夜雨聆风
在京东设想的具身智能数据采集体系里，一名门店咖啡师完成手冲咖啡的过程，不再只是一次线下服务。研磨、注水、萃取等动作，会通过头戴设备被第一视角记录，转化为可供模型训练的视频数据。
这类数据的价值，不只在于记录某个标准动作，更在于沉淀人类在真实服务场景中的操作顺序、力度控制和环境应对方式。对机器人而言，这些细节决定了它能否从“完成演示”走向“进入现场”。
不久前，京东开启了一项数据采集计划，并将其称为“人类历史上规模最大的数据采集行动”：发动最多60万人，在两年内累计超过1000万小时人类真实场景视频数据，目标是成为全球最大的具身智能数据公司。
在AI行业普遍追逐基础大模型和Chatbot应用的背景下，京东选择切入具身智能数据，表面上看不算性感，却指向了另一个更底层的问题：当AI从屏幕走向仓库、门店、家庭和工厂，谁能提供足够多、足够复杂、足够贴近现场的数据？
这也是理解京东AI战略的一个关键入口。高质量真实场景数据，正在成为物理AI落地前必须补上的一块基础设施。没有它，具身智能很容易停留在大模型里，难以进入真实产业流程。
京东并不是唯一看到这个机会的公司，但它的特殊性在于，过去多年积累的供应链、履约网络和线下业务场景，可以被重新解释为一种数据矿藏。
一方面，京东覆盖全国的供应链与线下场景，能持续产出高真实度、高多样性的物理场景数据。从仓库分拣到家庭保洁，从餐饮制作到商品导购，这些数据不仅实验室难以模拟，也是纯AI公司很难长期稳定获取的资源。
另一方面，快递、外卖、家政等业务让京东拥有密集的线下人力网络。数据采集、标注本身也是一项劳动密集型工作，京东的人力池与采集需求存在一定匹配度，这让它更容易把采集任务嵌入日常业务。
因此，京东能否在物理AI时代占住位置，关键不只是它是否投入算力、芯片的堆叠和大模型的迭代，而是它能否把原有的零售、物流和服务体系，转化成持续生产高质量数据的机制。
过去，京东是国内电子产品消费的重要渠道之一，但也长期面临一个问题：电子消费品的购买频次偏低，很多用户一年才来京东消费一两次。过去两年，京东通过丰富品类、优化价格，推动日百品类连续8个季度保持高增长。进入2025年后，京东又进一步切入外卖、家政等服务业务。
这些动作当然首先服务于增长本身，但放在AI视角下，它们还有另一层含义：京东正在把自己的业务半径，从相对标准化的商品交易，延伸到更高频、更动态的线下服务。
场景多了，数据的可能性也随之增加。但可能性不等于能力。京东2026年一季度财报显示，京东体系内研发投入同比增长59%。这笔投入的一部分，流向了具身智能数据平台这类基础设施。它不像前端应用那样容易被用户感知，也很难立刻对应到收入增量，但如果京东要把线下场景变成AI训练资源，这一步绕不开。
换句话说，京东这轮AI布局的重点，不是先推出一个更热闹的C端入口，而是尝试把场景、人力和模型训练接起来，把为用户提供的生活服务业提升到为产业提供的生产服务业。它能不能形成商业回报，取决于这些分散在业务里的真实操作，最终能否被整理成可训练、可复用、可交易的数据资产。
过去一年，机器人和具身智能频繁出现在发布会和展厅里。许多演示看上去已经很流畅了，但这些演示几乎只在特定的环境中才能展示。
物品摆放固定，动作路径明确，外部干扰也被降到最低。的确“物理”，但是并不“AI”。
真实商业场景很少如此配合。
还是以京东MALL里的咖啡师为例。机械臂在固定台面上完成一杯咖啡，和它在商场里服务顾客，是两件难度完全不同的事。
后者要面对的是不断变化的现场。有人靠近柜台，有人临时伸手取餐，地面可能刚被拖过，杯子、器具和人员动线也随时可能发生变化。
在这样的环境里，机器人要解决的已经不再是“能不能冲咖啡”了，是它能不能在不确定的现场里判断什么时候继续、什么时候减速、什么时候暂停等这一系列组合问题。
其中只要有一个判断出错，就有可能带来碰撞、烫伤或设备损坏，一招误判满盘皆属。
这也是物理AI比屏幕里的AI更难落地的原因。大模型说错一句话，可以重新生成。
