导航|地址|刷新
机器人不缺表演，缺的是工作经验_手机网易网




















网易网易号



0







机器人不缺表演，缺的是工作经验


虎嗅APP
2026-07-18 17:00·北京·虎嗅APP官方网易号

0




打开网易新闻 查看精彩图片

一个人站在货架前，戴着一副头戴设备，拿起一瓶饮料，观察标签，再把它放回正确的位置。

几米之外的大屏上，这个简单的动作被分解成另一种语言：视线落点、手部轨迹、物体位置、抓取过程，以及任务是否完成。数据随后进入虚拟货架，机器人在里面一遍遍练习。最后，一台上千公里外的实体机器人伸出手臂，做出同样的动作。

从人类动手演示，到机器学会动手，看上去只隔着几块屏幕。

但机器人真的“学会”了吗？它换一排货架、换一种瓶子，甚至只是光线暗了一点，还能不能把事情做对？

这是今天具身智能面临的，最现实、最根本的问题。

过去一年，VLA、世界模型、世界动作模型轮番成为热门概念，行业融资不断，机器人本体和模型能力也在快速进步。很容易产生一种错觉：只要模型再更新几轮，通用机器人就会自然出现。

现实却没有这么简单。

大语言模型的幸运，是互联网已经替它准备了几十年的文本、图片和代码。具身智能面对的物理世界，却没有一套现成的语料库。网上当然有海量视频，但视频通常只记录“发生了什么”，却不记录里面的人为什么这样做、动作是否成功、用了多大力度，以及失败后如何纠正。

具身智能的发展，缺少能够被学习、被评测、被证明有效的现实经验。

今年WAIC上，京东展示了一套新解法：先把人类在真实场景中工作的过程采集下来，再用模型验证这些数据是否有用，最后把能力装回机器人和智能设备，在现实里跑起来，然后继续收集数据，再优化模型，再跑……

物理世界，可能才是机器人最好的老师。

机器人不是缺舞台，是缺"班"上

大模型通过学习人类书籍、图片和视频，获得了在数字世界里对话、编程、操作软件的能力。但要让AI驱动机器人，在物理世界里像人一样做家务、搬砖、种地，视频是不够的。

一段人在货架前整理饮料的视频，对人几乎不需要解释；对机器人而言，画面里却缺失了大量关键信息：人在找什么，为什么选择这个瓶子，手应该从哪个方向接近，抓取力度如何变化，商品最后放到什么位置才算完成任务。


更麻烦的是，具身智能的训练对数据质量的要求极高，低质量的数据甚至还会让机器人“降智”。

京东曾经做过一组对照实验：同样是一万小时数据，一组经过较严格的质量控制，另一组存在一定瑕疵。结果并不是“有总比没有强”。当后者继续扩量，机器人的任务准确率和泛化能力并未同步上升，在一些任务中甚至出现下降。

比如，模型在训练中见过一种矿泉水瓶，换成尺寸和形状不同的饮料瓶后，还能否正确抓取？如果数据只教会机器人复现一个固定动作，而没有让它理解任务和环境，数据量越大，模型可能只是把错误学得更牢。

因此，数据标准不能只由采集环节决定，必须由模型和真机结果反向定义。数据采下来以后，需要经过轨迹提取、自动标注、质量筛选和结构化处理，再进入仿真环境和模型训练，最后回到实体机器人上验证。只有机器人成功率、泛化能力和任务理解发生提升，这批数据才算真正产生价值。

京东正在做的，正是把这几个原本分散的环节串成一条生产线。

人戴上JoyEgoCam，在零售、物流、家庭、工业等真实环境中完成任务；第一视角视频被加工成模型能够消化的数据；JoyAI-Sim等工具再把人类数据、仿真数据和真机数据连接起来，供模型训练和评测；最终，机器人回到货架、仓库和其他作业现场完成任务。




打开网易新闻 查看精彩图片

京东已开源行业最大的人类视角数据集EgoLive，包含约2000小时高保真双目视频、超过6.5万段数据和346类任务。同时，京东还在采集手部力学、导航、全身轨迹等更多类型的数据，目标是生产千万小时量级的高质量数据。

但小时数并不是京东在这场竞争里最重要的筹码。

真正稀缺的，是能够持续产生数据的现实任务。理货、分拣、搬运、维修和家庭服务，不是为了训练机器人临时搭建的摄影棚，而是每天都在发生、有明确目标，也有结果可以检验的工作。

这也是京东切入具身数据的逻辑。它的价值不在于搭了多少个数据采集中心或者雇了多少数据采集员，而在于能不能把一个持续运转的现实业务体系，改造成具身智能的数据生产线。每一次真实操作，都可能成为新的训练样本；每一次失败，也可能暴露模型下一步应该补什么课。

