泉源：18年前汶川地动15勇士惊天一跳作者： 黄怡秀：

物理AI的竞争单位，，正在从“模子”酿成“系统”

作者｜黄小艺

微信 | H997Hbiu

今年WAIC，，比模子自己更抢眼的，，是那些最先替身做事、进入装备和真实场景的AI产品。。。。。

展馆里，，可以跨应用完成使命的智能体手机、进入产线的人形机械人、戴在身上的AI眼镜，，以及支持它们运行的超节点和万卡集群，，正在成为新的注重力中心。。。。。

这种转变也体现在论坛议题中。。。。。AI行业关注的问题，，正在从“模子尚有多智慧”，，转向“AI能不可进入产品、完成使命，，并以工业能够遭受的本钱大规模运行”。。。。。

京东集团副总裁、京东探索研究院副院长段楠在演讲中指出了这种转变：“互联网数据照旧数字天下信息的载体，，没步伐让模子学习到怎样真正交互和驾驭物理天下。。。。。若是人工智能未来面向更高水平的通用性，，必需从数字天下走向物理天下。。。。。”

这是一场比模子竞赛更重大的竞争。。。。。

一个模子可以天生内容，，甚至结构一个天下；；；；但要真正进入装备、明确情形、完成使命并对效果认真，，中心还隔着数据、评测、算力、硬件和产品。。。。。

在今年WAIC，，京东JoyAI是一个很适合视察这种转变的样本。。。。。

一直以来，，京东把AI的生长分成三个阶段：语言、代码和内容天生属于“数字AI”；；；；当AI进入玩具、家电和汽车，，一连感知并与人交互，，它酿成“附身AI”；；；；当AI进一步明确空间和物理纪律，，并能在真实天下执行行动，，才进入“物理AI”。。。。。

沿着这条蹊径，，这届WAIC，，京东第一次把JoyAI大模子矩阵、具身数据系统、云基础设施和JoyInside硬件入口集中摆在了一起。。。。。

其中，，JoyAI-Image-Edit、JoyAI-Echo和JoyAI-Video-Edit划分笼罩空间图像编辑、长音视频天生和实时视频编辑；；；；JoyAI-VL-Interaction、JoyAI-Voice和JoyAI-Talker认真一连视察、实时回应和语音交互；；；；到了JoyAI-RA，，模子最先进一步学习机械人的行动。。。。。

模子之外，，JoyEgoCam认真收罗，，EgoLive沉淀真实操作数据，，JoyAI-Sim完成仿真转换与训练评测；；；；京东云支持数据处理、模子训练和规；；；；才，，JoyInside则把这些能力装进详细硬件。。。。。

这些能力笼罩了AI进入物理天下的完整链路：望见、明确、交流、行动、学习，，直至落地。。。。。

它也对应着目今的行业转变——当AI走出谈天框、进入物理天下，，竞争单位不再是单个模子，，而是数据、模子、算力、硬件和场景能不可组成一套真正跑起来的系统。。。。。

模子先要学会空间、时间和交互

系统化并不料味着模子变得不主要。。。。。恰恰相反，，当AI最先脱离谈天框、进入真实天下，，模子需要解决的问题反而更多了：它不但要天生内容，，还要明确空间、时间，，以及什么时间应该介入。。。。。

以JoyAI-Image-Edit为例，，通俗图像编辑解决的是“哪些像素应该改变”，，但物理天下面临的问题是：一个物体移动以后，，空间关系应该怎样随之转变。。。。。

JoyAI-Image-Edit将图像明确、天生和编辑放进统一个系统。。。。。它展示的重点不但是换配景、改颜色，，还包括移动、旋转物体，，改变相机视角以及天生多视角画面，，同时只管维持几何关系的一致性。。。。。

已往的模子主要判断“这张图看起来是否合理”，，现在则需要进一步明确：“若是换一个位置视察，，这个天下是否仍然建设。。。。。”

编辑甚至可以反过来资助明确。。。。。当原始视角无法判断空间关系时，，模子可以天生另一个视角的画面，，再凭证新画面回覆问题。。。。。天生由此不再只是输出内容，，也成为模子视察天下的一种方式。。。。。

若是说图像模子明确的是一个瞬间，，JoyAI-Video-Edit面临的则是时间一连性。。。。。它需要在视频一连爆发时修改人物、行动和场景，，同时包管前后画面不会由于一次干预而崩掉。。。。。

