从十万卡国产算力集群到千万小时具身数据：京东押注物理AI的基础设施逻辑

【软盟资讯·新闻导读】京东近期披露两项面向物理AI的基础设施安排：推进国产十万卡算力集群建设，并计划在两年内累计采集超过千万小时真实场景具身数据。前者面向模型训练与系统运行，后者面向机器人感知、决策和执行能力，两条线共同指向物理AI从实验环境走向产业场景。

京东把物理AI拆成算力与数据两条基础设施线

在传统生成式AI的竞争中，模型能力、芯片供给和云端算力往往是讨论重点。物理AI则多了一层现实约束：系统不仅要理解指令，还要感知环境变化，作出动作判断，并在真实空间中完成任务。机器人面对的不是一组静态文本，而是光照、物体位置、障碍物、人的动作以及设备状态不断变化的现场。

京东在相关大会上披露的布局，正是围绕这种现实约束展开。一条线是推进国产十万卡算力集群建设，另一条线是推进具身数据采集，并提出在两年内累计获得超过千万小时的人类真实场景视频数据。前者解决的是大规模模型训练、推理和系统协同所需的计算基础，后者解决的是模型如何从真实世界获得足够多、足够复杂的行为样本。

这两项安排并不是同一种资源的简单叠加。算力更接近“处理能力”，决定数据能否被持续训练、仿真和分析；具身数据更接近“经验来源”，决定机器人能否理解现实任务中的动作关系和环境变化。对于物理AI而言，只有算力而缺少真实数据，模型可能难以覆盖复杂场景；只有大量数据而缺少相应算力，数据也难以高效转化为可部署的模型能力。

国产十万卡集群：面向物理AI的计算底座

从公开披露的表述看，京东将国产十万卡算力集群建设放在物理AI基础设施的重要位置。这里的核心并不只是卡的数量，而是面向大规模数据处理、模型训练和产业场景应用，形成能够持续承载任务的计算底座。

物理AI的训练过程通常需要同时处理视觉、动作、环境状态以及任务结果等多类信息。与只处理文字或图片的模型相比，机器人系统需要面对更长的任务链条：先识别现场，再理解目标，随后规划动作，执行后还要根据反馈修正。任务越接近真实生产和生活场景，数据类型和处理过程就越复杂，对算力基础设施的组织能力也提出更高要求。

国产化是这条算力线索中的另一层含义。资料明确披露的是国产十万卡算力集群建设安排，并没有进一步给出集群的具体建设进度、实际投入规模、芯片构成或运行效果。因此，现阶段更适合把它理解为一项面向物理AI发展的基础设施规划，而不能据此判断项目已经完成，也不能推导出其在全球算力领域的排名。

对于算力产业从业者而言，这类建设的关注点不应只停留在硬件数量。物理AI所需要的计算资源，还涉及数据接入、训练调度、模型迭代、仿真环境和实际设备之间的连接。尤其当数据来自仓储、生产线、配送站点和家庭任务等不同场景时，算力平台能否支持多类任务并行处理，能否让训练结果回到具体应用现场，都会影响基础设施的实际价值。

千万小时具身数据：把真实动作变成训练材料

与算力集群相比，具身数据计划更直接地指向机器人的学习过程。京东披露，计划在两年内累计采集超过千万小时的人类真实场景视频数据，并建设具身数据训练中心。相关安排还包括整合互联网数据、仿真数据和真实机器人数据，形成“理解—生成—行动”一体化的具身智能技术模型。

真实场景数据的价值，在于它能够记录机器人在实验室之外可能遇到的任务变化。擦拭桌面、叠放衣物、整理收纳和清洁地面等日常活动，看似动作简单，但其中包含物体识别、空间判断、力度控制、动作顺序和异常处理等多个环节。如果只用结果图片描述任务，模型很难完整理解动作是如何发生的；连续的视频和动作记录，则能够提供更接近过程的信息。

资料显示，京东和宿迁市联合打造的具身智能数据采集社区已经运行，参与采集的人员经过专业技术人员培训后，在日常家务过程中完成数据采集。采集过程中使用了京东自研的 JoyEgoCam。另一份资料显示，宿迁的机器人数据采集中心已经从虚拟环境向实际场景延伸，并围绕物理仿真精度、泛化能力和交互质量三个方面完善采集场景。

这些信息说明，具身数据采集并非单纯增加视频时长。数据是否覆盖不同任务、不同物体、不同空间关系和不同交互状态，决定了它能否支持机器人的泛化能力。一个机器人如果只在固定桌面、固定光线和固定物品下完成动作，训练数据即使数量很大，也未必能够直接迁移到新的家庭、仓库或生产环境。

因此，“千万小时”是一个规模目标，但不能直接等同于模型能力。数据还需要经过采集、筛选、标注、整理和训练验证，才能成为可使用的训练材料。现有资料并未披露该目标的具体完成比例、数据质量指标或模型效果，因而不宜把计划中的数据量表述为已经形成的能力结果。

