京东能拿到物理AI的“大结果”吗？
在京东谈论人工智能时，他们依旧保持着务实的态度：先从园区内的清洁和园艺工作入手。
随后，在9月9日的JDD大会上，京东连续公布了六项举措： 六个“全球第一”的具身智能目标、五年内采购300万台机器人、80多个RoboBase产业基地、十万卡算力集群，以及刚刚在WBench Navigation评测中位列榜首的开源世界模型JoyAI-Echo WM。
“京东全面押注物理AI”的话题引发了热议，但能否私下问一句： 这家以电商和物流为核心业务的公司，真的能在物理AI这个领域，取得它期望的显著成果吗？
“非传统方法”的耐用性，但真的实用吗？ 保洁和园丁佩戴头盔的新闻，或许意外地为京东带来了更大的公众关注。
但这件事从技术层面看，并不复杂：京东自主研发了一款名为JoyEgoCam的头戴式采集设备，让工作人员佩戴它进行作业，以第一人称视角记录动作轨迹、力度分布、人机交互参数，然后利用这些数据来训练具身模型。
因此，这里既存在争议，也出现了一个微妙的商业问题。 公开报道显示，宿迁的数据采集员主要是全职宝妈，每天工作约6小时，月收入在3000至4000元之间，高的可达7000多元。
从结果来看，这似乎是一个双赢的灵活就业项目。 但如果将视角转向京东的家政业务，问题就出现了：如果未来这套设备进一步应用于家政服务场景，就会出现一个非常有趣的问题——用户付费购买服务，同时也在提供数据。
当然，京东可以说家政服务和数据采集是两回事，宿迁的采集员是单独招聘的。 好吧，我相信你， 但谁来监督呢？
其次是数据质量的问题。 “非专业采集员的动作一致性如何保证？机器人是否会学到低质量的‘家务野路子’？” 京东的思路很直接：用尽可能低的成本，获取更多样化、更真实的物理世界数据。
两年内积累1000万小时，如果真能实现，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、训练方法不恰当，也未必能转化为真正的模型能力。 具身智能尤其如此：动作轨迹、力度反馈、环境交互，这些多模态数据如何标注、如何训练、如何转化为机器人的具体动作，中间还有很长的路要走。
京东真正的优势，或许不在于能找到多少人采集数据，而在于能否持续获得低成本、真实、多样的物理世界数据。 更重要的是，这些数据最终能否转化为机器人真正可用的能力。 不能成为数据界的SKP，也别沦为数据界的拼多多。
物理AI的“大成果”与合作边界 要获得物理AI的“大成果”，首先得能坚持得住。 问题是，京东有这个耐心吗？
刘强东过去谈及“自建物流”时，曾阐述过一个非常简单的逻辑：短期看，它意味着重资产和高投入；长期看，它会转化为体验、效率和履约能力。 后来，物流确实成为了京东最难复制、也最重要的资产之一。
物理AI也像一场新的“自建物流”。 前期需要投入算力、机器人、数据采集和产业链，回报周期很长，短期业绩未必好看。
早在2016年，京东就开始将机器人引入仓库。 十年下来，京东的机器人已经成为了成熟耐用的“工具”： 从仓储、搬运到分拣，机器人已进入物流的多个环节，新产品也开始涉足低温仓库等更复杂的环境。
京东的机器人与其“兄弟文化”相似，并不高大上，但非常踏实：能稳定工作，也能算清成本。 对仓库而言，机器人不是表演项目，能否快速部署、减少停摆、适应冷库等困难场景，才决定客户是否愿意付费。
京东的“超级AI供应链”，说到底也是这个逻辑：将现有的算力、数据、模型、智能终端和供应链能力，整合到真实的仓储与配送网络中。 机器人部署进去，数据反馈回来，模型继续训练，再回到真实业务中验证。
这套能力，不是谁砸钱就能立刻复制的。 在自有物流网络内的大规模部署上，京东处于领先地位，上千座仓库、数万个配送站以及持续发生的真实作业，使其拥有了一座天然的训练场。
京东物流成功了，但通用物理AI想再次复制“物流”的成功，恐怕不只是时间问题。 因为物理AI与过去的自建物流有一个关键区别。
过去，商家将仓储、配送等相对标准化的履约环节交给京东。 京东负责将货物送好，商家仍掌握自己的经营流程和核心判断。
但物理AI进入工厂、仓库和门店后，情况将完全不同。 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“如何操作”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是否足够便宜、效率是否足够高，还包括数据归属权、出问题后的责任归属。
说到底，客户真正想问的是：AI版的京东兄弟，我还能放心地把后背交给你吗？
京东的六便士与月亮 京东从不缺少六便士。 将仓库运营顺畅、快递配送好、成本计算清楚，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。 务实没有错，但商业未必总是为务实买单。 很多时候，市场会先为一个尚未被证明的未来下注。
京东并非没有想象力，只是习惯先将想象力落地到场景中，再将其转化为效率、订单和利润。 这次发布JoyAI-Echo WM世界模型，是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，并选择了开源。 但一个评测的领先，不能直接等同于通用物理AI的能力。
物理AI最终要解决的，是让AI理解真实世界，并在复杂环境中自主完成任务。 目前做物理AI，大致有两条路：有人从模型向下做，有人从硬件和场景向上做。
京东更像是后者：先将机器人放入真实场景，再利用场景和数据向上构建模型。 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： 场景中的能力，最终能否转化为通用能力？ 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，尚未证明自己已形成通用能力。
从一个个具体场景，走向一个能理解不同环境、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： 是否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。
它也会奖励那些敢于在账还没算清之前，就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，36氪经授权发布。