这相当于要求模子明确：天下不但“长什么样”，，还要知道它怎样从上一秒运动到下一秒。。。。。

到了JoyAI-VL-Interaction，，问题进一步从空间和时间酿成了介入时机。。。。。

古板语音助手期待用户叫醒，，用户问一句，，它回覆一句；；；；附身AI却要长时间待在情形中，，一边一连视察，，一边判断什么时间应该回应，，什么时间应该坚持默然，，什么时间应该把重大使命交给后台模子、API或者智能体。。。。。

此前有人使用这一模子制作了一台AI夜视婴儿看护器：红外视频一连输入模子，，只有在模子发明婴儿惊跳、醒来或者口鼻可能被遮挡时，，才触发手环和音响提醒。。。。。

JoyAI-Talker增补的则是实时表达能力，，让模子在坚持明确和推理能力的同时，，拥有越发自然、低延迟，，并具备情绪表达和共情能力的语音交互。。。。。

把这些模子放在一起，，可以看到一条清晰的演进线：Image-Edit增补空间明确，，Video-Edit处理时间一连性，，VL-Interaction判断介入时机，，Talker认真自然、实时的表达。。。。。它们配合回覆的是，，AI怎样一连望见、明确并回应一个正在爆发的天下。。。。。

模子最先反过来界说什么是好数据

但看懂天下，，只完成了一半。。。。。

模子可以在屏幕里把一只杯子旋转90度，，机械人却必需知道从那里抓、用多大力，，以及抓空以后怎样调解。。。。。像素里的合理，，不即是物理上的可执行。。。。。

若是把GPT-3.5看作语言模子真正跨过能力门槛的时刻，，物理AI还没有抵达类似的节点。。。。。语言模子拥有互联网规模的文本、相对统一的训练要领和成熟的评测系统；；；；物理AI的数据却疏散在差别场景、使命和机械人身体里，，既腾贵，，又难以复用。。。。。

段楠把物理数据规；；；；旁诹耸孜唬骸拔锢鞟I不但要从海量数据中学习通用知识知识，，还要从蕴含着很是富厚的物理信息的真实天下数据中学习物理纪律和因果关系，，好比三维空间结构、物理属性、运动轨迹等。。。。。”

京东把这件事拆成了三层。。。。。

第一层，，是先把真实履历采下来。。。。。

京东开源的EgoLive首批包括约2000小时视频、65,866段数据和346种真实使命，，笼罩家庭、仓储、药房等场景。。。。。第一视角数据纪录的不但是“人在做什么”，，尚有人望见了什么、手怎样运动、行动凭证什么顺序爆发。。。。。

这很主要。。。。。实验室里的标准行动容易收罗，，却很难笼罩真实天下的杂乱、遮挡和意外。。。。。EgoLive要生涯的，，正是人类处理这些不确定性的历程。。。。。

第二层，，是把人的履历翻译成机械人能够使用的数据。。。。。

人的手与机械人的枢纽结构完全差别，，人类演示不可直接拿来训练机械人。。。。。JoyAI-Sim因此把真人行动放进仿真情形，，检查它是否知足机械人的枢纽、碰撞和物理约束，，再转换成机械人可以学习的轨迹；；；；反过来，，它也能把真实机械人使命重修到仿真情形中，，用于批量测试。。。。。

第三层，，是验证这些履历究竟有没有用。。。。。

JoyAI-RA把第一视角视频、仿真轨迹、真实机械人数据和网络数据放进统一训练框架，，再通过仿真和真机使命磨练效果。。。。。若是一批数据加入以后，，机械人的使命乐成率没有提高，，甚至下降，，那么无论它多清晰、标注多完整，，都不可算好数据。。。。。

段楠把JoyAI-RA 0.1定位为一项验证事情：随着数据规模扩大和多样化，，视察具身模子在明确、推理、展望和最终操作上的能力转变，，并随着具身数据整体量扩大继续验证效果。。。。。

到这里，，模子同时成为数据的消耗者和质检工具。。。。。

这三层形成了一个完整闭环：EgoLive收罗履历，，JoyAI-Sim翻译履历，，JoyAI-RA学习并验证履历。。。。。数据训练模子，，模子再反过来界说什么是好数据。。。。。

只有这个闭环能够运转，，扩大数据规模才有意义。。。。。今年，，京东还进一步提出将在两年积累1000万小时高质量数据，，同时将具身训练扩展到千卡规模集群，，并把数据处理本钱降低了10倍以上。。。。。

