近日举行的JDD-2026京东云大会期间a股股票怎样加杠杆，一场关于具身智能的讨论，在几杯咖啡旁展开。
智元、智平方、鹿明机器人、逆矩阵和京东探索研究院的五位嘉宾，一边品尝京东云与七鲜联合推出的“Token灵感拿铁”，一边讨论同一个问题：当机器人告别实验室里的精彩Demo，真正进入工厂、零售、物流和家庭，究竟还缺什么？
答案反复指向两个关键词：真实场景与高质量数据。
从算力、数据到模型，京东加码物理AI基础设施
当天，京东集团技术委员会主席、京东云总裁曹鹏公布了京东在算力、数据和模型三大AI基础设施上的最新进展。
算力方面，面向物理AI对实时响应、低延迟和高可靠的要求，京东云已与摩尔线程等合作伙伴打造国产万卡集群，并规划建设十万卡集群，为大规模模型训练和真实场景应用提供稳定支撑。
数据方面，京东云正在推进1000万小时人类数据采集行动，并建设覆盖“采、存、标、训、评、仿、测”的全流程具身数据基础设施，把人类在真实场景中的操作转化为具身模型可学习的数据“燃料”。首批开源数据集EgoLive已经对外开放，吸引超过8个国家、百所高校及科研机构申请使用。
模型方面，京东已经形成覆盖多模态模型、世界模型和具身模型的JoyAI基础模型矩阵。新发布的实时可交互世界模型JoyAI-Echo WM，在交互式世界模型公开评测WBench Navigation中获得81.6分，排名第一。
这三项进展指向同一个判断：AI正在从数字世界进入物理世界，而支撑这次跃迁的，不只是更强的模型，更需要稳定算力和来自真实世界的高质量数据。
五位嘉宾的共识：真实数据决定机器人能否持续创造价值
在2026京东云大会圆桌讨论中，五位来自具身行业的嘉宾分别强调了来自真实场景的高质量数据对于具身模型泛化能力的重要性。他们也形成了清晰共识：机器人从Demo走向产业，依靠的不是某个单点突破，而是能够在真实环境中持续运行、反馈和进化的系统能力。
智元联合创始人、联席总裁姚卯青认为，机器人需要在充满噪声和不确定性的环境中具备记忆、灵巧操作及失败纠错能力。这些能力的形成，离不开更高质量的训练数据与反馈闭环。
智平方联合创始人张鹏强调，Demo验证的是技术路线，规模化部署验证的则是商业价值。机器人只有能够长时间、稳定地工作，并持续为客户创造价值，才真正具备复制和规模化的条件。模型、硬件、生产、质量和售后缺一不可。
鹿明机器人创始人兼CEO俞超以柔性质检为例指出，方案进入真实产线后，第一次往往“跑不起来”，必须根据现场运行情况不断补充和调整数据，才能逐步提升可靠性。这说明真实场景不是模型训练的终点，而是持续迭代的起点。
逆矩阵创始人陈博远则提出，真实物理世界充满噪声，几何、材质、受力和约束等关键变量往往无法直接观测。在范式上需要回归到隐空间，抽象和学习物理的结构和状态转移过程；与此同时，真实场景数据的闭环和配套的物理AI基础设施变得更加重要。模型只有通过持续交互和试错，才能学习动作与环境变化之间的因果关系。逆矩阵在实践中发现，通用基模可以只在少量真机数据的微调下，便可展现出在不同机器人本体和场景间迁移和泛化的能力。
京东探索研究院图像与多模态实验室主任黄浩洋将具身数据分为仿真数据、人类操作数据和真机数据等不同层次：仿真数据适合规模化预训练，人类操作数据能够连接人的动作与机器动作，真机数据则用于后训练和精细化操作。不同数据并非互相替代，而是共同构成“数据金字塔”。
多元真实场景，正在成为具身智能的新壁垒
模型架构可能被快速追赶，但数据形成壁垒需要更长时间。2026京东云大会具身智能主题圆桌嘉宾提到，视频模型的经验已经证明，大规模、高质量数据及精细标注可以推动能力跃迁；同样的规律也可能在具身智能领域延续。
真正有价值的数据，不只是成功演示，更包括复杂环境、长尾任务和失败案例；不只是视觉画面，更包括动作、力度、触觉以及环境状态变化；不只是一次性交付，更要能够回流到模型中形成闭环。
这恰恰是京东的独特优势：长期扎根零售、物流、工业、健康和家政等实体产业，拥有丰富、多元且不断运行的真实场景。当这些场景通过标准化基础设施转化为可训练、可评测、可持续迭代的数据，京东提供的就不再只是“数据集”，而是具身智能进入现实世界所需要的持续燃料。
一杯“Token拿铁”喝完，答案也逐渐清晰：机器人走出Demo，表面上比拼的是本体与模型，背后真正决定其能走多远的a股股票怎样加杠杆，或许是能否获得足够多元的真实数据，并让数据、模型与场景形成持续进化的飞轮。
文章为作者独立观点，不代表正规的股票杠杆公司-股票网上开户-股票交易市场观点
相关文章
