刚进入9月，全国多地机场突然被一幅醒目的广告牌刷屏——“把AI推向物理世界”，字少，意思也很直接，落款是京东云。
在这张广告牌打出的同时，在9月9日举办的JDD（京东发布会/开发者大会）也将主题明确指向了“物理AI”。
“物理AI”绝对是过去半年中文语境里最重要的热点，物理世界被认为是AI的下一站。
行业经历了两年的技术狂欢，行业疯狂卷推理速度、卷长上下文，甚至卷谁的聊天机器人更像真人。但此刻非常现实，甚至有些残酷的问题被摆到了桌面上：这些消耗了天文数字算力的Token，以及C端积累的海量流量，到底该如何转化成真正的商业价值？
站在产业观察者的视角，这场转向背后映射出两个核心命题：AI为什么必须走出数字世界？以及，为什么是京东这样的企业在抢占这个高地？
当AI开始离开聊天框
AI演进的这几年，本质上是在虚拟的数字世界里刷分。但技术迭代的边际效应递减与高昂的运营成本，让整个行业不得不直面现实——这些能力最终能完成多少工作、创造多少实际价值。
Agent是最明显的信号。
过去的Copilot主要参与人的工作过程，帮程序员写代码、帮销售整理资料、帮财务分析数据；Agent开始进一步接管一段完整任务，读取企业数据、调用不同工具，并把结果重新写回业务系统。OpenAI今年6月发布的一项研究，把这一变化概括为知识工作的基本单位正在从单次交互转向“可委托的长期任务”。
企业衡量AI的方式也随之改变。如果说Token衡量模型生产了多少智能，Task衡量AI能够承担多少工作，那么企业最终需要看到的仍然是成本下降、效率提高、业务闭环，也就是Result。
当底层大模型的通用能力逐渐拉平，“谁的参数大”不再具备绝对护城河。AI竞争的战场，必然转移到“谁能深度接入产业流程，解决具体问题”。
这也是今年JDD上，京东将“物理AI”推到核心位置的背景。
京东的判断是，AI竞争正在从“参数竞赛”走向“生产力竞赛”。在JDD上，京东将云、数据、模型、终端、场景和供应链放进同一套体系，希望让AI进一步进入零售、物流、工业、健康和家庭等真实场景。
相比于行业泛滥地用“物理AI”来笼统代指机器人，京东想要探讨的逻辑显然更为宽广。
机器人是AI直接作用于现实世界的一种典型形态，但更广泛的变化早已在不同产业里悄然发生，零售AI最终需要影响交易和履约，物流AI开始参与仓储与配送，工业AI进入生产流程，而机器人则把模型的判断进一步转化为物理动作。AI开始从生产信息，进一步参与真实世界的生产和服务过程。
这种判断也正在成为全球AI产业的底层共识。今年，英伟达持续强化物理AI布局，从Cosmos世界模型、Isaac仿真框架到GR00T机器人模型，联合ABB、FANUC、Figure等巨头推动技术进入电子装配与工业自动化场景。
物理AI正在从机器人领域的一个技术分支，延伸为AI切入现实生产系统、兑现生产力价值的唯一主航道。
进入物理世界，AI为什么反而更难？
大模型过去几年的快速进步，很大程度上建立在互联网已经积累的海量数字内容之上。网页、书籍、图片、视频和代码可以被持续用于训练；模型完成训练之后，又可以通过API快速部署到不同产品和用户。
但进入物理AI，Scaling Law（规模法则）开始遭遇著名的“莫拉维克悖论”——对AI而言，抽象的逻辑推理变简单了，但在复杂的现实物理世界里抓取一个物体、辨识一个微小障碍，却极其困难。
一个AI进入仓库，需要知道商品在哪里、库存如何变化、不同设备如何协同；进入工厂，需要理解物料、机器和生产流程；进入家庭，需要适配不同空间和硬件；进入机器人，则进一步涉及动作、力、环境反馈，以及不同本体之间的差异。
这也是为什么，物理AI的发展很难简单复制大模型过去几年的Scaling路径。英伟达曾将机器人开发面临的核心问题概括为“data gap”：互联网为大语言模型提供了丰富的预训练数据，但现实世界中的机器人数据数量有限、采集昂贵，大量极端场景也很难通过真实采集覆盖。
具体到产业落地，物理AI需要解决的问题可以进一步归纳为三层：有没有足够的数据学习，有没有足够的场景验证，以及验证成功之后能不能规模化。
这恰好对应了京东在JDD上提出的逻辑：数据让AI进化，场景让AI验证，供应链让AI规模化。
首先是数据。
数字世界的数据主要记录人类已经表达出来的知识，物理AI需要进一步理解人和物体如何运动、动作如何改变环境，以及任务在真实空间中如何被完成。这类数据的生产成本也更高。一段网页文本可以直接被模型读取，一项机器人任务却可能涉及摄像头、传感器、动作轨迹、力反馈等不同模态，还需要经过采集、标注、训练和真实环境验证。
