（文/张志峰 编辑/吕栋）

7月18日上午，2026世界人工智能大会（WAIC）世博展览馆，京东集团副总裁、京东探索研究院副院长段楠给出一个判断，Scaling Law（规模定律，即模型能力随数据、算力、参数规模同步扩大而提升的规律）过去是数字世界里数据、模型、算法三位一体的游戏，到了物理AI阶段，要把硬件的规模化也加进来。

这句简短的话，基本是京东AI战略的完整摘要。

展会现场，京东首次系统展示了面向物理世界的JoyAI模型矩阵。JoyAI-Talker实时语音交互模型，能识别是谁在说、是不是在对它说，并理解情绪；JoyAI-Video-Edit实时视频编辑模型支持对每秒30帧以上的流式视频做实时编辑。

加上今年早些时候开源的JoyAI-Image-Edit、JoyAI-Echo、JoyAI-VL-Interaction等模型，京东年内已发布7个基础模型，覆盖语音、图像、视频、实时交互、世界模型和具身智能。

模型只是台面的一半，另一半是数据。

京东在WAIC期间宣布开源人类视角数据集EgoLive，官方称其为行业最大，首批2000小时，覆盖仓储、家庭、药房等场景的300多个操作任务。

京东集团副总裁、京东云基础云业务负责人龚义成在同场演讲中给出了更完整的账本，京东正发动近1万家门店、3600个仓储和20多万个药店参与数据采集，计划发动60万人投入其中，目标两年内采集1000万小时。

一家电商公司为什么如此重地押注数据？因为整个具身智能行业都卡在这里。

龚义成透露，京东去年拜访了大量模型和机器人公司，头部具身模型公司手里的数据最多两万条。

而行业普遍认为，100万小时是具身模型能力跃迁的基准线，1000万小时是当前技术条件下可期望的量级。

花旗几天前发布的机器人行业峰会报告，同样把数据稀缺列为物理AI商业化的最大瓶颈，并判断最终胜出的将是掌握专有真实世界数据的公司。

数据为什么这么难？

真人遥操作质量最高，但一台设备三四十万元，一名采集员每天只能产出数百条数据；仿真合成便宜高效，却存在虚拟到现实的迁移差距；互联网视频量大，筛完可用于训练的标注数据不足百分之一。

智元机器人由旗下觅蜂科技做无本体采集加众包，目标今年达到千万小时级年产能；北京、上海在建国家级数据采集训练场。

京东的解法和上述企业不同，它不建专门的训练场，而是把自己的生意本身变成训练场。

这正是京东与其他大模型厂商的分野。

阿里押基座模型和算力，字节押C端入口，腾讯在WAIC发布具身智能全栈方案，明确做机器人厂商的伙伴而不下场做硬件。

京东走的是另一条路，段楠将其概括为数字智能、附身智能（把模型装进手机、眼镜等随身终端）、物理智能三个阶段。

这条路线上的每一环，京东都有自己的产业现场，物流超脑为上亿包裹计算路径，健康板块运营互联网医院，全集团3000多个业务场景既是AI的使用方，也是数据的生产线。

场景产生数据，数据训练模型，模型回到场景里被验证，这是京东叙事的自洽逻辑。

开源则是第二步棋。

通用大模型的开源生态位已被阿里通义占住，京东转而开源具身数据集和垂域模型，抢的是物理AI时代的基础设施位置。

配合JoyInside已合作近200家品牌、今年计划接入超1000万台硬件的终端网络，京东想要的不是造出一个最聪明的模型，而是成为物理AI的水和电。

不过，要让这套增长逻辑真正形成闭环，京东还需要回答三道关键问题。

第一个是模型位次。

段楠展示的对比，是图像编辑、实时交互等单项能力对Gemini、豆包等闭源模型的持平或超越，京东的通用基座模型在主流评测榜上存在感有限。物理AI的叙事绕开了通用模型的正面战场，这是扬长避短，但通用能力的差距如果继续拉大，垂域优势未必守得住。

第二个是数据的质与量。

龚义成在展会现场坦言，同样是一万条数据，如果质量存在瑕疵，简单叠加不仅无法提升模型的泛化能力，还可能产生反作用。这意味着，60万人参与的众包采集和每周10万小时的数据供给，只是京东建立数据优势的第一步。

接下来更关键的问题，是如何保证标注精度、筛选有效数据，并提升数据被模型吸收和转化的效率。

这些能力最终仍需通过模型效果来验证。京东的具身操作模型JoyAI-RA随着后续迭代推进，其数据体系的实际价值才能真正被评估。

第三个是竞争的密度。

具身智能的数据竞争已经升温。蚂蚁集团灵波科技的具身大脑已基于6万小时真机数据训练，腾讯的具身模型矩阵采用超万小时高精度数据，智元则在自研大模型的同时布局数据平台。京东在WAIC亮相的仓储具身机器人，正是与智元合作推出的产品。这说明，未来的竞争未必只是单一企业之间的比拼，也可能是平台、模型、硬件与场景之间的协同。

京东想建数据交易平台，让行业的数据在自己这里流转，但要实现这一目标，仍需解决数据安全、权益分配和合作信任等问题。因为数据恰恰是每个玩家最不愿交给别人的资产，这门生意的撮合难度，恐怕比采集本身更大。

回到段楠那句话。把硬件加进Scaling Law，等于承认物理AI是一场重资产、长周期的消耗战，比的不只是模型有多聪明，还有场景、数据、成本的综合账本。

这恰好是京东熟悉的战争形态，它在零售战场上就是这么算账的。区别在于，零售的账京东算了二十年，物理AI的账，整个行业才刚刚翻开第一页。