京东启动物理AI加速计划：算力、数据与供应链为何被放在同一张牌桌上？

【软盟资讯·新闻导读】京东在JDD全球科技探索者大会上启动物理AI加速计划，提出把算力、数据、模型、机器人制造与供应链场景连接起来。计划涉及数据采集、机器人生产、销售、物流和服务等环节，但相关目标目前仍属于规划，不能等同于已经实现的产业效果。

京东此次释放的信号，并不是再推出一个单独的机器人产品，而是试图把物理AI放进一套更大的产业系统中。在JDD全球科技探索者大会上，京东集团技术委员会主席、京东云总裁曹鹏表示，物理AI正在走向规模化落地，竞争重点也将从单一模型或单个本体，转向算力、数据和场景之间的系统竞争。京东随后宣布启动“京东物理AI加速计划”，围绕具身机器人持续投入数据、机器、制造、销售、物流和服务六个方向。

这个计划之所以受到关注，是因为物理AI与纯数字环境中的模型应用有明显区别。聊天、搜索、代码生成等任务主要发生在信息空间，模型输出错误时，往往可以重新生成或人工修正；但机器人进入仓库、生产线、商超或配送环节后，必须面对遮挡、空间变化、设备差异、天气影响和真实作业节奏。系统不仅要“理解”指令，还要完成感知、判断、动作执行，并承担错误决策带来的成本与安全风险。

从单点模型竞争转向产业系统竞争

传统人工智能项目通常可以从模型能力开始评估，例如识别是否准确、回答是否流畅、生成结果是否符合要求。但物理AI的评价方式更接近一项完整的运营工程：数据是否持续产生，算力是否能够支撑训练和推理，机器人是否容易制造和维护，模型能否适配不同环境，企业是否愿意把它接入日常流程，最终还要看投入与产出是否匹配。

京东提出的路径，正是把这些环节放到同一张牌桌上。算力负责训练和运行，数据来自真实任务与环境，模型承担理解、生成和行动之间的连接，机器人则是进入物理世界的执行载体。制造、销售、物流和服务进一步决定设备能否被部署、交付、维修和持续升级。这样的组合并不意味着每一个环节都已经成熟，而是表明京东希望以供应链的方式组织物理AI，而不是只以实验室技术或单个演示项目推进。

这一思路对企业技术负责人具有直接启发：评估物理AI时，不能只问“模型能不能做”，还需要追问“谁提供数据、谁承担部署、谁负责维护、异常如何处理、效果如何回流”。如果这些问题没有答案，模型能力越强，也可能只是展示效果，而不是可持续的生产工具。

六个方向如何串起物理AI闭环

从目前披露的信息看，京东物理AI加速计划覆盖六个方向。

首先是数据。京东提出建设“世界最大的物理数据训练中心”，计划在两年内累计采集超过一千万小时的真实人类场景数据，并将互联网数据、仿真数据和真实机器人数据结合起来，用于构建“理解—生成—行动”一体化的具身智能技术模型。这里需要特别区分：一千万小时是计划中的目标，不是已经完成的数据量，更不能据此推导模型已经具备通用的物理世界理解能力。

其次是机器人制造与产业基地建设。京东提出未来五年在全国布局八十个基地，覆盖展示、交付、维修、维护、研发、设计、组装、数据采集、制造和版本升级等环节。若这些目标按计划推进，机器人将不再只是采购后交付的一次性硬件，而可能被纳入一个包含部署、运营、维护和持续训练的生命周期平台。

第三是核心零部件。京东计划在未来三年投入核心部件并建设自有工厂，提出帮助一百家终端用户企业实现全品类降本，并推动一百家零部件供应商实现业绩增长。这里的表达仍属于计划目标，实际能否实现，取决于产品标准化程度、采购规模、供应商协同能力和下游客户的真实订单，不能在新闻报道中直接写成已经完成的降本或增长结果。

第四是销售与应用推广。资料显示，京东计划到2028年投入超过一百亿元资源，支持一百个品牌实现自身销售额超过十亿元，并推动机器人进入百万级终端用户场景。这说明京东希望解决的不只是“机器人能不能造出来”，还包括“有没有足够多的应用场景承接产品”。但销售额、品牌数量和终端覆盖仍是目标值，最终效果需要等待后续经营数据验证。

第五是物流。京东提出未来五年计划采购超过三百万台机器人、一百万台无人车和十万架无人机，并已在仓储、分拣、运输和配送等供应链环节进行协同开发。物流是物理AI较容易形成连续数据回流的场景，因为订单、库存、路径、作业时间和履约结果都能形成相对清晰的任务链条。不过，采购计划并不等于设备已经全部上线，也不等于所有设备都能在复杂环境中稳定运行。

