在京東設想的具身智能數據采集體系里，一名門店咖啡師完成手沖咖啡的過程，不再只是一次線下服務。研磨、注水、萃取等動作，會通過頭戴設備被第一視角記錄，轉化為可供模型訓練的視頻數據。

這類數據的價值，不只在于記錄某個標準動作，更在于沉淀人類在真實服務場景中的操作順序、力度控制和環境應對方式。對機器人而言，這些細節決定了它能否從“完成演示”走向“進入現場”。

不久前，京東開啟了一項數據采集計劃，并將其稱為“人類歷史上規模最大的數據采集行動”：發動最多60萬人，在兩年內累計超過1000萬小時人類真實場景視頻數據，目標是成為全球最大的具身智能數據公司。

在AI行業普遍追逐基礎大模型和Chatbot應用的背景下，京東選擇切入具身智能數據，表面上看不算性感，卻指向了另一個更底層的問題：當AI從屏幕走向倉庫、門店、家庭和工廠，誰能提供足夠多、足夠復雜、足夠貼近現場的數據？

這也是理解京東AI戰略的一個關鍵入口。高質量真實場景數據，正在成為物理AI落地前必須補上的一塊基礎設施。沒有它，具身智能很容易停留在大模型里，難以進入真實產業流程。

京東并不是唯一看到這個機會的公司，但它的特殊性在于，過去多年積累的供應鏈、履約網絡和線下業務場景，可以被重新解釋為一種數據礦藏。

一方面，京東覆蓋全國的供應鏈與線下場景，能持續產出高真實度、高多樣性的物理場景數據。從倉庫分揀到家庭保潔，從餐飲制作到商品導購，這些數據不僅實驗室難以模擬，也是純AI公司很難長期穩定獲取的資源。

另一方面，快遞、外賣、家政等業務讓京東擁有密集的線下人力網絡。數據采集、標注本身也是一項勞動密集型工作，京東的人力池與采集需求存在一定匹配度，這讓它更容易把采集任務嵌入日常業務。

因此，京東能否在物理AI時代占住位置，關鍵不只是它是否投入算力、芯片的堆疊和大模型的迭代，而是它能否把原有的零售、物流和服務體系，轉化成持續生產高質量數據的機制。

過去，京東是國內電子產品消費的重要渠道之一，但也長期面臨一個問題：電子消費品的購買頻次偏低，很多用戶一年才來京東消費一兩次。過去兩年，京東通過豐富品類、優化價格，推動日百品類連續8個季度保持高增長。進入2025年后，京東又進一步切入外賣、家政等服務業務。

這些動作當然首先服務于增長本身，但放在AI視角下，它們還有另一層含義：京東正在把自己的業務半徑，從相對標準化的商品交易，延伸到更高頻、更動態的線下服務。

場景多了，數據的可能性也隨之增加。但可能性不等于能力。京東2026年一季度財報顯示，京東體系內研發投入同比增長59%。這筆投入的一部分，流向了具身智能數據平臺這類基礎設施。它不像前端應用那樣容易被用戶感知，也很難立刻對應到收入增量，但如果京東要把線下場景變成AI訓練資源，這一步繞不開。

換句話說，京東這輪AI布局的重點，不是先推出一個更熱鬧的C端入口，而是嘗試把場景、人力和模型訓練接起來，把為用戶提供的生活服務業提升到為產業提供的生產服務業。它能不能形成商業回報，取決于這些分散在業務里的真實操作，最終能否被整理成可訓練、可復用、可交易的數據資產。

