JD Cloud buduje fizyczną AI. Stos technologii rośnie, ale system wciąż nie został udowodniony

JD Cloud promuje przed konferencją JDD we wrześniu 2026 r. pojęcie fizycznej AI: sztucznej inteligencji, która nie tylko działa na ekranie, lecz także postrzega otoczenie, podejmuje decyzje i wykonuje działania w świecie rzeczywistym. Firma nie stawia wyłącznie na jednego robota humanoidalnego. Buduje raczej cały stos: kanały dystrybucji sprzętu, dane treningowe, modele, symulacje, środowiska wdrożeniowe oraz serwis. To poważna strategia przemysłowa, choć publicznie dostępne informacje pokazują na razie zestaw powiązanych inicjatyw, a nie jeden sprawdzony, uniwersalny system. 3754

Co JD próbuje połączyć

Atutem JD są miejsca, w których fizyczna AI może być jednocześnie uczona i wykorzystywana: sieci logistyczne, handel detaliczny, e-commerce oraz domy. Zarysowany przez firmę cykl wygląda następująco:

1. Rejestrowanie ludzkiej pracy i codziennych czynności w domu.
2. Czyszczenie, oznaczanie i wykorzystanie danych do symulacji oraz treningu modeli.
3. Testowanie systemów w handlu, logistyce i w otoczeniu urządzeń domowych.
4. Sprzedaż, wdrażanie, naprawy i aktualizacje robotów przez rozbudowaną sieć usługową.
5. Wprowadzanie danych operacyjnych z powrotem do kolejnej rundy uczenia.

JD publicznie opisało infrastrukturę danych dla AI ucieleśnionej, obejmującą zbieranie, przechowywanie, etykietowanie, trening, ocenę, symulację i testy na prawdziwych maszynach. Jej elementami są m.in. model JoyAI-RA i urządzenie rejestrujące JoyEgoCam. 54

Od reklam na lotniskach do robotycznej kawiarni

Widoczna część kampanii to budowanie rozpoznawalności. Hasło JD Cloud o przenoszeniu AI do świata fizycznego pojawiło się na lotniskach w całych Chinach przed JDD. 37

Bardziej konkretnym pokazem jest całodobowy, bezobsługowy lokal 7FRESH Coffee w Galaxy SOHO w Pekinie. Otwarto go 16 sierpnia 2026 r. Roboty realizują cały proces przygotowania napoju — od mielenia ziaren i ekstrakcji espresso po mieszanie i wydanie. Według JD punkt obsłużył 202 kubki w ciągu godziny. 1432

To istotny przykład wdrożenia w ściśle kontrolowanym środowisku: łączy zamawianie, powtarzalny proces fizyczny i automatyczne wydawanie produktu. Nie jest jednak dowodem na szeroką autonomię robotów. Linia przygotowująca kawę jest znacznie bardziej uporządkowana niż nietypowa sytuacja w magazynie, nieznany dom czy przestrzeń publiczna.

Dystrybucja robotów i popyt na skalę flot

JD chce być także kanałem handlowym dla robotyki, a nie tylko jej twórcą lub operatorem. Podczas Światowej Konferencji Robotyki w 2026 r. firma zapowiedziała przeznaczenie do 2028 r. 10 mld RMB zasobów na robotykę, współpracę z ponad 200 markami robotów oraz wsparcie 100 marek w osiągnięciu sprzedaży przekraczającej po 1 mld RMB. 10

Skalę potencjalnych wdrożeń ma zapewniać również logistyka. JD Logistics wcześniej zapowiedziało zakup do 2030 r. 3 mln robotów, 1 mln pojazdów autonomicznych i 100 tys. dronów. 2324

Te działania mogą dać JD znaczącą pozycję nawet wtedy, gdy wiele robotów zachowa własne, partnerskie systemy sterowania. Firma może stać się warstwą, która wprowadza maszyny do klientów, zapewnia im środowiska pracy i upraszcza eksploatację po zakupie.