机器人在现实世界里如果做错动作，那是要付出代价的。
要让机器人离开样板间，问题就不能只停留在动作本身。它需要看懂环境，理解现场约束，预判动作后果，还要把每一次执行后的反馈沉淀下来，反过来修正模型。
这解释了为什么具身智能看上去热闹，但很多进展仍停留在单一场景、单一动作上。演示可以被设计，真实世界却不会配合脚本。
京东选择进入这件事，押注的正是这一点：AI如果只停在屏幕里，价值天花板终究有限；只有进入仓库、门店、家庭和工厂，才可能真正变成一种新的生产力。而支撑这一切的，不是更漂亮的发布会演示，而是足够多、足够复杂、足够贴近现场的真实数据。
从这个角度看，京东与物理AI之间确实存在某种业务耦合。
一方面，早年布局无人机、无人配送、无人仓，让京东积累了一定的物理AI执行层经验；另一方面，京东围绕产业需求，战略投资多家具身智能企业，补强感知与约束决策层能力。与此同时，京东拥有全国仓储、路网、订单流转、履约服务所产生的线下实时数据，既能作为感知底座，也有机会依托业务运行数据形成反馈闭环。
这些数据能否成为京东的AI资产，取决于它能否完成从业务数据到训练数据的转化。为此，京东已经做了一系列布局。
在感知层，京东把遍布全国的线下场景变成AI的“眼睛”。
京东拥有覆盖零售、物流、工业、健康、家政、外卖等上百个线下场景。在这些环境中，京东通过采集人机操作、空间轨迹、设备状态与作业流程数据，为物理AI提供多模态感知信号。
在约束决策层，京东通过战略投资具身智能企业，自研JoyAI大模型、工业大模型JoyIndustrial、JoyInside附身智能等模型体系，搭建物理AI的决策能力。
在执行层，京东将布局多年的物流机器人、无人仓、无人机、配送设备、智能家电、服务机器人等硬件终端，作为物理AI完成现实动作的载体。
在自我进化层，京东开展大规模具身智能数据采集，将真实场景产生的数据回流至模型训练环节，尝试形成数据、模型、终端、反馈之间的持续迭代。
相比行业里比拼模型参数、堆砌算力的显性叙事，京东的路径更偏基础设施。它的难点也在这里：数据采集只是第一步，真正的考验在于数据质量、训练效率、场景迁移能力和商业化速度。
为什么偏偏是京东来讲这个故事？
与其说这是一次突然的跨界押注，不如说是京东在重新利用上一轮互联网竞争留下的资产。
上一轮互联网战争中，留给京东的重要资产之一，是那支深入城市毛细血管的庞大履约队伍，以及由此锤炼出的组织能力。
这让京东有了从电商业务向即时零售、外卖业务横向扩张的基础。无论做电商、外卖还是即时零售，体验、成本、效率都是核心能力。
但这项能力本身也有代价。庞大人力队伍意味着成本压力，只有让人力不断被复用，才能摊薄成本，让组织能力释放出新的价值。
如今，当竞争从互联网切换到AI，这支曾经被视为“成本中心”的人力队伍，有机会被重新定价。物理AI的训练离不开高质量数据采集、标注和真实世界反馈，而这些工作同样需要大量人力。
京东发动近60万人参与的数据采集行动，表面上是试图把一线履约队伍，转化为数据采集员、标注员和动作捕捉员，而更深层则是让这些一线员工成为数据资产的生产者，从物理产业链的尾端转入数字产业链的前端。
不同于其他企业需要额外招募、培训专业团队，京东的配送员、仓库分拣员、门店店员及外卖骑手，日常就穿梭于各类真实场景。只要佩戴自研的JoyEgoCam采集终端，就能在本职工作中同步完成数据采集与标注。
这给京东带来了一个相对特殊的起点：它不是从零搭建数据采集团队，而是把已有组织网络改造成数据网络。
有了采集数据的人，还需要使用数据的场景。
近两年，京东“四处出击”，做外卖、开七鲜小厨、布局酒旅、切入汽车后市场。
一方面，这是为了寻找新的增长曲线；另一方面，当一家企业的核心能力积累到一定程度，也会向外溢出，催生新的业务形态和商业场景。
这些新业务为京东带来增量收入、扩大用户规模，同时也为AI训练提供了土壤。AI要落地物理世界，必须依附于具体、复杂、不断变化的现实场景。在AI视角下，每一个新场景都是一个新的“感知触角”。
