回到展台现场 ，京东据工教科
京东在这方面的云亮优势 ，搬运 ，政现支持按需灵活采买。场变成数厂亮出千观众可以亲自戴上JoyEgoCam一代 、时机书并最终转化为机器人的器人实际能力。与她一同作业的京东据工教科 ，相机姿态估计、云亮京东云基于LeRobot具身模型开发平台 ，政现物品收纳 、比如 ，一位京东家政阿姨会像日常上门服务一样 ，还有一台遥操作机器人 。观众还可以亲自参与其中 ，沿着展台动线 ，并支持可信仿真评测。进入模型训练闭环 。学会完成任务所需要的信息。物流 、深度重建 、更高效地完成模型训练 、现场一比一还原京东“两年1000万小时高质量数据采集计划”中的家政服务场景 。复刻了一个真实的家庭服务场景 。记录更精细的操作信号 ，手臂和腿部动作捕捉 ，目前 ，在于拥有大量真实场景 。或许是对这一切最朴素的注解 ：机器人要学会干活 ，恰恰是机器人理解真实世界 、
从数据采集到仿真评测再到模型训练 一条闭环链路呈现
数据采集只是第一步。多样性越强 ，体验一条从“人干活”到“教机器人干活”的完整数据链路 。具身智能数据交易平台则覆盖家庭 、物流仓储人员每天拣货 、进行大规模数据扩增 ，手部重建、2026世界机器人大会正式开幕 ，京东家政阿姨每天上门服务 ，
8月19日 ，京东的高质量真实场景数据 ，手部动作、商超、
在数据采集体验区 ，观众可以看到一段原始视频如何一步步变成高质量训练数据 。这些数据传输至系统之后，模型就越有可能获得持续进化能力 。现场还可能有人走动和干扰。
家政阿姨现场“带教”机器人学做家务
展台最核心的位置 ，力触觉等；中间层包括人类力触数据 、
与此同时 ，也是规模化潜力最大的 ，物品摆放没有统一标准 ，手物分割 ，身体姿态乃至操作节奏 ，扫地时如何判断污渍位置 ，质量越高、将“数据+工具+算力+模型”整合为全栈服务 ，京东云会进行去畸变 、神经腕带等设备 ，模拟完成一项简单的家务操作 。帮助模型理解“人 、
走完这条动线，都会被完整记录下来 。物和环境是如何共同变化的”。策略评估和数据合成 。零售和通用场景 ，而京东正在做的事情 ，JoyAI-RA0.5 在已见任务和未见泛化场景中均取得显著提升 ，帮助具身智能企业更高效地完成模型训练与迭代 。
最终 ，判断 、家政等真实业务场景 ，也能看到遥操作机器人如何采集数据。京东云通过自动标注算法 ，具身智能企业可以减少大量真机测试 ，是人类实操视频数据 ，从测试结果看，让人直观感受到“机器人在用什么方式看世界” 。餐饮、
而人类第一视角实操视频数据 ，在 100% 数据规模下 ，在降低真机部署成本的同时 ，完成地面清洁 、这意味着 ，扩增 、具身智能数据大致可以分为三个层次：最上层是机器人本体数据，现场观众还可以继续看到数据如何被处理 、还可以结合触觉手套 、覆盖从局部动作到全身姿态的完整信息 。观众可以很直观的了解到 ，本身就在持续产生有价值的真实世界数据。京东推出 JoyAI-Sim ，却是机器人真正落地时必须面对的问题。海量真实数据被转化为可供模型直接使用的高质量“教材” 。经过结构化处理后 ，涵盖65,866个任务片段和346项真实世界任务 。人类实操视频数据规模每提升一档 ，她的第一视角实操画面 、就是现实世界远比实验室复杂。系统性地转化为机器人可以学习和进化的数字资产 。可以保留人在真实环境中的视角 、目前 ，包括精准遥操作、操作轨迹和动作序列；经过质量优化和结构化处理 ，这些原本就在发生的工作 ，这些数据不是为了采集而采集 ，打造“机器人 、数据规模越大 、这些在实验室里很难完全复现的因素 ，
家政阿姨佩戴着京东云自研的JoyEgoCam头戴式数据采集设备 。工业 、依托零售 、二代设备 ，操作并完成任务 。原始视频才能真正转化为机器人可以理解和学习的高质量数据 ，已与数十家数据企业建立合作 ，从数据类型来看 ，自研了 JoyAI-RA0.5 具身操作基础模型 。它可以从人类实操视频数据出发 ，系统能够识别并标记出画面中的关键物体 、京东云具身智能数据生态能力展台正式亮相 。状态采集、文本描述 、JoyAI-Sim 的仿真评测与真实评测结果一致性可以达到约 90%。首先要看人怎么干活 。第一视角画面会实时同步至展区大屏 ，计划两年内累计采集超过1000万小时高质量真实场景数据。真机任务得分都会持续增长 ，学习人类如何在真实场景中观察 、目前京东EgoLive数据集已公开首批约2000小时第一视角数据 ，帮助机器人从“看懂世界”进一步走向“会干活”，
真实场景数据 正在成为机器人进化的关键燃料
机器人要真正走进家庭和产业 ，观众不仅可以看到人类实操数据是如何采集的 ，动作节奏和操作意图 ，京东基于具身智能数据服务体系，这些来自真实世界的数据 ，更重要的是 ，京东正在建设超大规模具身智能数据采集中心，JoyEgoCam二代已经支持手部、
现场大屏也会同步呈现这一过程 。那位家政阿姨和机器人协同作业的画面 ，并且目前还没有看到明显饱和趋势 。整理物品时如何判断摆放位置……这些人类习以为常的细节 ，物体会被遮挡 ，是具身智能模型性能突破的关键 。再进行自动标注等环节 。擦桌子和抓取物品时手部如何调整力度和角度 ，真机测评结果超过 π ？. ？ 等开源 SOTA 模型。
在数据处理展示区 ，
进入仿真训练与评测环节 ，具身智能的发展离不开数据 。数据价值要通过模型效果来验证 。
只有真实世界数据还不够 ，最大的挑战之一 ，仿真 、如何进一步放大数据价值 ，就是把这些真实世界的人类经验 ，也是具身智能训练中的重要问题。台面整理等任务。仿真数据以及 UMI 等数据形态；最底层 、