RoboBase: serwis jest równie ważny jak model AI

Robot nie staje się częścią platformy przemysłowej tylko dlatego, że można go sprzedać. Potrzebuje instalacji, części, napraw, konserwacji, testów i lokalnego wsparcia. JD deklaruje utworzenie 80 ośrodków RoboBase, możliwości obsługi posprzedażowej w ponad 100 państwach oraz ponad 100 tys. stanowisk dla inżynierów serwisu robotów w ciągu pięciu lat. Planowane centra mają łączyć prezentacje, dostawy, konserwację, badania i rozwój, montaż pilotażowy, zbieranie danych oraz modernizację produkcji. 1022

Firma miała też zawrzeć umowy z około 120 chińskimi szkołami, by przekwalifikowywać kurierów do zadań takich jak naprawa i konserwacja robotów. 2124

To ważne strategicznie: duża flota robotów potrzebuje sprawnej obsługi terenowej tak samo jak dobrych modeli AI. Są to jednak nadal plany i zobowiązania. Brakuje publicznych danych o tempie realizacji, jakości miejsc pracy, skuteczności przekwalifikowania oraz o tym, czy nowe role serwisowe odpowiadają skali miejsc pracy zmienianych przez automatyzację.

Silnik danych: nauka na realnej pracy

Centralnym elementem tej wizji jest potok danych. JoyEgoCam to noszone na głowie urządzenie do nagrywania wykonywania zadań z perspektywy pierwszej osoby. JD opisuje przetwarzanie takich materiałów przez m.in. kalibrację, opis tekstowy, estymację pozy, rekonstrukcję głębi, segmentację dłoni i automatyczne etykietowanie. 47

Firma udostępniła początkowy zbiór EgoLive obejmujący około 2 tys. godzin danych pierwszoosobowych, 65 866 klipów z zadaniami i 346 zadań z realnego świata. Zapowiada też zgromadzenie w ciągu dwóch lat ponad 10 mln godzin wysokiej jakości danych treningowych dla robotyki, pochodzących m.in. z handlu, logistyki, ochrony zdrowia i usług. 478

Założenie jest przekonujące: ludzie demonstrują zadania w prawdziwych miejscach, modele uczą się na tych danych, symulacje rozszerzają i oceniają zdobytą wiedzę, a prawdziwe maszyny ją weryfikują. Dane z eksploatacji wracają potem do potoku. JD opisuje ten przepływ jako drogę od danych o ludzkich działaniach, przez symulację, do pracy na realnej maszynie. 4854

Sama wielkość zbioru danych nie jest jednak miarą sukcesu w robotyce. Wideo z perspektywy człowieka może uczyć kontekstu zadania, relacji między obiektami i struktury pracy, ale nie dostarcza automatycznie wszystkiego, czego robot potrzebuje do niezawodnego działania — np. informacji o stanie własnych przegubów, siłach kontaktu, precyzyjnych trajektoriach sterowania czy sposobach odzyskiwania sprawności po nieudanej akcji. Kluczowe byłyby czytelne, niezależnie ocenialne wyniki dotyczące skuteczności zadań, bezpieczeństwa, generalizacji i kosztów.

Modele, symulacja i środowiska wdrożeniowe

Oprogramowanie w tym stosie nosi nazwę JoyAI. Na WAIC 2026 JD pokazało macierz modeli JoyAI oraz zbiór EgoLive, przedstawiając model działania, w którym dane dostarczają doświadczenia ze świata rzeczywistego, modele odpowiadają za rozumienie i podejmowanie decyzji, a urządzenia oraz scenariusze realizują działania i usługi. 9

Firma wskazała także JoyAI-RA jako ucieleśniony model typu vision-language-action, czyli łączący obraz, język i działanie, oraz powiązała go z EgoLive i RoboBase. 2 Centra RoboBase, placówki handlowe i obiekty logistyczne mogą zapewnić JD coś, czego brakuje wielu laboratoriom AI: stały dostęp do środowisk, w których roboty można przez dłuższy czas testować, serwisować i obserwować.

Właśnie taki potencjalny cykl sprzężenia zwrotnego stanowi sedno strategii. Publiczne opisy nie dowodzą jednak, że wszystkie elementy korzystają już ze wspólnego środowiska wykonawczego, standardu danych, polityki bezpieczeństwa, modelu uprawnień i mechanizmu aktualizacji. Dopóki integracja nie będzie widoczna, określenie „pełny stos” lepiej traktować jako ambicję i plan budowy infrastruktury niż potwierdzenie jednej, zintegrowanej platformy.

