财闻张晓迪发自乌镇
11月2日—5日，2026世界互联网大会乌镇峰会以“开源开放、共建共享”为主题召开，机器人与具身智能成为本届峰会备受关注的前沿议题。
11月4日，京东（JD）云、荣耀联合主办机器人与具身智能论坛。当前，AI技术正加速从数字虚拟世界向真实物理世界渗透，具身智能被视作下一代人工智能（885728）的重要方向，但行业仍面临高质量训练数据稀缺、技术路线尚未收敛、样机演示难以转化为规模化商业落地等多重现实难题。
京东（JD）集团技术委员会主席曹鹏，就此给出了京东（JD）入局具身智能的方案、希望破解的产业痛点。在接受财闻采访时，曹鹏也针对数据采集有效性、行业整体技术成熟度等行业焦点问题作出回应。
京东集团技术委员会主席曹鹏张晓迪/摄
做产业底座，不做终端厂商
曹鹏表示，AI正在从数字世界走向物理世界，未来十年将深入工厂、仓库、门店、家庭，重塑商品生产、流通与服务交付全流程。物理AI已进入规模化落地前夜，竞争从单一模型、机器人本体比拼，转向算力、数据、场景、供应链组成的体系能力竞争。
与部分大厂下场自研自有品牌机器人本体不同，京东（JD）入局具身智能，定位是产业基础设施建设者、生态赋能方，而非机器人硬件参赛者。京东（JD）坚持“自研底座+开放生态”，把算力、数据、场景、供应链对外开放，带动行业共同进步，而不是自己抢占终端市场。
这份定位背后，是京东（JD）天然的三大底气。
第一是场景与数据优势。京东（JD）手握3800多个仓库、上万家线下门店和药房，还有家政等业务，一线员工日常就在完成各类物理操作，无需专门搭建昂贵数采工厂，可在真实作业中同步采集，大幅降低成本。京东（JD）计划两年内累计采集1000万小时人类真实场景视频数据、100万小时机器人运行数据，采集严格合规；并采用第一人称无本体依赖的数据路线，数据不绑定特定硬件型号，适配不同厂商的夹爪、灵巧手、单双臂机器人，硬件迭代后数据依旧可用于预训练，规避数据作废风险。京东（JD）还打造覆盖“采、存、标、训、评、仿、测”完整链路的具身数据服务，上线数据交易平台，配套JoyEgoCam采集终端、JoyAI-Sim物理仿真引擎、JoyAI-Video视频生成模型，坚持“真实数据打基础，仿真生成做补充，回到真实场景验证”的路线。
第二是完整供应链能力。京东（JD）可为机器人企业提供从场景测试、大规模采购、渠道销售到售后维保的完整链路，全国布局机器人产业基地，补齐行业商业化落地短板。
第三是海量真实需求方身份。京东（JD）自身就是机器人大客户，未来数百万台采购量能拉动规模效应、倒逼硬件成本下降；采集的数据、迭代的模型首先反哺自身业务，形成业务、数据、模型互相促进的正向飞轮。
京东（JD）的AI并非源于实验室论文，而是诞生于仓库、生产线、配送站的真实业务，是“先量脚、再做鞋”，先解决自身难题、验证技术，再对外输出能力。目前京东（JD）AI已落地零售、物流、健康、工业等超3000个业务场景。为此京东（JD）提出超级AI供应链概念，以云、数、模、端、场、链六大模块打通全链条，并启动“物理AI加速计划”，未来五年计划采购300万台机器人、100万台无人车、10万架无人机（885564），拉动产业发展。
解决哪些核心问题
曹鹏指出，当前具身智能行业存在多重现实痛点。其中，高质量真实物理世界数据严重短缺。他解释，大语言模型的成功依托互联网海量文本数据，但物理世界缺少充足的人类操作、作业数据，这也是行业尚未诞生现象级具身大模型的关键阻碍。很多数采需要专门搭建实验室环境，成本高昂；部分数据高度绑定特定机器人硬件本体，硬件迭代之后数据直接失效，投入产出不理想。