A

過去一年，機器人和具身智能頻繁出現在發布會和展廳里。許多演示看上去已經很流暢了，但這些演示幾乎只在特定的環境中才能展示。

物品擺放固定，動作路徑明確，外部干擾也被降到最低。的確“物理”，但是并不“AI”。

真實商業場景很少如此配合。

還是以京東MALL里的咖啡師為例。機械臂在固定臺面上完成一杯咖啡，和它在商場里服務顧客，是兩件難度完全不同的事。

后者要面對的是不斷變化的現場。有人靠近柜臺，有人臨時伸手取餐，地面可能剛被拖過，杯子、器具和人員動線也隨時可能發生變化。

在這樣的環境里，機器人要解決的已經不再是“能不能沖咖啡”了，是它能不能在不確定的現場里判斷什么時候繼續、什么時候減速、什么時候暫停等這一系列組合問題。

其中只要有一個判斷出錯，就有可能帶來碰撞、燙傷或設備損壞，一招誤判滿盤皆屬。

這也是物理AI比屏幕里的AI更難落地的原因。大模型說錯一句話，可以重新生成。

機器人在現實世界里如果做錯動作，那是要付出代價的。

要讓機器人離開樣板間，問題就不能只停留在動作本身。它需要看懂環境，理解現場約束，預判動作后果，還要把每一次執行后的反饋沉淀下來，反過來修正模型。

這解釋了為什么具身智能看上去熱鬧，但很多進展仍停留在單一場景、單一動作上。演示可以被設計，真實世界卻不會配合腳本。

京東選擇進入這件事，押注的正是這一點：AI如果只停在屏幕里，價值天花板終究有限；只有進入倉庫、門店、家庭和工廠，才可能真正變成一種新的生產力。而支撐這一切的，不是更漂亮的發布會演示，而是足夠多、足夠復雜、足夠貼近現場的真實數據。

從這個角度看，京東與物理AI之間確實存在某種業務耦合。

一方面，早年布局無人機、無人配送、無人倉，讓京東積累了一定的物理AI執行層經驗；另一方面，京東圍繞產業需求，戰略投資多家具身智能企業，補強感知與約束決策層能力。與此同時，京東擁有全國倉儲、路網、訂單流轉、履約服務所產生的線下實時數據，既能作為感知底座，也有機會依托業務運行數據形成反饋閉環。

這些數據能否成為京東的AI資產，取決于它能否完成從業務數據到訓練數據的轉化。為此，京東已經做了一系列布局。

在感知層，京東把遍布全國的線下場景變成AI的“眼睛”。

京東擁有覆蓋零售、物流、工業、健康、家政、外賣等上百個線下場景。在這些環境中，京東通過采集人機操作、空間軌跡、設備狀態與作業流程數據，為物理AI提供多模態感知信號。

在約束決策層，京東通過戰略投資具身智能企業，自研JoyAI大模型、工業大模型JoyIndustrial、JoyInside附身智能等模型體系，搭建物理AI的決策能力。

在執行層，京東將布局多年的物流機器人、無人倉、無人機、配送設備、智能家電、服務機器人等硬件終端，作為物理AI完成現實動作的載體。

在自我進化層，京東開展大規模具身智能數據采集，將真實場景產生的數據回流至模型訓練環節，嘗試形成數據、模型、終端、反饋之間的持續迭代。

相比行業里比拼模型參數、堆砌算力的顯性敘事，京東的路徑更偏基礎設施。它的難點也在這里：數據采集只是第一步，真正的考驗在于數據質量、訓練效率、場景遷移能力和商業化速度。

B

為什么偏偏是京東來講這個故事？

與其說這是一次突然的跨界押注，不如說是京東在重新利用上一輪互聯網競爭留下的資產。

上一輪互聯網戰爭中，留給京東的重要資產之一，是那支深入城市毛細血管的龐大履約隊伍，以及由此錘煉出的組織能力。

這讓京東有了從電商業務向即時零售、外賣業務橫向擴張的基礎。無論做電商、外賣還是即時零售，體驗、成本、效率都是核心能力。

但這項能力本身也有代價。龐大人力隊伍意味著成本壓力，只有讓人力不斷被復用，才能攤薄成本，讓組織能力釋放出新的價值。

如今，當競爭從互聯網切換到AI，這支曾經被視為“成本中心”的人力隊伍，有機會被重新定價。物理AI的訓練離不開高質量數據采集、標注和真實世界反饋，而這些工作同樣需要大量人力。

京東發動近60萬人參與的數據采集行動，表面上是試圖把一線履約隊伍，轉化為數據采集員、標注員和動作捕捉員，而更深層則是讓這些一線員工成為數據資產的生產者，從物理產業鏈的尾端轉入數字產業鏈的前端。

不同于其他企業需要額外招募、培訓專業團隊，京東的配送員、倉庫分揀員、門店店員及外賣騎手，日常就穿梭于各類真實場景。只要佩戴自研的JoyEgoCam采集終端，就能在本職工作中同步完成數據采集與標注。

這給京東帶來了一個相對特殊的起點：它不是從零搭建數據采集團隊，而是把已有組織網絡改造成數據網絡。

有了采集數據的人，還需要使用數據的場景。

近兩年，京東“四處出擊”，做外賣、開七鮮小廚、布局酒旅、切入汽車后市場。

一方面，這是為了尋找新的增長曲線；另一方面，當一家企業的核心能力積累到一定程度，也會向外溢出，催生新的業務形態和商業場景。

這些新業務為京東帶來增量收入、擴大用戶規模，同時也為AI訓練提供了土壤。AI要落地物理世界，必須依附于具體、復雜、不斷變化的現實場景。在AI視角下，每一個新場景都是一個新的“感知觸角”。

