7FRESH Coffee di Galaxy SOHO, Beijing. Kedai itu dibuka pada 16 Ogos 2026. Robot mengendalikan proses penyediaan minuman, daripada mengisar biji kopi dan mengekstrak espresso hingga membancuh serta menghidang. JD berkata lokasi itu menyediakan 202 cawan dalam tempoh satu jam. 1432

Ini penting sebagai pelaksanaan runcit dalam persekitaran terkawal: pesanan, aliran kerja fizikal dan penyerahan produk semuanya berulang serta tersusun. Namun, ia bukan bukti bahawa robot telah mencapai autonomi yang luas. Menyediakan kopi dalam ruang yang direka khas jauh lebih mudah berbanding menangani kes luar jangka di gudang, rumah yang tidak dikenali atau jalan awam.

JD mahu menjadi saluran jualan dan perkhidmatan robot

JD juga meletakkan dirinya sebagai saluran komersial untuk robot, bukan sekadar pembangun atau pengendali. Di Persidangan Robot Dunia 2026, syarikat itu berkata ia akan menyediakan RMB10 bilion sumber untuk bidang robotik menjelang 2028, bekerjasama dengan lebih 200 jenama robot dan menyokong 100 jenama mencapai jualan melebihi RMB1 bilion setiap satu. 10

Dari sudut logistik pula, JD Logistics sebelum ini mengumumkan rancangan mendapatkan 3 juta robot, 1 juta kenderaan autonomi dan 100,000 dron hingga 2030. 2324

Gabungan ini boleh memberi JD pengaruh besar walaupun banyak robot masih menggunakan sistem kawalan rakan niaga masing-masing. Nilai JD mungkin terletak pada keupayaannya membawa mesin kepada pelanggan, menyediakan persekitaran operasi dan menjadikan pemilikan robot lebih praktikal melalui servis selepas jualan.

RoboBase menyelesaikan masalah yang kurang glamor: penyelenggaraan

Robot tidak menjadi platform industri hanya kerana ia boleh dijual. Ia memerlukan pemasangan, alat ganti, pembaikan, penyelenggaraan, ujian dan sokongan tempatan. JD berkata ia merancang 80 kemudahan RoboBase dan keupayaan servis selepas jualan di lebih 100 negara, termasuk lebih 100,000 jawatan jurutera servis selepas jualan robot dalam tempoh lima tahun. Hab yang dicadangkan itu akan meliputi demonstrasi, penghantaran, penyelenggaraan, penyelidikan dan pembangunan, pemasangan perintis, pengumpulan data serta peningkatan pembuatan. 1022

JD juga dilaporkan telah menandatangani perjanjian dengan kira-kira 120 sekolah di China untuk melatih semula kurier dalam kerja seperti membaiki dan menyelenggara robot. 2124

Ini penting dari segi strategi: armada robot besar memerlukan operasi lapangan sama seperti ia memerlukan model AI. Tetapi semua ini masih berupa rancangan dan komitmen. Bukti awam belum menunjukkan kadar penyiapan, kualiti pekerjaan, hasil penempatan kerja atau sama ada pekerjaan servis dapat menampung skala kerja yang mungkin berubah akibat automasi.

Enjin data: mengajar robot melalui kerja manusia

Paip data JD menjadi tunjang naratif AI fizikalnya. JoyEgoCam ialah sistem rakaman yang dipakai di kepala untuk merekod pelaksanaan tugas dari sudut pandang orang pertama. Menurut JD, data itu diproses melalui langkah seperti penentukuran, penerangan teks, anggaran pose, pembinaan semula kedalaman, pemisahan tangan dan pelabelan automatik. 47

JD telah mengeluarkan set data awal EgoLive yang mengandungi kira-kira 2,000 jam data sudut pandang orang pertama, 65,866 klip tugas dan 346 tugas dunia sebenar. Syarikat itu juga menyasarkan untuk mengumpul lebih 10 juta jam data latihan robotik berkualiti tinggi dalam tempoh dua tahun, menggunakan senario sebenar dalam runcit, logistik, penjagaan kesihatan dan perkhidmatan. 478

Logiknya mudah difahami: pekerja manusia menunjukkan cara tugasan dilakukan di lokasi sebenar; model belajar daripada data tersebut; simulasi memperluas dan menilai pembelajaran; mesin sebenar mengesahkannya; data operasi baharu kemudian kembali ke dalam sistem. JD menerangkan aliran lebih luas ini sebagai perjalanan daripada data operasi manusia ke simulasi, kemudian kepada operasi mesin sebenar. 4854

Namun, jumlah data sahaja bukan ukuran kejayaan robotik. Video orang pertama boleh membantu model memahami konteks tugas, hubungan antara objek dan urutan kerja. Tetapi ia tidak secara automatik memberi semua maklumat yang diperlukan robot untuk bertindak secara andal, seperti keadaan sendi robot, daya sentuhan, trajektori kawalan tepat atau cara pulih apabila tindakan gagal. Bukti yang lebih menentukan ialah keputusan yang jelas tentang kejayaan tugasan, keselamatan, keupayaan menyesuaikan diri dan kos.

