京东如何打造开放、全栈的物理AI产业生态

京东正在尝试把AI从“封闭的软件产品”变成一种可被产业伙伴共同使用的基础设施。创始人、董事会主席刘强东曾表示，技术壁垒本质上是对技术的剥削，京东不希望AI能力只服务于一家企业或一个国家。对应到业务层面，这一理念并非单纯发布一个聊天机器人，而是把模型、数据、硬件、真实场景、部署和服务连接起来，形成一套全栈产业化方案。12

这套方案的关键在于：京东希望建立一条可重复的路径——从真实世界采集数据，到训练模型、制造机器人、在业务现场测试，最后将验证过的能力复制到更多企业和行业。这样的模式有望降低使用物理AI的门槛，但其长期经济性、开放程度和跨场景表现，目前还没有得到充分的独立验证。

先重投入，再选择性开放

京东披露，2026年上半年研发投入同比增长53.2%，重点投向 JoyAI 基础模型矩阵、具身智能、物理AI基础设施和产业应用。公司还宣布，将自研全链路AI能力向全球合作伙伴开放。23

目前，这种开放主要体现在几个层面：部分模型通过 Hugging Face 和 GitHub 发布；数字人直播工具向8万多家商家免费开放；人类视角数据集 EgoLive 也面向产业用户开放。238

不过，“开放”并不意味着所有模型权重、训练数据、部署工具和商业服务都以完全相同的条件开放。对开发者而言，真正重要的问题不仅是模型是否被称为“开源”，还包括数据是否可用、工具链是否完整、许可条件是否清晰，以及应用能否被部署和维护。

真正的业务场景，提供了数据优势

物理AI需要处理的并不只是互联网文本。机器人必须理解物体、空间、动作、时间、安全约束，以及自身行为带来的后果。京东认为，自己在仓储、零售和物流领域积累了20多年真实运营经验，因此能够持续接触这些问题反复出现的环境。234

公司计划在两年内采集超过1000万小时的第一人称和第三人称真实世界视频，覆盖零售、仓储、物流、工业作业、家庭等场景。同时，京东正在建设其所称的全球最大具身数据采集中心，并在宿迁落地具身数据采集社区。1562930

EgoLive 是这一计划面向外部的首个数据层。京东将其称为行业最大的人类视角数据集；有关首批数据的报道显示，数据规模约为2000小时，覆盖300多个真实操作任务。京东还面向高校、开发者和生态企业定向开放高精度数据集。需要注意的是，“行业最大”等规模表述主要来自京东或行业媒体，不能视为已经独立审计的基准结论。45630

京东所设想的数据飞轮大致如下：

1. 一线员工和机器在真实工作中产生视频与运营数据。
2. 这些数据用于训练感知、规划和交互模型。
3. 模型在仓库、配送网络、工厂和服务场景中接受测试。
4. 部署过程产生新的异常样本、任务数据和性能反馈。
5. 验证后的能力被封装，供更多用户和行业采用。

这也是京东必须拥有实体业务的原因。开放模型可以降低试验门槛，但要让物理AI稳定完成工作，还需要真实任务、持续测试，以及衡量系统是否真正有效的基础设施。

JoyAI 是一组能力模块，而不是单一大模型

京东的开放AI布局覆盖多个方向。JoyAI-Echo 面向长音视频生成，JoyAI-VL-Interaction 面向实时视觉语言交互，JoyAI-Video-Edit 则面向实时流式视频编辑。571118

其中，JoyAI-VL-Interaction 与物理环境的关系尤其密切。它并非只针对一张静态图片回答问题，而是试图持续处理摄像头、直播或监控等视频流。其开源内容包括模型、训练方法、时间对齐的交互数据，以及可部署的实时流式系统。技术文档显示，该系统是一个约80亿参数、以视觉为先的模型，可处理连续视频，并实现亚秒级延迟。171923

这种“模型加数据加完整系统”的发布方式，有助于降低开发者围绕连续摄像头输入构建应用时的工程成本。它也体现出京东的整体思路：把可复用的技术组件释放给外部，同时继续依靠真实业务环境，在训练、评测和系统集成方面保持优势。

