henry 发自 凹非寺
量子位 | 公众号 QbitAI
沃德天，这是给我干哪来了？！
最近，有外国网友刷到了咱工博会上的巨型机器人，直接@马斯克，问老马下一步能不能把现实版高达也造出来。
马斯克回他，特斯拉Optimus机器人未来会造出《变形金刚》里的擎天柱。
从马斯克被网友@，到回复画饼，中间只隔了一个多小时～
咱不好说是世界首富冲浪太快，还是这台4.2米高、重达1.2吨的机器人，激起了马斯克的胜负欲。
但可以确定的是，这台由清卓动力研发的、名叫Neo1的巨型机器人，将要剑指矿山、深海等高风险作业场景。
看到这你可能会问，这么刁钻的场景，到底是谁找到的，又是怎么打通设计-制造-部署链路的？
答案就藏在Neo1背后展台的标志上——
京东工业。
在Neo1的合作中，清卓动力负责研发机器人，京东工业则提供供应链和终端客户场景资源，帮助匹配合适的工业场景，推动试点应用。
说白了，机器人公司负责设计机器人，京东工业则通过搭建零部件一站式平台帮大家造机器人，并尝试帮机器人找到活儿干。
而且，顺着这次合作看工博会上透露的消息，我们还发现，京东工业想做的远不止这些。
从辅助设计、识别物料和处理采购业务，到探索设备运维、视觉质检与安全巡检，京东工业正在把AI带进更多工业场景。
这就有意思了。
一家原本以供应链业务为基础的公司，为什么开始做工业AI？手里积累的商品、客户和供应商资源，又能在AI落地过程中发挥什么作用？
换句话说，京东工业如何把供应链的老本行，做成产业AI的新生意？
AI开始走向工业现场
先来看一组新动作。
10月13日，京东工业与AMD签署战略合作协议，计划推动JoyIndustrial工业大模型与AMD Ryzen AI Max系列处理器适配、协同优化，共同开发面向工厂、车间的AI终端。
双方瞄准的，是视觉质检、安全巡检、具身协作、设备运维，备件更换等工业现场场景。
乍一看，这好像就是AI应用公司和芯片公司的一次常规合作。但把场景换成真实工厂，事情就没那么简单了。
比如，AI要在车间里识别设备异常，总不能让工人在旁边干等着模型慢慢思考。它得看得懂设备、认得出物料、理解现场工况，响应速度还得跟得上作业节奏。
更何况，有些工厂Wi-Fi信号就不行，或者任务要求快速响应，不能事事依赖云端。于是乎，端侧部署就非常必要。
可问题又来了：模型能不能装进设备？算力够不够？成本划不划算？京东工业和AMD这次合作，就是要通过模型与硬件的协同优化，尝试解决这类问题——
不只是让AI能在现场运行，还要让它能理解现场正在发生什么。
同场发布的工业世界模型，瞄准的就是后一个问题。
据京东工业介绍，这款模型能够结合现场信息，理解设备、人员和周边环境的状态，进一步推演可能发生的变化。
举个例子：
工厂里，人员和车辆都在移动。模型可以根据双方的运动轨迹、空间位置等信息，提前判断是否存在碰撞风险，为现场安全作业提供预警。
不难看出，这类任务，显然不需要每次都调用一个庞大的通用模型。
京东工业也提出了自己的方案：工业大模型＋算力盒子。
京东工业AI与数据智能部负责人王宇辰介绍：“对于任务明确的细分场景，我们选择以轻量化的工业垂类模型为主，与AMD进行软硬协同优化，可以允许在现场的AMD边缘算力上，实现本地化推理，发挥硬件优势。这一路径在满足工业现场对低时延与确定性响应要求的同时，也显著降低了单位推理的算力成本。”
当然，这些面向工业现场的能力，还需要通过后续合作和部署验证。但在工厂之外，一些工业业务环节已经有了更具体的AI应用。
