物界前沿京东的物理AI：从仓库到世界的闭环
这篇文章最有价值的信息是，京东在WAIC 2026上展示的并非一个孤立的机器人产品，而是一套从数字孪生到物理执行的完整闭环系统。当大多数参展商还在比拼算力集群的规模或大模型的参数数量时，京东把目光投向了供应链中最不起眼的角落——仓储分拣、末端配送、冷链搬运。这看上去像是“旧瓶装新酒”，但仔细拆解技术路线会发现，京东正在用物理AI重新定义“最后一公里”的效率边界。
对比两家公司的策略，能看清物理AI的两种不同演化路径。一条是Figure AI或特斯拉代表的“人形机器人通用平台”路线，试图用一个仿生形态包揽所有场景，从工厂拧螺丝到家庭叠衣服，核心逻辑是“通用性优先”。另一条是京东代表的“场景驱动专用智能体”路线，从物流场景中提炼出最刚需的物理交互任务，用定制化硬件加闭环算法逐步渗透。两者没有绝对优劣，但京东的路线更贴合中国产业界的现实——基础设施完善、数据积累深厚、回报周期要求明确。
京东的物理AI架构可以拆解为三层。底层是数字孪生平台，基于京东物流过去十年积累的数十亿条仓储运营数据，构建高精度仿真环境。这不仅是3D建模，而是引入了物理引擎的摩擦系数、物体碰撞形变、机械臂抓取时力反馈等参数。据公开资料，京东的仿真环境已能模拟超过200种商品包装形态的抓取成功率，误差率控制在3%以内。这意味着AI模型在数字世界完成训练后，部署到物理世界时几乎不需要迁移学习调参。这与英伟达的Isaac Sim平台思路类似，但京东的数据来源更垂直、更具体。
中间层是决策系统，不同于传统强化学习基于稀疏奖励的探索，京东采用了“分层强化学习+模仿学习”的混合架构。具体来说，对于高层的路径规划（如AGV小车在仓库中的最优路线），用强化学习求解；对于底层的精细操作（如机械臂抓取易碎品时的力度控制），用人类专家演示的轨迹数据做模仿学习。这种设计避免了纯RL在密集接触任务中的样本效率问题，也解决了纯模仿学习对长尾场景的泛化能力不足。在2025年的一篇预印本论文中，京东联合清华大学提出的“Contact-aware Residual Policy”方法，在抓取成功率上比基线模型提升了12.7%，同时推理延迟降低到8毫秒以内。
顶层是物理执行层，即京东展示的各类机器人——分拣AGV、六轴机械臂、无人配送车、以及正在测试的双足搬运机器人。值得注意的是，京东并没有强行追求人形，而是根据任务需求选择形态：仓库内使用轮式底盘加机械臂，户外配送使用四轮无人车，只有需要上楼梯或进入狭窄空间的场景才使用双足。这种“形态服从功能”的策略，让我想起波士顿动力在Spot之后推出的Stretch，但京东的规模更大——目前已有