Model, simulasi dan tapak ujian sebenar

JD menghimpunkan komponen perisiannya di bawah nama JoyAI. Di WAIC 2026, ia memperkenalkan matriks model JoyAI dan set data EgoLive, sambil menerangkan laluan di mana data membekalkan pengalaman dunia sebenar, model mengendalikan pemahaman dan keputusan, manakala peranti serta senario menjalankan tindakan dan perkhidmatan. 9

Syarikat itu turut mengenal pasti JoyAI-RA sebagai model penglihatan-bahasa-tindakan berjasad, dan mengaitkannya dengan EgoLive serta projek RoboBase untuk kegunaan dalam dunia fizikal. 2 Tapak RoboBase, operasi runcit dan kemudahan logistik boleh memberi JD kelebihan yang jarang ada pada makmal AI: akses berulang kepada persekitaran tempat robot diuji, diselenggara dan diperhatikan dalam tempoh panjang.

Di sinilah terletaknya potensi gelung maklum balas JD. Namun, penerangan awam belum menunjukkan bahawa setiap komponen menggunakan persekitaran masa jalan yang sama, piawaian data yang sama, dasar keselamatan bersama, model kebenaran yang seragam atau mekanisme kemas kini yang dikongsi. Selagi penyepaduan itu tidak jelas, istilah “timbunan penuh” lebih tepat dianggap sebagai aspirasi dan peta jalan infrastruktur, bukan bukti platform tunggal yang benar-benar bersatu.

JoyInside membawa strategi itu ke rumah

Platform JoyInside ialah jambatan berorientasikan pengguna antara model AI dan peranti harian. JD telah mempamerkan JoyInside AI Home dan menjangkakan lebih 10 juta peranti serta robot akan dihubungkan kepada ekosistem itu menjelang akhir 2026. 18

Ini penting kerana rumah boleh menjadi destinasi utama untuk perkhidmatan AI dan juga sumber maklum balas tentang interaksi sebenar antara manusia dengan peranti. Tetapi rumah turut mewujudkan cabaran yang lebih sukar berbanding kedai runcit terkawal: peranti mungkin datang daripada pengeluar berbeza, menggunakan perisian berbeza dan beroperasi dalam konteks peribadi yang sensitif.

Lima perkara yang masih perlu dibuktikan di JDD

Strategi AI fizikal JD lebih kukuh daripada sekadar slogan persidangan kerana ia disokong oleh aset nyata: lokasi penggunaan, saluran jualan robot, rangkaian servis, peranti pengumpulan data dan penyepaduan peranti pengguna. Persoalan besar ialah sama ada semua aset itu benar-benar boleh menjadi satu sistem yang padu.

1. Keserasian antara sistem

Adakah robot yang dijual melalui JD, disokong oleh RoboBase, dilatih menggunakan sistem data JD dan disambungkan ke JoyInside boleh berkongsi lapisan identiti, kebenaran, kemas kini dan keselamatan yang sama? Pengumuman awam membuktikan komponen itu wujud, bukan bahawa semuanya beroperasi sebagai satu platform.

2. Tindakan yang andal di luar aliran kerja terkawal

Kedai kopi berkapasiti tinggi menunjukkan daya pengeluaran dalam persekitaran yang direka. Ia tidak membuktikan manipulasi, navigasi dan pemulihan daripada kegagalan boleh dilakukan dengan andal dalam rumah, gudang, kedai dan tubuh robot yang berbeza. JD perlu menunjukkan metrik jelas untuk kadar siap tugas, campur tangan manusia, insiden dan masa beroperasi.

3. Sempadan antara AI JD dan sistem rakan niaga

Kerjasama dengan lebih 200 jenama robot boleh membentuk pasaran serta platform servis yang kuat. 10 Tetapi ia juga menimbulkan persoalan seni bina: fungsi manakah — persepsi, perancangan, manipulasi, pengurusan armada dan autonomi — yang benar-benar dibangunkan sebagai fungsi JoyAI, dan fungsi manakah yang kekal dalam sistem rakan niaga?

4. Ekonomi dan kesan terhadap tenaga kerja

AI fizikal mesti masuk akal dari segi ekonomi selepas mengambil kira pembelian perkakasan, penyelenggaraan, masa henti, insurans, peraturan dan pengendalian kes luar jangka. Komitmen latihan semula pekerja patut diberi perhatian, tetapi belum ada bukti awam sama ada peranan penyelenggaraan baharu itu mengimbangi kerja yang terjejas atau menyediakan peralihan kerjaya yang mampan.

5. Hak data dan privasi

Melatih sistem menggunakan aktiviti sebenar pekerja dan isi rumah menjadikan isu persetujuan, pampasan, tempoh simpanan, penggunaan semula dan kawalan akses sebagai perkara teras. Pengumuman yang tersedia menerangkan pelan pengumpulan serta pemprosesan data yang besar, tetapi belum menjelaskan sepenuhnya cara hak data akan ditadbir merentas ekosistem komersial yang luas. 54

Kesimpulan

JD Cloud sedang membina banyak prasyarat untuk AI fizikal: penjanaan permintaan, pengedaran robot, perolehan armada, data dunia sebenar, simulasi, lokasi penggunaan, peranti rumah pintar dan kapasiti penyelenggaraan. Kelebihan terbesarnya mungkin keupayaan menghubungkan semua lapisan ini kepada operasi e-dagang dan logistik yang sedia ada.

Buat masa ini, bukti lebih menyokong gambaran pembinaan infrastruktur AI fizikal, bukannya sistem pengendalian tujuan umum yang terbukti untuk robot dan peranti. Isyarat paling berguna daripada JDD dan tempoh selepasnya ialah prestasi gelung tertutup yang boleh diukur: mesin yang berfungsi dengan selamat, andal dan ekonomik dalam pelbagai persekitaran — disertai penjelasan jelas tentang cara data, model, perkakasan dan lapisan perkhidmatan berinteraksi.