先说几个核心判断。一个人站在货架前，戴上头戴设备，拿起一瓶饮料，看一眼标签，然后放回原位——这个动作在生活中再普通不过了。但几米外的大屏上，这一切正在被翻译成另一种语言：视线落点、手部轨迹、商品位置、抓取力度，以及任务是否完成。经过数据处理和模型训练，一台机器人伸出机械臂，开始学习同样的动作。

这是2026世界人工智能大会京东展区的一幕。

大会进入第三天，展馆里的机器人依然是当之无愧的人气主角。它们跳舞、递水、下棋，在聚光灯下完成一个个流畅动作。但看得越多，一个问题就越值得思考：走出展台，换一排货架、换一种商品，甚至只是光线发生变化，机器人还能不能把事情做好？

从完成一次演示到稳定执行任务，中间隔着的，远不只是一台机器人。人工智能走进物理世界，需要看懂环境、理解人的意图，也需要把判断转化为动作；既要有持续产生的真实数据，也要有承载模型的智能终端和支撑长期运行的计算基础设施。

在本届大会上，京东集中展示的并不是某个炫酷的机器人本体，而是一套完整的系统：JoyAI模型矩阵、具身智能数据全链路基础设施、JoyInside智能终端和京东云AI基础设施。与一些企业聚焦机器人本体或单一模型不同，京东试图回答的是一个系统性问题——如何把数据、模型、终端和真实场景连接起来，让人工智能在现实中持续学习、接受检验。

从“看懂”到“动手”

整理货架看似简单，对机器人却是一项复杂任务。它首先要看清商品与货架的空间关系，理解“把饮料放回原位”的指令；操作过程中，还要持续观察环境变化，判断什么时候抓取、从哪个方向接近，并根据结果调整动作。

围绕这条能力链，京东在展区集中展示了多款JoyAI模型：

• JoyAI-Image、JoyAI-Image-Edit着力提升图像和空间理解能力；
• JoyAI-VL-Interaction能够持续观察视频画面，根据现场状态判断何时回应；
• 此次亮相的JoyAI-Talker强化了低延迟、可打断的连续语音交互；
• JoyAI-RA则进一步将视觉观察和语言指令转化为机器人可以执行的动作。

这些模型对应着人工智能进入物理世界的不同环节：看见空间、理解变化、与人交流，最后完成行动。问题在于，单项能力不断提升之后，更重要的事情是让它们围绕一项现实任务连续运转起来。

把日常工作变成“教材”

机器人学习现实任务，首先要有足够多的现实经验。互联网可以为大模型提供海量文本、图片和视频，却很少记录一个动作使用了多大力度、物体发生了怎样的位移，以及任务最终是否成功。真机遥操作虽然能获得精确数据，但成本较高，也难以快速覆盖家庭、零售、工业等开放场景。

所以，问题就来了。京东选择从人类第一视角数据切入。

在现场展示中，体验者戴上自研采集终端JoyEgoCam，双手可以像往常一样整理商品、叠衣服或完成清洁任务。设备记录下第一视角双目视频和运动信息，再从中提取动作轨迹、空间结构和任务语义。依托这种方式，京东开源了EgoLive数据集——包含2000小时高保真双目视频、65866个任务片段，覆盖346项真实任务。

不过，视频并不会自动变成机器人的能力。数据上传后，还要经过清洗、对齐、标注和结构化处理，再通过仿真平台补充现实中较难采集的场景，最终进入模型训练和真机评测。从人类完成一次操作，到机器人学会完成任务，一条围绕现实经验的数据链正在形成。

从一台设备走向一个空间

离开数据采集展区，京东搭建的“AI Home”呈现了人工智能进入现实世界的另一种形态。这里没有一台机器人包办所有事情。台灯、床垫、电视、玩具和机器狗都保留各自的硬件能力，而JoyInside则负责帮助设备听懂语言、理解需求和调用功能。

一句“今天有点累”，不再只对应某个固定开关。床垫可以围绕睡眠需求调整支撑，灯光和其他设备也可以参与响应。人工智能由此不只是附着在单个产品上的问答功能，而是开始尝试协调多个终端共同完成任务。这才是更接近真实世界的状态——不是一台万能机器人，而是一群能协作的设备。