宿遷的機器人導師軍團，正煉制千萬小時“數字燃料”

成千上萬居民，一邊做著家務或者干著農活，一邊參與全球規模最大的AI行動。這樣的事，現在每天都在江蘇的宿遷發生。

這些居民頭戴的數據采集設備，會記錄下他們擦桌子、炒菜、縫紉服裝、照顧老人、剪枝摘果等各種動作數據。人們可能并不完全了解這件事的價值，但它確實在解決具身智能產業的根本瓶頸——“數據荒”。

機器人學習的不是知識，而是經驗

過去幾年，中國機器人的硬件與運動控制技術——“小腦”發展迅猛。四足機器人攀爬山地、人形機器人跑馬拉松……在電機、減速器、關節控制等物理層面，中國企業交出了令世界矚目的成績單。中商產業研究院數據顯示，2025年中國具身智能市場規模約9150億元，同比增長20.4%，預計2026年將突破10900億元。

然而，硬件競賽的熱鬧背后，一個短板日益凸顯：機器人缺乏真正的“大腦”。那些能表演、能炫技的機器人，無法理解真實的物理世界，連擰瓶蓋、磕雞蛋這類基礎動作都做不好，遑論走進家庭與工廠。

問題的根源在于數據。訓練一個具備泛化能力、適配多場景的高質量具身大模型，行業共識是需要數千萬小時甚至上億小時的訓練數據。而現實是，全行業能獲取的具身相關數據集加起來不過幾十萬小時——差了足足兩個數量級。物理AI真機交互數據量，不足大語言模型的兩萬分之一。這不是單純的技術問題，而是一場結構性短缺。

更被低估的是數據質量與生產邏輯。許多人以為架幾臺攝像機拍下人類動作即可，但原始視頻對機器人訓練幾乎毫無價值——它只記錄了“發生了什么”，而機器人需要知道“怎么發生的”：手在哪里、物體在哪里、三維空間結構如何、動作意圖是什么……這些信息必須經過精密處理與專業標注，才能轉化為有效數據。

機器人學習的不是知識，而是經驗。 它需要知道如何抓起裝滿水的杯子、如何調整力度、如何在失敗后修正動作。這些人類長期積累的“操作經驗”從未被數字化。正是這一痛點，讓行業目光集中到一種此前被忽視的數據類型上——第一視角人類操作數據。

為什么巨頭都在爭奪“第一視角數據”

過去一年，第一視角（Ego-centric）人類操作數據，正在成為全球具身智能領域最稀缺的資源。英偉達、Tesla、Figure、1X等公司紛紛大規模采集人類操作視頻，用于訓練機器人的模仿學習（Imitation Learning）。

相比傳統互聯網視頻只能告訴模型“發生了什么”，第一視角數據能讓機器人理解“動作為何這樣發生”。它不僅記錄結果，還保留了視線移動、手眼協同、空間關系、動作修正以及長任務決策鏈——這些隱性信息，正是機器人形成泛化能力的關鍵。

英偉達今年提出的EgoScale框架，明確將大規模第一視角數據視為機器人訓練的核心基礎設施。研究發現，隨著這類數據規模持續擴大，Vision-Language-Action（VLA）模型的真實任務成功率會穩定提升。機器人領域正在出現類似大模型的數據規模定律（scaling law）：模型能力上限，取決于真實世界行為數據的規模與質量。

然而，這類數據過去幾乎不存在。實驗室的標準化數據無法覆蓋現實場景的隨機性——倉庫包裹每天不同，家庭環境不斷變化，布料會褶皺滑動。這意味著，具身智能最終競爭的，不只是模型能力，更是誰能持續獲得大規模真實場景中的第一視角人類數據。

為什么是京東做這件事

今年3月，京東官宣啟動人類歷史上最大規模的具身數據采集行動：兩年內動員超過10萬名內部員工、50萬外部協作人員，在宿遷就會有10萬人參與，完成1000萬小時無本體真實場景視頻數據，外加100萬小時機器人本體數據。

這背后真正的稀缺資源不是采集設備，而是場景。目前行業多數公司依賴實驗室采集或小規模眾包，難以持續獲得高頻、長流程、跨場景的人類操作數據。而京東的特殊性在于，它是中國少數同時擁有超大規模真實產業流、物流流與勞動流的平臺型企業：3600多個智能庫房、遍布全國的配送站、超萬家線下門店、20余萬家合作藥房，同時還是全國規模最大的家政服務公司，5萬多名家政人員服務千萬家庭——零售、物流、健康、家政、工業全場景覆蓋。

基于場景優勢，京東打造了全球首個采、存、標、訓、評、仿、測全鏈路具身智能數據基礎設施。

在數據采集端，JoyEgoCam通過車規級傳感器與4K鏡頭完成第一視角采集，即便在快遞分揀、貨物搬運等高速運動場景下，也能穩定記錄操作過程。

在數據處理端，原始視頻進入京東云AI數據湖后，會經過任務切分、語義標注、深度重建、手勢關鍵點定位等處理，最終轉化為機器人可直接學習的結構化數據。

治理完成的數據再接入京東云JoyBuilder模型開發平臺，模型訓練效率提升了3.5倍——過去訓練1億+數據的千卡訓練時間需要15小時，如今僅需22分鐘。

基于這套數據體系訓練的JoyAI-RA具身大模型，在仿真與真機測評中，任務執行平均成功率達到73.5%，超過英偉達GR00T N1.6、Physical Intelligence Pi0.5等行業頭部模型。