第六是服务。物理AI设备交付后，仍需要调试、维护、软件升级和现场支持。机器人在实验环境中完成一次动作，与设备在不同仓库、不同货架、不同作业班次中长期运行，是两个完全不同的问题。京东把服务纳入计划，说明其关注点已经从设备销售延伸到全生命周期运营，但目前资料对服务目标和已实现效果披露有限，因此不宜继续作出具体推断。

对零售、物流和工业意味着什么

对零售行业来说，物理AI的价值可能首先体现在门店、仓储和库存协同，而不是简单地增加一个会说话的机器人。零售经营涉及商品陈列、补货、盘点、拣选和配送，这些任务与需求预测、库存状态和订单履约相互关联。若机器人能够在真实流程中稳定执行其中一部分工作，模型产生的数据就有机会反过来改善库存安排和作业调度。

但零售场景也存在较高复杂度。商品包装、摆放位置和门店环境经常变化，促销期间的客流与订单波动也会改变作业节奏。因此，展示中完成一次识别、抓取或引导，并不代表系统已经适合大规模复制。企业需要关注的是平均状态下的表现，而不是最理想条件下的单次演示。

对物流行业而言，京东的计划更强调从仓库到配送站的连续链条。物流任务具有较强的流程性：货物入库、分拣、搬运、运输和末端交付之间存在前后关系。只要数据能够被统一记录，就有机会形成从任务下达、设备执行到结果反馈的闭环。物流企业在评估这类方案时，应重点看设备是否能适应订单波动、异常件、道路变化和人工协作，而不是只看设备数量。

工业场景则更看重可靠性、精度和安全边界。生产线上的机器人通常需要与设备、工艺和质量控制系统协同，任何动作错误都可能带来停线或返工风险。京东提出以供应链为基础推进物理AI，理论上可以连接零部件、制造、仓储与交付，但这并不自动等于能够替代工业现场的专业系统。工业企业仍需要根据自身工艺评估数据质量、接口适配、责任划分和故障处理机制。

计划、展示成果与已实现效果必须分开看

此次消息中最容易被混淆的，是三个不同层次的表述。

第一层是大会公布的规划，包括数据采集时长、基地数量、采购数量、投资规模和品牌支持目标。这些内容可以作为企业战略方向和资源投入承诺进行报道，但不能写成已经完成的建设成果。

第二层是现场展示或阶段性项目。机器人能够完成某项动作，或者某类设备已经在部分仓储、配送环节运行，只能证明该任务具备一定可行性。它不等于系统已经实现跨区域、跨环境、长时间稳定运行。

第三层才是已经实现的效果，例如在真实订单和生产节奏下持续运行，并且有可核验的效率、成本、安全或服务改善数据。当前资料对京东物理AI加速计划的未来目标披露较多，对整体计划已经带来的实际经济效果披露相对有限。因此，报道时应使用“计划建设”“计划投入”“拟推动”“已披露目标”等表述，而不应把目标改写成既成事实。

对于投资观察者而言，这种区分尤其重要。物理AI可能需要长期资本投入，商业化过程不仅取决于模型，也取决于设备价格、零部件供应、现场服务、客户采购周期和数据合规。宏大的数量目标能够显示资源组织能力，却不能单独证明投资回报已经形成。真正值得跟踪的，是计划是否转化为可重复交付的产品、稳定运行的项目和清晰的客户价值。

【软盟观察】

京东启动物理AI加速计划，重要之处不在于又提出了多少机器人数量目标，而在于它试图把物理AI从单个技术项目改造成一套覆盖数据、制造、销售、物流和服务的产业组织方式。对于零售和物流企业来说，这种模式有现实吸引力，因为它们本身拥有持续发生的订单、库存、运输和作业场景，能够为模型训练和系统迭代提供比实验室更接近真实业务的数据。对于供应商来说，计划也可能带来新的设备、零部件和服务需求。

但必须保持冷静。物理AI的难点从来不只是设备能否完成一次动作，而是能否在环境变化、任务波动和人工协作同时存在的情况下长期稳定运行。数据采集目标、基地建设目标、设备采购目标和销售支持目标，都属于计划层面的承诺，后续还需要通过项目交付、设备开机率、维护成本、异常处理能力和客户实际收益来验证。尤其是“规模化”不能只用设备数量衡量，还应看设备是否真正嵌入生产与服务流程，是否减少了重复劳动，是否改善了履约质量，并且没有把新的管理成本转移给企业。京东的供应链基础可能让它更容易获得真实场景和运营数据，但这并不意味着所有行业都能直接复制这一模式。接下来，市场更应关注计划如何落地、哪些场景先形成稳定回报，以及公开目标与实际效果之间存在多大差距。只有当展示成果能够转化为可持续、可核验、可扩展的业务结果，物理AI才算真正走过从概念加速到产业兑现的关键一步。