RoboBase：从软件开放延伸到机器人制造

仅有模型并不能催生物理AI产业。机器人还需要零部件、生产装配、测试验证、系统集成、维护和本地服务。京东的 RoboBase 项目，正是为了补上这一产业环节。

京东首个 RoboBase 项目于2026年在广州开工。公司计划在未来五年于全国布局80多个机器人基地，并以此支持“研发—制造—应用—服务”的全生命周期流程。36810

如果按这一规划推进，京东的角色将不再只是AI应用提供商，也可能成为机器人企业的基础设施和服务伙伴：一端连接供应链与生产能力，另一端连接模型、数据、测试场景、部署网络和售后支持。需要强调的是，目前可获得的报道更多呈现了项目规划和企业定位，关于其独立审计后的运营结果仍然有限。

物流部署，检验的是能否复制

京东正在把物流网络作为物理AI的主要验证场。公司及行业报道列举了以下案例：

• “智狼”货到人系统已应用于全球60多个仓库，并进入英国和德国市场。
• “异狼”双臂机器人据称能够在约10秒内完成识别、吸附、抓取和码放等动作。
• 超过1000辆无人配送车已在中国20多个省份常态化运行。
• 四川的无人机进村配送网络覆盖78个行政村，部分配送最快约7分钟完成。81124

这些案例覆盖仓储、拣选、搬运、分拣和末端配送。它们的战略意义不只是展示自动化效果，更在于证明模型与机器人组成的系统，能否从实验室走进多个地点、嵌入重复性的工作流程。24

但现阶段证据主要来自公司披露或行业媒体报道，因此较为稳妥的结论是：京东已经建立了一组规模可观的、由公司声称的实际部署案例，并以此支撑其产业化叙事。至于这些系统在大规模运行后的综合成本、安全性、可用率和对人力结构的影响，仍需要更多独立评估。

生态不止服务京东自己的仓库

京东称，其工业AI智能体已经服务超过3000家制造企业，并可将数据治理工作从数月压缩至数小时。公司还表示，JoyAvatar 数字人工具已被8万多家商家使用，第二季度直播账号数量同比增长三倍；据公司及行业报道，Aidol 创作营已帮助超过50款 AI 硬件产品进入市场。28

这些项目扩大了潜在客户范围：商家可以使用数字人主播，制造企业可以部署工业智能体，高校和开发者可以利用数据集，硬件创业公司则可能获得供应链、测试场景和应用支持。理论上，参与者越多，系统就能获得越多部署反馈，同时扩大底层工具的应用市场。

这正是内部自动化项目与产业平台战略的区别。京东试图把AI能力向外分发，同时从周边价值中获益，包括更高效的履约、更低的运营成本、机器人生产与服务、商家增长，以及工业生产率提升。

这套模式还需要证明什么

京东的蓝图逻辑相对完整：加大对全栈技术的投入，开放部分模型和数据，从真实工作中采集样本，训练物理任务模型，制造并测试机器人，再依托既有业务网络进行部署。它也契合物理AI正在出现的一个趋势：竞争单位可能不再是孤立的模型，而是能够持续工作的完整系统。3431

但“开放”并不自动等于低成本，部署数量增加也不自动等于长期生产率提升。未来仍需独立观察几个问题：

• 合作伙伴究竟可以多大范围地使用模型、数据和部署软件；
• 数据集的文档、授权、隐私与治理机制是否足够完善；
• 系统能否跨仓库、跨国家、跨行业和跨硬件平台稳定迁移；
• 计入集成、维护和人工监督成本后，机器人是否仍能降低总运营成本；
• 第三方开发者和制造商如何分享生态创造的价值。

目前，京东最清晰的战略押注是：当AI与真实的物理工作连接起来，它才可能变得更有用，也更容易被更多产业采用。开放模型和数据是可见的一层；更深层的竞争壁垒，则是其试图建立的完整闭环——运营数据、经过验证的工作流、机器人制造能力、规模化部署，以及持续的服务基础设施。