9月9日，京东在北京举办JDDiscovery-2026全球科技探索者大会，主题定为“JoyAI·跃迁物理世界”。会上，京东公布了算力、数据、模型三条AI基建线的最新进展：其云业务已与摩尔线程等伙伴打造国产万卡集群，并规划建设十万卡集群；同步推进1000万小时人类真实场景数据采集，首批开源数据集EgoLive已对外开放；模型侧则发布实时可交互的世界模型JoyAI-Echo WM，在公开评测WBench Navigation中拿到81.6分。
这些动作放在一起看，指向的是同一种判断：物理AI要走出实验室，不能只靠一个更聪明的模型。机器人要理解环境、要做决策，还要长时间稳定执行，背后需要持续供给的算力、来源真实的数据，以及能把两者接起来的工程系统。
京东给出的答案是“超级AI供应链”，用云、数、模、端、场、链六个模块把算力、数据、模型与终端、场景连成闭环：场景产生数据，数据训练模型，模型驱动终端，任务反馈再推动迭代。这种“飞轮”并不新鲜，难的是让每一环都跑在真实业务里，而不是停在演示阶段。
真正的瓶颈往往出现在“用起来”这一步。十万卡集群建起来只是起点，如何把训练、推理和各类业务任务放到同一套资源体系里调度，如何让不同厂商、不同架构的芯片协同工作，决定了算力到底能转化出多少产出。京东选择与国产GPU厂商合作搭建集群，也说明自主可控不只是口号，而是要落到可运行的工程细节。
这正是星战科技在GPU算力平台与算力调度上持续投入的方向：把分散、异构的计算资源组织成统一资源池，让模型训练、世界模型推理和上层业务任务按优先级与实时负载被高效编排。京东用供应链场景喂出来的“飞轮”，与算力平台希望解决的其实是同一件事——让算力真正被用起来，而不是堆在机房里。
从物流“超脑”到工业大模型，京东同时把模型往垂域推。超脑3.0把端到端最优路径规划的求解时间从分钟级压到秒级，具身模型在多任务场景下的执行成功率达到96.7%。这些数字说明，垂域模型的价值在于把通用能力翻译成可交付的作业，而这需要底层算力持续稳定地托住。
物理AI的竞争，最终会回到三个朴素问题：算力够不够稳、数据够不够真、系统能不能长期跑。谁先把这三件事做成日常能力，谁就更接近规模化落地。京东这次把十万卡、千万小时和世界模型摆在一起，至少说明牌桌上的玩家已经开始按工程的方式算账。