每一家新開的線下門店，每一位上門服務的家政人員，每一輛穿梭在城市中的物流車，都可以成為感知物理世界的傳感器，源源不斷地產生多模態真實數據。

支撐這一切的底座，是京東的超級供應鏈體系。

過去20余年，京東構建的超級供應鏈，已形成覆蓋全球的近2000個倉庫里的1億SKU商品。

僅昆山亞一智能物流園，就具備日均分揀超450萬件包裹的能力。其中，“狼族”機器人業務單量占比近半，日均出庫單量穩居百萬級，日常運營中持續產出海量人機交互和設備運行數據。

這套供應鏈打通了從生產、流通到消費的全鏈路。上游連接廠商，中端依托冷鏈與物流網絡，末端完成履約。對零售業務來說，這是效率系統；放到物理AI里，它又可以被理解為一套持續產生現實世界數據的系統。

根據京東披露，通過全鏈路數據基礎設施，原始數據可被精煉為用于AI訓練的素材，數據有效率高達95%，成本降低60%。

這些數字說明，京東已經開始把供應鏈數據工程化，但它們距離真正轉化為物理AI競爭力，還隔著模型訓練、產品落地和客戶付費幾道關。

C

數據采集聽起來不如大模型和C端應用有想象空間，卻正在成為AI產業里被重新定價的環節。

一個直接的參照是Scale AI。

它并不直接訓練基礎模型，也不面向普通用戶做應用，卻憑借數據服務進入OpenAI等大模型公司的供應鏈，估值一度升至290億美元。

Figure AI、1X Technologies、Covariant等具身智能公司能夠獲得高額融資，也與它們掌握的機器人訓練數據和真實場景經驗有關。

國內市場也出現了類似趨勢。

隨著具身智能的發展，光輪智能、靈初智能等布局數據業務的企業開始受到關注。資本看重的不是“標注”這個動作本身，而是這些公司能否持續拿到高質量、可訓練、能反映真實世界復雜性的樣本。

從這個角度看，京東切入“水源地”，本質上是在爭奪物理AI落地前最基礎、也最稀缺的數據供給位置。

誰能穩定提供場景化、專業化數據，誰就可能在物理AI落地過程中獲得新的議價位置。

話又說回來，問題也要辨證地去看。

目前，行業內主流盈利方式大致可以分為硬件銷售、平臺訂閱和數據分析服務三種。這與傳統“賣水人”面臨的天花板有關：它們的數據多來自眾包或客戶提供，來源偏二手，場景也相對碎片化，缺乏對數據生產源頭的控制力。

當AI競賽進入“物理智能”深水區，實驗室合成數據或簡單標注圖片已經遠遠不夠。行業真正需要的，是能反映真實世界復雜性與不確定性的“活數據”。

京東的機會正在這里。它擁有真實場景、全鏈路數據基礎設施和供應鏈資源，理論上既能低成本規模化采集高質量數據，也能在真實業務中完成閉環迭代。

不過，機會和結果之間還有距離。數據能不能標準化、能不能對外交易、能不能跨行業復用，都會決定這門生意的天花板。

也正因如此，京東的商業前景不能只理解為“賣數據”。隨著JoyInside附身智能進入更多智能家電，工業大模型JoyIndustrial服務超萬家大型企業，京東有可能持續從家庭和工業兩類物理場景中沉淀原生數據。

這意味著，京東未來可能不僅向外輸出標準化數據集，也可能提供一整套基于真實物理場景的AI解決方案：從倉儲機器人的路徑規劃，到家庭服務機器人的交互，再到工業采購的智能決策。

更大的變量在于，京東能否圍繞具身智能超級供應鏈，建立數據交易、機器人售后、零售場景落地等生態業務。如果這些能力跑通，京東才有可能從數據采集方，進一步變成物理AI基礎設施提供方，真正成為全球最大的物理世界運營公司。

未來，京東甚至可能把數據采集、標注、存儲、交易等能力單獨拆分出來，成為AI時代的“礦業公司”。但在此之前，它仍需要證明：這套來自零售和供應鏈的現實世界數據，究竟能在多大程度上轉化為可復制的AI生產力。

淘金熱里，賣鏟子的人往往不直接參與淘金，卻可能掌握更穩定的現金流。放到物理AI這輪競爭中，京東正在嘗試扮演的，正是這樣一個更靠近基礎設施的位置。