在近期举办的全球人工智能大会上，机器人表演已不再稀奇。它们在固定展台上流畅地完成跳舞、递水、整理物品等任务，但这些看似完美的演示背后，隐藏着行业尚未攻克的难题。当货架位置改变、灯光变暗或任务持续数小时，机器人便可能陷入混乱，暴露出对动态环境适应能力的不足。
超过200家专注于具身智能的企业齐聚展会，表面竞争集中在机器人本体设计、关节灵活性和动作精度上，但更深层的较量已悄然展开：如何让模型持续理解变化的现实世界，如何规模化获取真实操作经验，以及如何将失败案例转化为训练数据。这些挑战推动着"物理AI"成为焦点，其竞争核心已超越单台设备性能，转向数据、模型、终端与场景能否形成闭环迭代。
电商巨头京东在此领域布局独特，通过开源JoyAI系列模型，构建起覆盖感知、交互和行动的技术体系。公司提出的"数字智能-附身智能-具身智能"三阶段路线，将语言理解、多模态交互与智能体能力嵌入手机、汽车等终端，最终延伸至机器人硬件。这种技术架构使模型、数据、云基础设施、智能终端和业务场景形成联动，将每次运行转化为反馈，每次失误沉淀为经验。
要让机器人真正具备行动能力，仅看懂世界远不够。以货架整理任务为例，机器人需同时识别商品位置、判断抓取顺序，并根据环境变化调整动作。京东开发的JoyAI-Image系列模型通过强化空间关系建模，支持物体位移、旋转和视角变化，为视觉-语言-动作（VLA）系统奠定基础。而JoyAI-Echo模型则通过优化长时音视频生成，保持跨镜头角色一致性，解决了时间维度上的连贯性问题。
交互方式的革新同样关键。JoyAI-VL-Interaction模型可实时处理视频流，自主判断回应时机，甚至将复杂任务拆解给后台系统。全双工语音交互模型JoyAI-Talker在连续对话中实现边听边想边回应，情绪理解和共情反馈能力使人机交流更具自然节奏。这些技术突破共同构建起从视觉理解到动作执行的完整链条。
数据获取是制约行业发展的核心瓶颈。传统互联网数据缺乏物理操作细节，真机遥操作成本高昂且场景覆盖有限。京东创新性地采用人类第一视角视频采集方案，通过自研设备JoyEgoCam记录自然操作过程，再提取动作轨迹和空间结构。其开源的EgoLive数据集包含2000小时高保真视频，覆盖346项真实任务，为模型训练提供了丰富素材。
数据采集只是第一步，京东构建了完整的处理流水线。原始数据经清洗、对齐和标注后，通过JoyBuilder仿真平台补充极端场景，最终用于模型训练。这种持续生产机制使数据价值最大化——模型能力提升后，又能反哺数据筛选效率，形成良性循环。公司计划两年内采集1000万小时高质量数据，为具身智能发展提供燃料。
要让技术走出实验室，智能终端和云基础设施缺一不可。京东推出的JoyInside平台已与近200个品牌合作，将AI能力嵌入智能床垫、打印机等设备。通过探索"AI空间"概念，不同终端可围绕特定需求协同工作，如卧室场景中的灯光、床垫联动服务。预计年内将有超千万台设备接入该平台。
背后的计算支撑由京东云提供，其构建的工程体系需应对物理AI特有的挑战：海量数据处理、长链条任务优化、分散部署环境等。从训练调优到推理部署，从版本迭代到运行监控，每个环节的稳定性都决定着模型能否从演示走向实用。这种端云协同架构为物理AI的规模化落地提供了基础设施保障。
京东的战略野心不止于技术展示，其目标是构建全球最大的物理世界运营网络。依托成熟的零售、物流、工业等业务体系，公司每天处理着海量商品流动和设备交互，这些真实场景成为模型训练和验证的天然试验场。当JoyAI模型矩阵、具身数据集、云基础设施和智能终端形成合力，物理AI便能在现实运营中持续进化，创造实际商业价值。