算力与数据的分工：一个负责处理，一个负责贴近现场

把两条线放在一起看，京东的物理AI布局呈现出较为清晰的基础设施逻辑。

算力集群主要承担“把数据变成模型”的任务。它支持大规模数据处理、模型训练和复杂任务的计算，并为不同场景的模型迭代提供资源。对于机器人企业而言，算力并不只是训练阶段的成本，也会影响后续的推理部署、远程协同和系统更新。

具身数据则承担“让模型接触现实”的任务。它将人的动作、物体变化和环境交互记录下来，帮助模型理解任务如何展开，以及一个动作可能带来什么结果。相比互联网中已经存在的大量文本和图像，具身数据更强调时间连续性、空间关系和动作反馈。

两者之间还存在反复循环。模型需要数据训练，机器人投入场景后又会产生新的数据；新数据被整理后，可以用于修正模型；模型更新后，再进入仓储、物流、生产或家庭等环境接受检验。这个循环越顺畅，物理AI越有可能从一次性演示转向持续运行。

京东披露的整体计划也不止包括算力和数据。相关资料显示，其“京东物理AI加速计划”还涉及机器、制造、销售、物流和服务等领域。计划内容包括未来五年在全国布局80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；在物流领域，资料披露未来五年计划采购超过300万台机器人、100万台无人车和10万架无人机。

这些数字属于公开披露的计划目标。它们反映的是京东试图把机器人从单一设备扩展为包含研发、制造、部署、维护和数据回流的完整业务链条，但不能据此判断相关项目已经全部落地。对于产业观察者来说，更值得关注的是，算力、数据、设备和应用场景是否能够形成可持续闭环，而不是单独比较某一项数字的大小。

物理AI基础设施的难点不只在规模

物理AI进入真实场景后，数据采集的合规性、安全性和一致性同样重要。尤其是家庭、仓库和配送等环境，往往包含人员活动、物品信息和作业流程。采集工作需要明确参与人员的培训要求、数据使用范围和设备操作方式，避免“数据规模”成为唯一评价标准。

此外，具身数据还必须与具体任务建立清晰关联。视频记录了动作，并不意味着模型能够自动理解动作目的。对于擦拭、收纳、搬运等活动，系统还需要区分任务起点、执行过程、完成状态以及异常情况。数据采集中心从仿真环境走向真实场景，实际上也意味着数据整理和质量控制的复杂度随之增加。

算力侧同样存在工程问题。十万卡级别的集群建设，除了计算设备本身，还需要配套的数据传输、存储、任务调度和运行管理能力。但目前公开资料没有披露京东该集群的详细技术方案和建设节点，因此只能确认其建设方向，不能进一步延伸到具体架构或性能判断。

对机器人企业来说，这两条基础设施线最终要接受场景检验。模型能否在仓储中准确识别货物，在物流环节保持稳定动作，在家庭环境中理解任务变化，取决于算力和数据是否真正服务于明确的应用需求。规模目标可以提供方向，但能否形成稳定产品，还要看实际部署、反馈采集和持续迭代。

从单点能力到完整链条

京东此次披露的内容，核心变化在于竞争对象不再只是某个模型或某一款机器人，而是覆盖算力、数据、设备、制造、销售、物流和服务的系统能力。对于物理AI而言，单点突破固然重要，但如果缺少数据来源、实际场景和维护体系，模型能力很难长期运行。

从目前明确的信息看，京东一方面推进国产十万卡算力集群建设，另一方面以两年累计超过千万小时真实场景数据为目标，并通过宿迁数据采集社区和机器人数据采集中心等安排，尝试建立真实场景数据来源。两条线分别对应计算基础和经验基础，能否进一步打通，则是后续值得观察的重点。

对于算力产业，关注点可以放在国产算力如何服务多模态训练和物理场景任务；对于机器人企业，重点则是数据能否覆盖实际动作、交互和异常情况；对于AI基础设施从业者，真正的挑战是把计算、数据、设备和场景连接起来，形成可持续的运营链路。

【软盟观察】京东将国产十万卡算力集群与千万小时具身数据计划同时摆到物理AI布局中，释放出的信号并不是单纯追求某一项资源的规模，而是试图补齐物理AI从训练到应用之间的基础设施环节。算力解决的是大规模处理和模型迭代问题，具身数据解决的是模型接触真实动作和环境的问题，两者缺一不可。不过，计划目标与实际成果仍应区分看待。公开资料目前能够确认的是相关建设方向、数据采集安排和部分场景化项目，尚不足以判断算力集群的建设进度、数据目标的完成程度或最终商业效果。后续观察重点应放在三个方面：一是国产算力能否稳定支撑多类物理AI任务；二是具身数据是否具有足够的场景多样性、交互信息和可训练性；三是数据、模型、机器人和产业场景之间能否形成持续回流。只有当这些环节建立起可重复的运行机制，基础设施规模才可能转化为物理AI的实际应用能力。