今天不少公司都能采购设备、组织人员拍摄数据，难的是把采集、处理、训练和验证长期跑下去，并把单小时成本降到产业能够承受的水平。京东披露，其数据处理成本已经较早期下降十倍以上。这意味着具身数据正在从一次性科研项目，逐渐接近可以规模化生产。

数据是沉默的，但能力是会动的

数据并不会自动变成机器人的能力。

人类完成一次补货任务，只需要凭经验判断商品应该放在哪里，伸手、抓取、移动，再确认摆放是否完成。但对模型而言，这个过程必须被拆解成一系列可以学习的问题：它看到了什么，理解了什么，下一步应该做什么，又该如何判断行动结果。


这也是物理AI与聊天机器人的根本区别。后者面对的通常是一次提问和一次回答，前者面对的却是持续变化的画面、声音、空间和人的行为。它不仅要理解世界，还要在正确的时间作出反应。

京东对JoyAI的布局，也因此不是押注某一个包打天下的模型，而是在搭建一个不断扩展的能力矩阵。

其中，JoyAI-VL-Interaction负责的是持续感知。它让模型从处理一张静态图片，进化到实时观察环境，在画面不断变化的过程中保持理解和响应。JoyAI-RA则更进一步，将视觉和语言信息映射到动作空间，让模型尝试回答“看懂之后应该怎么做”。

此次WAIC发布的JoyAI-Talker和JoyAI-Video-Edit，则补上了这套能力矩阵的另外两个维度。

JoyAI-Talker是一款实时语音交互模型。与传统语音助手等待用户说完一句话再回答不同，它更强调低延迟、可打断和连续交流，同时加入情绪理解与共情能力。对于进入家庭和服务场景的机器人来说，能否在嘈杂环境中听清人在和谁说话、判断一句话是在下达指令还是表达情绪，本身就是感知现实的一部分。 JoyAI-Video-Edit是一款流式实时视频编辑模型。它表面上属于视频生成与编辑能力，但对物理AI而言，视频不只是内容，也可以成为理解动态环境、生成训练数据和模拟现实变化的工具。京东探索研究院将这项能力用于具身智能的实时视频交互，以及具身智能训练中的数据合成。


可以看出，JoyAI模型矩阵扩展的方向，并不是简单叠加模态的类型，而是在逐步补齐AI进入物理世界所需要的能力——从看见环境、听懂语言，到进行实时交流；从理解空间和任务，到模拟变化、规划并输出动作。

这套能力还在不断进化。今天的机器人或许能完成固定货架上的抓取，下一步则需要适应不同品牌、不同包装、不同位置的商品；今天的智能终端可以回答问题，下一步则需要理解家庭成员的状态，并主动协调设备完成任务。

数据和模型也由此形成循环。真实作业数据进入模型训练，模型被部署到机器人和智能设备中，在任务中产生成功、失败和修正的结果；这些结果再被转化为新的训练素材，推动模型继续迭代。

物理AI不是考高分，是干好活

机器人最终不能一直生活在数据中心和仿真环境里。

模型是否真的有价值，要回到物理世界的家庭、工厂、商超、养老院。它不只要识别指令，还要面对噪声、多人对话、不同设备和长周期任务；不只要给出答案，还要把答案变成一次次真实的、有结果的行动。

训练闭环只是前半场，物理AI真正的难题，是走出实验环境后还能不能被人每天用起来。

在WAIC的另一侧，一个由客厅、书房、厨房和卧室组成的家庭样板间，呈现了物理AI落地的一种未来。



打开网易新闻 查看精彩图片

这里没有一台全能机器人包办所有事情。台灯、电视、床垫、茶吧机、玩具和机器狗分别保留自己的硬件能力，AI做的，是理解用户此刻真正想要什么，再把任务分配给合适的设备。

一句“今天有点累”，并不对应某个固定开关。床垫可以结合人的状态调整支撑，音乐设备可以播放舒缓内容，床边其他设备也可能参与响应。这个过程的重点，不是设备听懂了自然语言，而是交互从“用户控制机器”变成“机器理解意图”。

这正是京东JoyInside的位置。它不是一个大模型，也不是包办传感器、电机和底层控制的操作系统，更像是一层连接模型、设备能力和具体场景的AI平台。硬件厂商负责设备能做什么，JoyInside负责让设备听清、理解、记住，并判断在什么情况下应该调用这些能力。

这条路线比“给每台家电塞一个聊天机器人”难得多。

京东的真实使用数据也说明，所谓AI空间还远未成熟。目前使用频率最高的仍是台灯、点读笔、时间管理器等学习设备，其次是玩具；家居家电虽然占据了JoyInside接入SKU的大头，活跃度却相对较低。