京东选择把数据基础设施向现实世界继续延伸。目前，其具身数据体系已经覆盖“采、存、标、训、评、仿、测”全链路，并计划在两年内累计1000万小时真实场景视频数据。数据来源也从机器人本体数据，扩展到力触数据、仿真数据和人类第一视角操作视频。
数据之外，第二个壁垒是场景。
物理AI最终面对的是持续变化的现实环境，且容错率极低。一项能力在Benchmark或实验室里成立，并不意味着它进入仓库、工厂和家庭之后依然有效。
这也导致了物理AI与通用数字模型的根本差异：在数字AI中，模型通常先完成训练，再被部署到搜索、办公等场景；而在物理AI中，场景与模型之间的关系正在变得更深，场景本身就是AI能力继续迭代的一部分。
真实业务产生数据，数据进入模型训练，模型重新进入业务执行任务，执行结果继续形成新的反馈——数据、模型与场景之间由此形成持续循环的飞轮。
从这个角度看，京东在零售、物流、工业、健康和家庭积累的业务，多了一层AI时代的独特价值。以工业场景为例，京东披露其工业大模型JoyIndustrial累计调用量已超过10亿次，应用从工业知识理解进一步深入到Agent任务规划、工具调用和企业业务系统执行，并将执行结果重新反馈到系统中。
场景不仅是AI能力最终应用的地方，更是AI获取真实反馈、完成自我进化的物理闭环。
第三个壁垒是规模化。
在实验室里完成一次任务，与让大量设备在不同环境中长期稳定运行，中间还有很长的工程和产业链距离。AI进入现实世界之后，模型部署只是其中一个环节，硬件生产、零部件、渠道、物流、安装、维修和售后都会影响最终能否形成商业闭环。
因此，京东“云、数、模、端、场、链”这六个字里，最后的“链”尤其值得关注。
模型解决一项能力能不能实现，场景检验它能不能在真实环境中运行，供应链则决定这种能力能不能进入足够大的现实世界。
这也构成了物理AI更完整的一套产业壁垒：数据决定AI如何理解现实，场景决定AI如何适应现实，供应链决定AI如何规模化进入现实。
当竞争所需要的资源发生变化，大厂之间原有的AI优势排序，也可能随之改变。
物理AI，可能重新定义大厂的AI优势
随着物理AI将竞争变量拉入真实世界，京东过去二十多年积累的实体基础设施，获得了全新的解释空间。
相比许多主要运行在线上的互联网平台，京东的业务很早就深入了商品和服务的实际流通过程。从采购、库存、仓储到配送和售后，再到工业采购、健康服务、家电和智能硬件，大量业务都需要同时连接线上系统和线下履约。
这些能力过去主要服务于电商和供应链效率。进入物理AI阶段之后，它们还可能成为AI获得数据、训练和验证能力，并最终实现规模化部署的基础。
京东在JDD上提出“超级AI供应链”，核心也在于将这套实体网络与AI深度串接。从底层的云、数据和模型，到中间的Agent、开发平台和仿真工具，再连接机器人、家电、医疗器械、无人车等终端，最终进入零售、物流、工业、健康和家庭等实际业务。
机器人产业可以更直接地体现这种“超级AI供应链”的落地方式。
京东目前给自己设定的位置，并不局限于开发某一种机器人产品。按照此次JDD披露的规划，京东希望同时进入具身数据采集、机器人产业基地、核心零部件供应、零售渠道和维修服务等环节。
未来五年，京东计划布局80余个RoboBase；在供应链端，希望通过规模采购、C2M定制和供应链协同，将机器人本体BOM成本降低50%以上；在销售和服务端，则提出未来三年助力100个机器人品牌实现销售额超过10亿元，并建设覆盖全球100多个国家和地区的机器人售后服务网络。
这些布局背后，其实对应着物理AI产业未来尚未确定的问题：如果机器人最终成为一个足够大的智能终端品类，产业价值会如何分配？
PC产业成熟之后，价值分散在芯片、操作系统、整机、软件和渠道等不同环节；智能手机进一步形成了芯片、操作系统、终端品牌、应用生态和供应链的完整分工。如果机器人真正进入工厂、商场和家庭，同样需要模型、数据、核心零部件、整机、渠道、维修和服务体系。
目前，这个产业仍处于早期阶段，最终的产业格局远未形成。但对京东而言，参与物理AI的意义，也因此超出了推出某款机器人或者某个模型。
它正在尝试回答的是：当大量AI终端真正进入现实世界，一家拥有供应链和物理运营网络的平台，可以在其中占据什么位置？
这也是理解京东提出“全球最大的物理世界运营中心”的切口。
京东长期运营的是商品在现实世界中的流动。订单产生之后，背后连接的是采购、库存、仓储、运输、配送和售后，数字系统最终需要在现实世界完成履约。
物理AI让这套能力有了进一步延伸的可能。未来需要被规模化组织的，可能还包括AI如何获得真实数据、进入不同终端、在具体场景中完成任务，并通过供应链和服务体系持续运行。
AI下半场的竞争维度正在被物理世界重新定义，而这恰好是京东积累最深，也最擅长的战场。
图片来源｜AI生成
