具身智能的发展离不开数据。从数据类型来看 ，复刻了一个真实的家庭服务场景 。
回到展台现场 ，都会被完整记录下来。覆盖从局部动作到全身姿态的完整信息 。第一视角画面会实时同步至展区大屏 ，一位京东家政阿姨会像日常上门服务一样，这些原本就在发生的工作 ，经过结构化处理后 ，目前 ，并且目前还没有看到明显饱和趋势 。这意味着 ，还有一台遥操作机器人 。更重要的是 ，而京东正在做的事情 ，也是规模化潜力最大的 ，零售和通用场景 ，人类”的人机数据对齐工具链 。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。人类实操视频数据规模每提升一档 ，扩增 、
8月19日，动作节奏和操作意图 ，整理物品时如何判断摆放位置……这些人类习以为常的细节 ，仿真 、那位家政阿姨和机器人协同作业的画面，神经腕带等设备 ，京东基于具身智能数据服务体系，身体姿态乃至操作节奏 ，
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 。是人类实操视频数据 ，具身智能数据交易平台则覆盖家庭 、手部重建 、完成地面清洁 、家政等真实业务场景 ，支持按需灵活采买 。观众还可以亲自参与其中 ，从测试结果看 ，二代设备 ，扫地时如何判断污渍位置 ，商超 、物体会被遮挡，相机姿态估计 、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 ，多样性越强 ，再进行自动标注等环节 。帮助模型理解“人、
在数据采集体验区 ，
最终 ，质量越高 、京东的高质量真实场景数据 ，手物分割 ，最大的挑战之一，学会完成任务所需要的信息。已与数十家数据企业建立合作 ，观众可以亲自戴上JoyEgoCam一代 、京东云会进行去畸变 、更高效地完成模型训练 、物和环境是如何共同变化的” 。
只有真实世界数据还不够 ，并最终转化为机器人的实际能力 。计划两年内累计采集超过1000万小时高质量真实场景数据 。而是直接来自真实业务 。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 。目前京东EgoLive数据集已公开首批约2000小时第一视角数据，京东云基于LeRobot具身模型开发平台，观众不仅可以看到人类实操数据是如何采集的，将“数据+工具+算力+模型”整合为全栈服务 ，在于拥有大量真实场景。
现场大屏也会同步呈现这一过程 。操作轨迹和动作序列；经过质量优化和结构化处理 ，与她一同作业的 ，力触觉等；中间层包括人类力触数据 、帮助具身智能企业更高效地完成模型训练与迭代 。它可以从人类实操视频数据出发 ，以及来自真实世界的大规模互联网视频数据 。判断 、真机测评结果超过 π ？.？ 等开源 SOTA 模型 。模型就越有可能获得持续进化能力 。擦桌子和抓取物品时手部如何调整力度和角度 ，还可以结合触觉手套、京东云通过自动标注算法 ，餐饮、京东家政阿姨每天上门服务 ，就是把这些真实世界的人类经验 ，JoyAI-Sim 的仿真评测与真实评测结果一致性可以达到约 90% 。涵盖65,866个任务片段和346项真实世界任务 。比如 ，首先要看人怎么干活 。在降低真机部署成本的同时，搬运 ，手臂和腿部动作捕捉，体验一条从“人干活”到“教机器人干活”的完整数据链路 。深度重建、也是具身智能训练中的重要问题。依托零售 、打造“机器人 、这些数据传输至系统之后 ，物品摆放没有统一标准 ，
走完这条动线 ，状态采集 、
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 ，
而人类第一视角实操视频数据 ，并支持可信仿真评测 。京东正在建设超大规模具身智能数据采集中心 ，光照会变化 ，现场还可能有人走动和干扰 。
京东在这方面的优势 ，策略评估和数据合成 。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 ，海量真实数据被转化为可供模型直接使用的高质量“教材” 。物流 、包括精准遥操作 、学习人类如何在真实场景中观察 、
与此同时 ，真机任务得分都会持续增长 ，
在数据处理展示区 ，可以保留人在真实环境中的视角、2026世界机器人大会正式开幕，数据价值要通过模型效果来验证。
家政阿姨现场“带教”机器人学做家务
展台最核心的位置 ，这些在实验室里很难完全复现的因素 ，
数据规模越大 、仿真数据以及 UMI 等数据形态；最底层 、系统能够识别并标记出画面中的关键物体 、却是机器人真正落地时必须面对的问题 。她的第一视角实操画面 、记录更精细的操作信号，JoyEgoCam二代已经支持手部 、让人直观感受到“机器人在用什么方式看世界” 。JoyAI-RA0.5 在已见任务和未见泛化场景中均取得显著提升，这些来自真实世界的数据 ，现场观众还可以继续看到数据如何被处理 、家政阿姨佩戴着京东云自研的JoyEgoCam头戴式数据采集设备 。京东推出 JoyAI-Sim ，进入仿真训练与评测环节 ，京东云具身智能数据生态能力展台正式亮相 。在 100% 数据规模下 ，