JoyInside przenosi strategię do domu

Platforma JoyInside ma być konsumenckim pomostem między modelami AI a codziennymi urządzeniami. JD zaprezentowało domowy ekosystem JoyInside AI Home i przewiduje, że do końca 2026 r. zostanie z nim połączonych ponad 10 mln urządzeń i robotów. 18

To ważne, ponieważ dom może stać się zarówno dużym punktem końcowym dla usług AI, jak i źródłem informacji zwrotnych o interakcji ludzi z urządzeniami. Jest to zarazem środowisko trudniejsze niż kontrolowany lokal handlowy: sprzęt może pochodzić od różnych producentów, działać na odmiennym oprogramowaniu i funkcjonować w bardzo wrażliwym kontekście prywatnym.

Co JD musi jeszcze wykazać po JDD

Strategia fizycznej AI jest bardziej wiarygodna niż samo hasło konferencyjne, bo JD inwestuje w namacalne aktywa: miejsca wdrożeń, kanał sprzedaży robotów, sieć serwisową, rejestrację danych i integracje urządzeń konsumenckich. Otwarte pozostaje pytanie, czy aktywa te utworzą spójny system.

1. Interoperacyjność

Czy robot sprzedany przez JD, obsługiwany przez RoboBase, uczony z wykorzystaniem systemów danych JD i podłączony do JoyInside faktycznie będzie współdzielił tożsamość, uprawnienia, aktualizacje i warstwy bezpieczeństwa? Komunikaty publiczne potwierdzają istnienie komponentów, nie ich działanie jako jednej platformy.

2. Niezawodne działanie poza kontrolowanym procesem

Rekord kawiarni pokazuje przepustowość w zaprojektowanym środowisku. Nie dowodzi niezawodnej manipulacji, nawigacji i odzyskiwania sprawności w nieznanych domach, magazynach, sklepach i na różnych konstrukcjach robotów. JD powinno pokazać wskaźniki ukończenia zadań, liczby interwencji, incydentów i dostępności systemów.

3. Granica między AI JD a integracją partnerów

Współpraca z ponad 200 markami robotów może stworzyć silny rynek i platformę serwisową. 10 Rodzi jednak podstawowe pytanie architektoniczne: które funkcje — percepcja, planowanie, manipulacja, zarządzanie flotą i autonomia — są natywnymi możliwościami JoyAI, a które pozostają częścią stosu technologicznego każdego partnera?

4. Ekonomika i skutki dla pracy

Fizyczna AI musi być opłacalna po uwzględnieniu zakupu sprzętu, konserwacji, przestojów, ubezpieczenia, regulacji i obsługi nietypowych sytuacji. Zapowiedź przekwalifikowania pracowników zasługuje na uwagę, ale publicznie nie przedstawiono jeszcze dowodów, że nowe stanowiska serwisowe równoważą wypierane miejsca pracy lub zapewniają trwałą zmianę ścieżki zawodowej.

5. Prawa do danych i prywatność

Uczenie na danych z pracy i aktywności domowej sprawia, że zgoda, wynagrodzenie, okres przechowywania, ponowne wykorzystanie i kontrola dostępu są sprawami centralnymi, a nie dodatkiem. Dostępne komunikaty opisują szerokie plany zbierania i przetwarzania danych, ale nie rozstrzygają, jak prawa do tych danych będą zarządzane w dużym komercyjnym ekosystemie. 54

Wniosek

JD Cloud buduje wiele warunków potrzebnych fizycznej AI: popyt kreowany w przestrzeni publicznej, dystrybucję robotów, zakupy flot, dane z realnego świata, symulacje, miejsca wdrożeń, urządzenia domowe i zdolności serwisowe. Najsilniejszym wyróżnikiem firmy może być połączenie tych warstw z istniejącą działalnością handlową i logistyczną.

Na razie dowody wskazują jednak na rozbudowę infrastruktury fizycznej AI, a nie na potwierdzony, uniwersalny system operacyjny dla robotów i urządzeń. Najważniejszym sygnałem po JDD będą mierzalne wyniki zamkniętego cyklu: maszyny działające bezpiecznie, niezawodnie i ekonomicznie w zróżnicowanych środowiskach — oraz jasne wyjaśnienie, jak współpracują warstwy danych, modeli, sprzętu i serwisu.