在2026WAIC上，AI与真实世界的关系是讨论得最热烈的话题之一。经过四年多的爆发式发展，人工智能来到了新阶段，大模型从大语言模型阶段，跃升到世界模型时代，在智能体涌现、具身智能蓬勃的当下，能“搞懂”AI与物理世界的关系，成为人工智能下一阶段竞争的关键。

　　在WAIC期间举行的分论坛上，京东集团副总裁、京东探索研究院副院长段楠发表主题为“从数字AI到物理AI”的报告，阐述了人工智能的规模化演进。

　　在报告中，段楠提及，如今以及不久将来进入物理AI的重要性与必然性——回顾人工智能过去七十多年的发展，经历了四次技术浪潮。从最早的专家系统到统计学习，再到今天的深度学习和基础模型，整个演进可以看成在数据、算力和模型上的持续规模化。以基础模型为例，受益于互联网海量数据，像自建工具训练和强化学习后训练，以及现在从百亿、千亿到万亿的模型架构。现在基础模型包括语言、语音、多模等领域都取得了跨越式提升，体现出非常强的范化能力和跨任务的迁移能力。

　　他强调，“互联网数据仍是数字世界信息的载体，没办法让模型学习到如何真正交互和‘驾驭’物理世界，如果人工智能未来面向更高水平的通用性，必须从数字世界走向物理世界，涉及的技术就是物理AI。”

　　四个维度构成物理AI能力

　　在他看来，相比数字AI，物理AI对规模化提出了新的要求。第一，它需要做到物理数据规模化。物理AI不仅要从海量数据中学习通用常识知识，还要从蕴含着非常丰富的物理信息的真实世界数据中，学习物理规律和因果关系，比如三维空间结构、物理属性、运动轨迹等。

　　第二，它需要做到持续学习的规模化。它需要同真实世界交互中不断获得反馈，进行持续进化、持续调优。

　　第三，物理基础模型本身也要有新的进展。与数字AI不同，物理AI的特点是要对空间的理解重建，包括对物理规律的建模，对硬件的模拟、操作以及跨本体、跨任务和跨场景的泛化能力都要有很好的支持。

　　最后，是硬件协调需要规模化。不管是采集大量具身数据还是训练具身模型，最终把这些东西部署到本体上，都需要在机器人硬件和可穿戴设备上同步做到规模化的协同。

　　段楠总结道，Scaling Law（规模化法则）从数字AI走向物理AI后，不能再只关注数据、模型与算力，还要把硬件规模化纳入其中。数据、模型、算力和硬件，将共同构成物理AI能力持续提升的四个维度。

　　三个阶段，推进基础模型与具身模型研究

　　段楠表示，在整个物理AI大的趋势和浪潮下，京东探索研究院核心使命是构建自主可控的AI基础模型矩阵。重点推进多模态基础模型与具身模型研究，并将技术演进划分为三个阶段。

　　第一阶段，是数字智能阶段。主要以语言模型、代码模型、多模态模型为基础，让模型能够感知、推理、生成数字内容，并通过智能体的方式，自主完成数字世界的任务；

　　第二阶段，是附身智能阶段。把整个基础模型部署到包括手机、电脑、可穿戴设备、智能驾舱等各类终端，持续实时观测用户和环境，最终实现人与设备，设备和设备之间，非常实时自如地交互和协作；

　　第三阶段，是物理智能。说白了最重要是把模型部署到真实的物理硬件，让这些硬件感知世界，对这个世界的状态做预测，最终完成自主化的物理世界的任务。

　　“希望这样的模型，能够助力平台完成从数字AI到物理AI的技术跃迁，让人工智能技术覆盖零售、物流、工业、健康等核心场景，最终实现助力京东成为全球最大的物理世界运营中心的愿景。”他如此表示。

　　下半年，物理模型会有新进展

　　据了解，在图像理解编辑方面，今年4月，京东探索研究院推出并开源了Joy AI image Edit。该模型将图像空间理解与空间编辑整合进同一框架，并在相关空间感知评测中展现出与领先闭源模型相当甚至更优的表现。更重要的是，团队通过引入图像编辑能力反向提升模型的空间理解能力，初步验证了“生成辅助理解”的新范式。

　　6月推出的JoyAI-Echo则聚焦长程视频生成。该模型支持分钟级音视频联合生成，并围绕长视频内容一致性、多模态记忆、音画同步以及对话式交互进行创新，为后续的视频世界模型奠定技术基础。

　　同月开源的JoyAI-VL-Interaction是一款实时视频交互模型。它能够持续理解视频流，并根据环境变化和用户需求自主判断何时响应、如何交互，使多模态模型从处理单次输入，进一步走向对真实环境的持续感知。

　　在本次论坛上，段楠首次披露了JoyAI-Video-Edit实时视频编辑模型。该模型可对流式视频进行超过30 FPS的实时编辑。段楠表示，这类技术不仅是视频生成的重要方向，也可为附身智能中的全模态实时交互、具身智能中的大规模数据合成提供底层能力，相关技术报告将于近期开放。

　　最后，段楠透露，今年下半年，京东探索研究院将陆续发布一系列新成果：在数据规模化方面持续推出阶段性进展；在物理基础模型方面，计划于今年9月至10月推出最新模型。