每一家新开的线下门店，每一位上门服务的家政人员，每一辆穿梭在城市中的物流车，都可以成为感知物理世界的传感器，源源不断地产生多模态真实数据。
支撑这一切的底座，是京东的超级供应链体系。
过去20余年，京东构建的超级供应链，已形成覆盖全球的近2000个仓库里的1亿SKU商品。
仅昆山亚一智能物流园，就具备日均分拣超450万件包裹的能力。其中，“狼族”机器人业务单量占比近半，日均出库单量稳居百万级，日常运营中持续产出海量人机交互和设备运行数据。
这套供应链打通了从生产、流通到消费的全链路。上游连接厂商，中端依托冷链与物流网络，末端完成履约。对零售业务来说，这是效率系统；放到物理AI里，它又可以被理解为一套持续产生现实世界数据的系统。
根据京东披露，通过全链路数据基础设施，原始数据可被精炼为用于AI训练的素材，数据有效率高达95%，成本降低60%。
这些数字说明，京东已经开始把供应链数据工程化，但它们距离真正转化为物理AI竞争力，还隔着模型训练、产品落地和客户付费几道关。
数据采集听起来不如大模型和C端应用有想象空间，却正在成为AI产业里被重新定价的环节。
一个直接的参照是Scale AI。
它并不直接训练基础模型，也不面向普通用户做应用，却凭借数据服务进入OpenAI等大模型公司的供应链，估值一度升至290亿美元。
Figure AI、1X Technologies、Covariant等具身智能公司能够获得高额融资，也与它们掌握的机器人训练数据和真实场景经验有关。
国内市场也出现了类似趋势。
随着具身智能的发展，光轮智能、灵初智能等布局数据业务的企业开始受到关注。资本看重的不是“标注”这个动作本身，而是这些公司能否持续拿到高质量、可训练、能反映真实世界复杂性的样本。
从这个角度看，京东切入“水源地”，本质上是在争夺物理AI落地前最基础、也最稀缺的数据供给位置。
谁能稳定提供场景化、专业化数据，谁就可能在物理AI落地过程中获得新的议价位置。
话又说回来，问题也要辨证地去看。
目前，行业内主流盈利方式大致可以分为硬件销售、平台订阅和数据分析服务三种。这与传统“卖水人”面临的天花板有关：它们的数据多来自众包或客户提供，来源偏二手，场景也相对碎片化，缺乏对数据生产源头的控制力。
当AI竞赛进入“物理智能”深水区，实验室合成数据或简单标注图片已经远远不够。行业真正需要的，是能反映真实世界复杂性与不确定性的“活数据”。
京东的机会正在这里。它拥有真实场景、全链路数据基础设施和供应链资源，理论上既能低成本规模化采集高质量数据，也能在真实业务中完成闭环迭代。
不过，机会和结果之间还有距离。数据能不能标准化、能不能对外交易、能不能跨行业复用，都会决定这门生意的天花板。
也正因如此，京东的商业前景不能只理解为“卖数据”。随着JoyInside附身智能进入更多智能家电，工业大模型JoyIndustrial服务超万家大型企业，京东有可能持续从家庭和工业两类物理场景中沉淀原生数据。
这意味着，京东未来可能不仅向外输出标准化数据集，也可能提供一整套基于真实物理场景的AI解决方案：从仓储机器人的路径规划，到家庭服务机器人的交互，再到工业采购的智能决策。
更大的变量在于，京东能否围绕具身智能超级供应链，建立数据交易、机器人售后、零售场景落地等生态业务。如果这些能力跑通，京东才有可能从数据采集方，进一步变成物理AI基础设施提供方，真正成为全球最大的物理世界运营公司。
未来，京东甚至可能把数据采集、标注、存储、交易等能力单独拆分出来，成为AI时代的“矿业公司”。但在此之前，它仍需要证明：这套来自零售和供应链的现实世界数据，究竟能在多大程度上转化为可复制的AI生产力。
淘金热里，卖铲子的人往往不直接参与淘金，却可能掌握更稳定的现金流。放到物理AI这轮竞争中，京东正在尝试扮演的，正是这样一个更靠近基础设施的位置。