第二是机器人泛化能力不足。传统工业机器人擅长封闭固定流水线，但面对物流百货、零售等大量非标物品、开放变化的真实环境，很难稳定作业。当下机器人普遍“小脑强、大脑弱”，运动控制硬件进步很快，但长程任务理解、开放场景泛化能力不足，缺少可以大规模商业化落地的严肃应用。
此外，技术和产业脱节也是行业必须正视的痛点。大量机器人停留在演示阶段，从样机研发走向规模化生产、落地运维、维修保养的完整供应链体系不完善，样机好用，大规模部署后稳定性、成本很难达标。机器人厂商缺少真实业务场景做持续迭代验证，行业重复投入较多。
就目前的技术路线，曹鹏认为远未收敛，整个通用具身智能还处在早期探索阶段，没有形成统一可复制范式。
针对这些痛点，京东（JD）一方面建设具身智能数据采集中心，补齐行业高质量数据短板；另一方面开放自身仓库、门店、家政等真实业务场景，供机器人企业测试迭代；同时开放算力训练平台、销售渠道、售后维保供应链，打通从模型训练、真机测试到量产落地的全链条，降低全行业创新门槛。曹鹏强调，物理AI的价值，不只是让机器更聪明，而是真正提升产业效率、改善民生生活。
回应数采有效性、行业技术成熟度
在接受财闻采访时，曹鹏表示，京东（JD）同时开展真实场景采集，也依靠仿真引擎、视频生成模型做数据扩增补充。京东（JD）优先选择与机器人本体弱相关的第一人称视觉数据，这类数据不会因为机器人本体升级、厂商切换而失效，可以用于各类机器人的预训练，解决了本体迭代带来数据作废的痛点。而数据有效比例没有统一标准，会跟随模型、场景、客户的质量要求发生变化；行业需求本身也在迭代，早期更看重家政场景数据，当下更多转向物流、零售等商业作业场景。真实数据是底座，仿真主要用来补充极端、长尾难以采集到的工况，也可以用少量真实数据做数据扩充，降低整体采集成本，二者是互补关系。
从数采到物理AI模型建设，如果0到10分，行业目前处于什么阶段？对于财闻这个问题，曹鹏给出相对保守的判断，他认为目前通用具身智能整体只达到3—4分。他解释，行业技术路线尚未收敛，各家在模型架构、数据体系、控制方案上选择差异较大，没有形成高度统一、可以大规模复制的范式；从落地效果看，目前还没有出现可以大规模严肃商用的具身机器人应用，距离真正成熟还有很长的路，行业需要持续的数据沉淀、硬件迭代和真实场景验证。
曹鹏提到，当前具身智能硬件本体与运控(小脑)进步快，但机器人大脑、开放场景任务泛化能力是主要短板；模型和硬件本体对齐属于工程适配问题，资源投入后可以解决，不是最大卡点，核心瓶颈在于具身模型自身泛化能力。
落地节奏上，曹鹏判断，商业B端机器人有望未来3—5年实现规模化部署；而家政家庭机器人门槛更高，需要B端成熟、成本大幅下降，再叠加安全伦理完善，大规模走进普通家庭可能需要8—10年。
就业层面，曹鹏强调，技术迭代不能牺牲一线劳动者权益，机器人普及过程中，会催生出机器人运维、维修、调试等大量新岗位，京东（JD）希望推动一线劳动者向新就业形态转型，保障劳动者收入。
在对外合作上京东（JD）持开放态度，不设置严苛准入门槛，欢迎不同技术路线企业共同参与；京东（JD）云已经服务优必选（HK9880）、逐际动力、众擎机器人等一批具身智能企业，向合作伙伴输出算力、数据集、训练平台，开放业务场景联合打磨落地方案。
