京东讲AI 的时候，还是这么踏实：先从园区保洁和园丁开始。

随后，9月9日的JDD大会上，京东一口气叫了6次牌：

六个“全球第一”的具身智能目标、5年采购300万台机器人、80多个RoboBase产业基地、十万卡算力集群，还有刚在WBench Navigation 评测中拿了第一的开源世界模型 JoyAI-Echo WM。

“京东All in物理AI”的热度起来，但能悄悄问一下：

这家以电商和物流见长的公司，真的能在物理AI这个赛道上，拿到想要的“大结果”吗？

“野路子”的耐用，但好用吗？

保洁和园丁戴头盔这条新闻也许意外替京东带来了更大的社会关注。

但这事技术上来看，并不复杂：京东自研了一款叫JoyEgoCam的头戴采集设备，让人戴上它干活，第一视角记录动作轨迹、力度分布、人机交互参数，然后拿这些数据去训练具身模型。

所以这里同时出现了争议，也出现了一个微妙的商业问题。

公开报道里，宿迁的数据采集员以全职宝妈为主，每天工作约6小时，月收入3000至4000元，高的能达到7000多元。

从结果看，这似乎是一个双赢的灵活就业项目。

但如果把视角拉到京东家政业务上，问题就来了：如果未来这套设备进一步进入家政服务场景，就会出现一个很有意思的问题——用户付钱买服务，同时也在贡献数据。

当然，京东可以说家政服务和数据采集是两码事，宿迁的采集员是单独招聘的。

好嘛，我信你，

但是，谁来监督呢？

其次是数据的质量。

“非专业采集员的动作一致性如何保证？机器人会不会学到低质量的‘家务野路子’？”

京东的思路很直接：用尽可能低的成本，获取更多样、更真实的物理世界数据。

两年1000万小时，如果真能达成，放在全球范围内也是一个相当大的数据规模。

但数据量就等于模型能力吗？

当然不是。

数据再多，如果质量不够、训练方法不对，也未必能变成真正的模型能力。

具身智能更是如此：动作轨迹、力度反馈、环境交互，这些多模态数据怎么标注、怎么训练、怎么转化成机器人的具体动作，中间还有很长的路。

京东真正的优势，也许不是能找到多少人来采数据，而是能不能持续获得低成本、真实、多样的物理世界数据。

更重要的是，这些数据最后能不能变成机器人真正会用的能力。

做不了数据界的SKP，也别是数据界的拼多多。

物理AI 的“大结果”与合作边界

物理AI 要拿到“大结果”，先得熬得住。

问题是，京东有这个耐心吗？

刘强东过去谈“自建物流”时，讲过一个很简单的逻辑：短期看，它意味着重资产和高投入，长期看，它会变成体验、效率和履约能力。

后来，物流确实成了京东最难复制也最重要的资产之一。

物理AI 也像一场新的“自建物流”。

前期要投入算力、机器人、数据采集和产业链，回报周期很长，短期未必好看。

早在2016年，京东就开始把机器人放进仓库。

十年下来，京东的机器人已经是成熟耐用的“牛马”了：

从仓储、搬运到分拣，机器人已经进入物流的多个环节，新产品也开始进入低温仓等更复杂的环境。

京东的机器人和它的“兄弟文化”一样，不高大上，但很踏实：能稳定干活，也能算得出账。

对仓库来说，机器人不是表演项目，能否快速部署、减少停摆、适应冷库等难场景，才决定客户会不会掏钱。

京东“超级AI 供应链”，说到底也是这个逻辑：把既有的算力、数据、模型、智能终端和供应链能力，放进真实的仓储与配送网络。

机器人部署进去，数据回来，模型继续训练，再回到真实业务里验证。

这套能力，不是谁砸钱就能立刻复制。

在自有物流网络内的大规模部署上，京东处于前列，上千座仓库、数万个配送站和持续发生的真实作业，让它拥有了一座天然训练场。

京东物流熬成功了，但通用物理AI 想再复制一次“物流”的成功，恐怕不只是时间问题。

因为物理AI 和过去的自建物流，有一个关键区别。

过去，商家把仓储、配送这样相对标准化的一段履约交给京东。

京东负责把货送好，商家依然掌握自己的经营流程和核心判断。

但物理AI 进入工厂、仓库和门店之后，情况会完全不同。

企业交给京东的，就不只是一项物流服务，还包括对真实业务流程的了解，以及一部分“怎么干活”的判断权。

这意味着，京东要面对的不只是订单，而是企业真实业务中的数据、流程，甚至一部分决策。

客户在意的也不只是机器够不够便宜、效率够不够高，还包括数据归谁、出了问题谁负责。

说到底，客户真正想问的是：AI版的京东兄弟，我还能把后背交给你吗？

京东的六便士与月亮

京东从不缺六便士。

把仓库跑顺、把快递送好、把成本算明白，这些看似不够浪漫的能力，构成了京东最难复制的优势。

它的每一枚六便士，都来自仓库、动线和算得清的账。

踏实没有错，但商业未必总为踏实买单。

很多时候，市场会先为一个还没有被证明的未来下注。

京东不是没有想象力，只是习惯先把想象力落到场景里，再把它变成效率、订单和利润。

这次发布JoyAI-Echo WM 世界模型，从场景向模型能力延伸的一次尝试。

官方公布的结果是，它在WBench Navigation 评测中获得 81.6 分，排名第一，并选择开源。

但一个评测的领先，不能直接等同于通用物理AI 能力。

物理AI 最终要解决的，是让 AI 理解真实世界，并在复杂环境里自主完成任务。

现在做物理AI，大致有两条路：有人从模型往下做，有人从硬件和场景往上做。

京东更像是后者：先把机器人放进真实场景，再用场景和数据往上做模型。

这条路的好处是落地快、有收入，也有真实数据反馈。

但问题同样明显：

场景里的能力，能不能最后变成通用能力？

从目前公开的信息看，京东更多还是在做垂直场景的物理AI，还没有证明自己已经形成了通用能力。

从一个个具体场景，走向一个能够理解不同环境、完成不同任务的通用物理AI，中间还有很长的距离。

所以，京东真正要回答的，或许不是“有没有场景”，而是：

愿不愿意让一部分想象力，暂时不为账期负责。

它不需要为了月亮丢掉六便士。

京东最大的机会，是用仓库、配送站和供应链里挣来的六便士，持续供养对月亮的下注。

只是物理AI 不会只奖励最会捡六便士的人。

它也会奖励那些敢在账还没算清之前，先相信月亮存在的人。

本文来自微信公众号 “互联网指北”（ID：hlwzhibei），作者：江湖叙事