从“会表演”到“能干活”，机器人要走多远？
一个人站在货架前，戴上头戴设备，拿起一瓶饮料，观察标签，再把它放回正确的位置。
几米外的大屏上，这个生活中再普通不过的动作，被转换成另一种“语言”：视线落点、手部轨迹、商品位置、抓取过程，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。
单项能力不断提升之后，更重要的问题是，如何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。真机遥操作能够获得较为精确的机器人数据，但成本较高，也难以快速覆盖家庭、零售、工业等开放场景。
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。该数据集包含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、玩具和机器狗保留各自的硬件能力，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，而开始尝试协调多个终端共同完成任务。
据介绍，目前JoyInside已与近200个家电家居、机器人和AI玩具品牌开展合作，预计今年接入超过1000万台智能硬件。京东云则为模型训练、推理部署、版本更新和设备运行提供支撑。
当然，接入数量并不等于物理世界的智能闭环。不同设备能否协同，交互反馈能否在获得授权和保护隐私的前提下用于模型优化，仍需要长期探索。
在真实任务中检验价值
京东进入物理AI领域，有一个不同于单纯技术企业的起点。
每天，大量商品在仓库、配送站、门店和家庭之间流动，人员、设备和业务系统持续参与其中。零售、物流、工业、健康和生活服务等业务，为人工智能提供了大量真实、连续并且能够检验结果的任务。
这也是京东提出建设“全球最大物理世界运营中心”的现实基础：让真实场景产生数据，用数据训练模型，再让模型通过机器人和智能设备回到现实中接受检验。
展馆里的演示终会结束，现实世界中的任务却不会停止。人工智能能否真正从屏幕走向生产生活，最终要看的不是一次动作有多精彩，而是能否在复杂环境中稳定运行、持续改进，并创造实实在在的价值。