原因并不复杂。一个玩具会聊天，用户几分钟就能感知差异；一张床垫、一台电视或一套卫浴要真正变得智能，需要AI长期理解人的状态，还要协调多个设备。会说话的单品容易做，懂生活的空间很难做。

但后者恰恰可能拥有更大的价值。

人每天与床、灯、电视、空调和厨房设备相处的时间，远远超过与一台独立机器人的互动时间。当这些终端不再只是被动等待命令，而是能够围绕人运转、协同，它们实际上组成了一个分布式的机器人：传感器和执行器散落在房间里，模型则负责理解、调度和记忆。

JoyInside目前已经与近200个品牌合作，京东预计2026年接入终端超过千万台。这个数字的意义，不只在于卖出更多AI硬件，而在于它是否能提供足够多、足够复杂的现实连接点。



打开网易新闻 查看精彩图片

如果千万台设备只是各自调用一次模型，它们仍然是分散的智能单品；如果设备能够在获得授权和保护隐私的前提下，把真实交互中的问题、失败和反馈重新用于产品和模型优化，它们才可能成为数据飞轮的一部分。

京东说自己要做“全球最大物理世界运营中心”，看起来这不是建一座更大的数据中心，也不是京东自己制造所有模型和机器人，而是把数据采集、模型训练、终端接入、销售服务和真实反馈连接起来。

京东一端连接商品、用户和智能设备，另一端深入仓储、物流、供应链、健康和维修现场。这些过去显得过于“重”的业务，到了物理AI时代，反而可能成为最难复制的训练场和验证场，并成为下一步服务亿万家庭和生产制造场景的应用场的基石。

大模型时代，企业争夺的是互联网语料、算力和参数规模；具身智能时代，竞争会进一步延伸到真实任务、终端入口和反馈迭代效率体系的比拼。

最后的胜者未必是让机器人跳得最好看的公司，而可能是最先把日常工作变成有效数据，再把数据变成稳定工作能力的那一个。

回到开头的那个小场景。一个人拿起饮料，一台机器人随后学着整理货架。真正有价值的，并不是那只机械臂完成了一次演示，而是人和机器之间那条看不见的链路：现实被采集，经验被提炼，模型接受检验，能力再回到现实。

京东给出的并不是标准答案，但至少提供了一种足够具体的解法：让真实世界生产数据，让数据训练模型，再让模型回到真实世界继续犯错和成长。

对于仍处在早期的具身智能来说，这种缓慢、笨重，却能够闭环的工作，可能比又一个漂亮的演示更有价值。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4876321.html?f=wyxwapp








特别声明：本文为网易自媒体平台“网易号”作者上传并发布，仅代表该作者观点。网易仅提供信息发布平台。






打开网易新闻体验更佳




热搜

日本“国家情报局”正式设立

日本在太平洋首次试射“战斧”导弹

“1个协会89名副会长”官方最新通报

以一军事基地超百名士兵“抗命”离营

政治局会议对货币政策有新提法

微软创近18年以来最大单日涨幅





热门跟贴




打开APP发贴

0条跟贴








相关推荐




索尼研发乒乓球机器人打败日本顶尖选手

每日经济新闻1212跟贴









神秘黑马-莫刻机器人冲榜WorldArena，仅32张真武810E封神

机器之心Pro









李飞飞出手！用世界模型训练机器人，五种真机跑一小时不出错

智东西1跟贴









持续领跑世界模型驱动物理AGI，极佳视界再获10亿元B2轮融资

36氪









机器人大厨做扬州炒饭，你想品尝一下吗？

装甲铲史官









人形机器人“拐点”已至：产量只是下限，模型决定天花板

经济观察报2跟贴









谷歌的机器人赌局：不卖本体，只卖大脑

钛媒体APP









飞渡科技：一家空间智能“隐形冠军”的显性时刻

钛媒体APP









人形机器人半马跑姿大赏 ，有的比人快多了！有的“状况百出”

每日经济新闻









万帧照片级仿真2

机器之心Pro









100多万人围观！没头没腿，神似充电宝的机器人全网走红？

机器之心Pro









朗极智能面向构建智能机器人系统发力2

36氪









动易科技PhyAgents无遥控 无预设双足人形自主对打羽毛球

量子位









机器人进家还差几步？京东：商业化场景是快车道，未来会有更多消费级产品出现

每日经济新闻









520，人类如何回应AI的告白

虎嗅APP









搬货、烤面包、摆桌牌……每一个动作，都是从零开始的“第一课”

每日经济新闻









阿里达摩院开源具身大脑基础模型

机器之心Pro









亦庄机器人马拉松现场名场面合集

量子位









GaussianDWM：用3D高斯表示统一自动驾驶场景理解与多模态生成

机器之心Pro









黄仁勋力挺开源同一天，蚂蚁百灵扔出124B“执行模型”

智东西1跟贴











回到顶部回到首页



------
导航页 打开网址