在宿遷，居民在家當“機器人老師”

5月20日，京東宣布全國首個具身智能數據采集社區已在宿遷正式運行。這是京東今年3月宣布建設全球最大具身數據采集中心以來，在具身智能數據基礎設施建設方面的又一重要進展，也標志著京東距兩年內積累超1000萬小時人類真實場景視頻數據的目標更進一步。

這座蘇北城市與京東的淵源可追溯二十余年。這里不僅是劉強東的老家，也是京東早期重要的客服中心與物流基地，宿遷積累了大量熟悉電商物流場景的勞動力，當京東的數據采集需求與宿遷的人力資源相遇，一種新的產業合作模式便自然生長出來。從電商中心、客服中心、物流樞紐、再到今天的具身智能布局，京東在宿遷投資已超過200億元。

在宿遷，參與數據采集的市民分布在各行各業，果園、服裝廠、康養機構……他們摘果子、折衣服、遞藥杯、搬貨，日常勞作被JoyEgoCam精準捕捉。這些市民成為真正的“機器人老師”，他們的真實行為動作為機器人提供了理解人類操作的優質“教材”。

這是一種雙贏：京東獲得高多樣性的真實場景數據；宿遷迎來一批全新數字職業——數據采集師、數據標注師、數據處理師、質量檢驗師，實現家門口的高質量就業。這也回應了社會關切的重要命題：具身智能并非只會替代就業，而是可以創造新職業、帶動勞動者共同成長。

更深層的意義在于，這是一條數字經濟時代的產業下沉新路徑：將前沿科技的基礎能力落地地方，與本地就業深度綁定，讓數據生產與價值收益實現本地化共享。宿遷繼電商物流之后，再次迎來關鍵發展機遇。這一模式未來可復制到更多城市，形成可規模化的數字經濟樣板。

不做封閉的數據王國：京東要當行業的“水電煤”

為了進一步提升數據規模，京東還推出了Real to Sim數據泛化服務：將真實人類動作轉化為仿真數據，再通過Sim to Real反向渲染生成逼真的機器人訓練數據，實現數據高效擴增。這意味著，機器人數據開始具備類似“自我繁殖”的能力。在整個過程中，數據基礎設施的重要性，開始超越單一模型本身。

京東收集的數據，并非只用于自身模型，而是以行業基礎設施的定位，為全行業提供數據支撐。京東具身智能數據交易平臺已正式上線，首批定向開放EgoLive高精標注數據集，這是目前業內質量最高的開源數據集：60FPS超高幀率，覆蓋300余個真實任務場景。

此外，京東還邀請合作伙伴匯入數據資源，共建規模化、標準化的數據生態。這種“搭臺”姿態指向一個更大的戰略雄心：成為具身智能時代的基礎設施提供商。

在這套生態體系中，上游是算法公司、AI芯片企業以及數據標注服務商；中游是各類倉儲機器人、配送機器人等硬件制造商；下游帶動系統集成、運維服務等相關產業。

與此同時，京東的產業落地多線并行。在零售側，JoyInside方案已與近200個家電家居、機器人、玩具品牌合作，2026年將助力機器人品牌伙伴銷售額突破百億元。在物流側，搭建機器人售后維修生態，機器人救護車服務覆蓋海內外，專業工程師團隊將擴至萬人規模。在工業側，打造一站式工業供應鏈服務，實現機器人制造物料100%覆蓋。

AI的關鍵戰場在物理世界

過去十年，AI的主戰場在數字世界——大語言模型用海量算力逼近認知邊界，卻終究是“旁觀者”：能寫出操作手冊，卻從未真正擰開過一個瓶蓋。

下一個十年，決戰將在物理世界。 或許正是因為這樣的判斷，京東在今年618啟動會上明確提出，將打造全球最大物理世界運營中心，推動AI從千行百業走進千家萬戶。

具身智能的使命，不是仿真“紙上談兵”，而是走進倉庫、工廠與家庭，在真實物理環境中感知、決策、行動。這需要的不是更多文本或圖像，而是人類從未被數字化的操作經驗——如何抓握、如何應對布料褶皺、如何在失敗中修正動作。這些經驗只能在真實場景中采集，并通過大規模、高質量的數據基礎設施，轉化為機器人的“肌肉記憶”。

當大模型企業還在算力與電價上內卷時，京東已將人、場景、真實操作數據作為核心生產要素，構建起連接數字與物理世界的產業護城河，將物理操作轉化為可計算、可復用的數字資產，讓機器人從“看懂”世界到真正“理解”。

當機器人掌握理貨、清潔、照護、配送等技能，它們將不再是實驗室里的炫技展品，而是承擔真實勞動的伙伴。而人，在訓練機器人的過程中，將日常經驗升華為驅動下一代AI的核心資產——這或許是人工智能從數字世界走向物理世界、與實體經濟和社會民生協同發展的最佳路徑。