物理AI何时抵达自己的GPT-3.5时刻，，很洪流平上取决于真实天下的履历能否被转化为可训练、可验证、可复用的数据。。。。。

模子装进硬件之后，，难题才刚最先

即便AI已经会看、会学，，要真正进入物理天下，，仍然需要详细的产品和硬件作为入口。。。。。

京东JoyInside想做的，，就是补上这一环，，把AI能力装进差别品类的硬件，，让它在真实场景中与人交互、完成使命。。。。。

从2025年正式宣布，，到今年WAIC，，JoyInside已经与近200家行业品牌相助，，笼罩家电家居、机械人、玩具和康健装备等品类；；；；凭证果真妄想，，2026年接入终端将凌驾1000万台。。。。。

在这一年的产品实践中，，JoyInside形成了一个焦点判断：从玩具、机械人抵家居家电，，装备正在从“被动执行控制”走向“自动完成目的”。。。。。

已往使用蒸烤箱，，用户需要设置温度、时间和模式，，装备只认真执行参数；；；；接入AI以后，，用户只说“我想吃烤红薯”，，系统就要明确食材、口胃和火候，，并对最后有没有烤好认真。。。。。

人与装备的责任由此被重新划分：已往人认真决议，，装备认真执行；；；；现在人只提出需求，，装备最先认真效果。。。。。

接入品类一直增添后，，JoyInside团队也发明，，单品AI化的价值保存显着差别。。。。。现在使用频率最高的是台灯、点读笔等学习产品，，其次是AI玩具；；；；家居家电虽然一度占到团队接入SKU的约80%，，活跃度却相对较低。。。。。

家电家居虽然需要AI，，只是单台装备能够提供的新价值仍然有限。。。。。灯照旧灯，，床垫照旧床垫，，增添一项对话功效，，很难真正改变用户原来的使用习惯。。。。。

于是，，JoyInside把战略从单品推向了AI Home。。。。。

AI Home的思绪是让差别装备凭证用户目的举行联动分工。。。。。好比床垫感知身体和睡眠状态，，灯光与音箱调理情形，，机械人认真移动和视察；；；；当用户说“我有点累”，，系统判断应该由谁响应、怎样配合。。。。。

京东科技AI立异营业JoyInside认真人戴文军把这种家庭形态称作一个“积木化的、更重大的机械人”：感知、交流和控制能力被疏散在差别装备中，，组合起来配合完成使命。。。。。

更主要的是，，AI Home还让产品重新接回了反馈循环。。。。。哪些场景真正被使用、一次联动有没有完成目的、用户是否接受装备自动服务，，这些反馈会回到品牌、方案商和JoyInside，，决议下一代硬件应该增添什么能力、删除什么功效。。。。。

而在从单品走向AI Home的历程中，，交付压力随之展现。。。。。模子可以统一训练，，硬件却无法统一交付。。。。。台灯、床垫和蒸烤箱拥有完全差别的麦克风、传感器、芯片、声学结构和控制协议，，JoyInside团队不可能单独完成所有适配。。。。。

为解决交付问题，，京东今年在WAIC把方案商推到了更主要的位置。。。。。

分工上，，京东提供大模子、ASR、TTS和家庭场景能力，，品牌认真产品和品类知识，，方案商则完成芯片、声学结构、控制协议与整机方案的工程适配，，并触达大宗仍在小批量试水、尚未进入京东视野的品牌，，将新的产品时机带进这套系统，，资助JoyInside扩充品类。。。。。

数字AI时代，，一个基础模子可以成为一家公司的手艺中心。。。。。但在物理天下，，数据、模子、算力、硬件和产品中的任何一层泛起问题，，AI都只能停留在Demo里。。。。。

京东的优势来自它能力的完整性：模子、数据、云基础设施、产品入口和真实场景可以相互毗连，，组成一个一直转动的反馈循环。。。。。

所谓“全球最大物理天下运营中心”，，真正值得关注或许不是“大”，，而是“运营”：数据训练模子，，模子筛选数据，，云降低迭代本钱，，JoyInside把能力装进产品，，产品与场景再一直返回新的履历。。。。。

一个模子可以天生一个天下，，但只有成为一整套系统，，才华真正进入这个天下。。。。。

点个“爱心”，，再走 吧