比如，工程师每天都要面对的绘图和选型。
今年9月，京东工业在JDD大会发布了一个叫「工业透视」的产品，尝试让AI辅助设计，并将设计结果与后续工业品选型、采购衔接起来。
其中的AI CAD，先从辅助设计下手。AI coding主要服务的是软件工程师，而AI CAD就是帮助工业研发工程师大幅提效的工具。
工程师输入一段自然语言描述，AI就能辅助生成设计；拿到已有工业设备的图纸或图片，也可以尝试解析出物料清单，再连接零件选型、报价与采购。
按照王宇辰给出的案例，一些原本需要约30分钟的简单绘图，可以缩短到1至5分钟。
这效率提升，还是挺直观的。
不过，更值得关注的，其实不只是画图快了多少。
过去往往是先设计，再选型、采购。现在京东工业想做的，是让供应链信息在设计阶段就参与进来。
毕竟，工程师画出一个产品，只是开始。后面还得考虑规格合不合适、配套部件能不能找到、是不是国产化、供应商有没有货，以及如何进入后续加工和装配。
如果AI在设计时就能获得这些信息，就有机会减少设计与采购之间的反复沟通。
这也是「工业透视」尝试将供应链服务入口前移的意义。看起来都不是什么惊天动地的大场面，但恰恰是这些具体任务，让工业AI不再停留在概念里。
接下来有意思的问题是：
为什么这些事情，京东工业能做？
一家供应链公司，怎样做工业AI
咱们先从一个最简单的零件说起。
AI看懂一张零件图纸，就算学会工业设计了吗？显然不是。
一个零件能不能用，除了形状，还涉及尺寸、公差、材质、配套关系，以及后续的采购和加工条件。
更麻烦的是，同一种工业品，在不同企业、不同供应商那里，可能连名称和参数的表达方式都不一样。
光能认出来还不够，AI还得知道这是什么东西、该怎么选、去哪里买，以及怎样接上后续业务。
这些知识从哪来？
恰好是京东工业的老本行。
作为一家长期连接工业供应商与企业客户的公司，京东工业在供应链业务中积累了大量商品参数、供应商资料和客户需求信息。
这些原本用于商品交易和供应链服务的信息，如今也成为建设工业AI能力的基础。
先看机器人零部件。
此次工博会上，京东工业还发布了机器人零部件一站式采购平台，覆盖选型、物料清单配套及代工服务。
据京东工业披露，已有超过500家机器人企业在京东采购零部件。开头那台Neo1所涉及的供应链支持、客户场景匹配，也与这样的产业资源有关。
不过，有数据不代表AI就能直接用。
工业商品信息的一个老大难问题，就是不标准。同一种商品，不同厂家可能有不同叫法；同一项规格参数，在不同资料里也可能采用不同表达。
人可以凭经验判断，大模型要准确理解并匹配这些信息，就需要更规范的数据和专业知识。
为此，京东工业持续推进商品标准化，并通过「百川计划」与产业伙伴共建专业数据和行业模型。
按照公司9月公布的资料，其工业行业模型已联合超过130家上游伙伴打造，覆盖六大行业，将商品参数、适用条件等专业信息用于工业大模型建设。
这些积累能干什么？
举个已经落地应用的例子。京东工业发布的工业AI眼镜，就可以辅助识别现场物料、铭牌，再与平台上的工业品信息匹配。
工程师在现场看到一个零件，可以通过眼镜识别实物、读取铭牌上的型号和规格，再与平台上的工业品信息匹配，辅助查找同款或替代品，减少人工查找和反复沟通确认的过程。
此外，工程师还可以通过语音查询选型、维保等工业知识。检修设备时，也能借助AR查看设备的三维结构和拆解示意，直观了解部件位置与拆装方法。
但随着AI进一步走向设计和现场作业，需要补充的专业知识也越来越多。
零件图纸、装配关系、工艺要求，以及企业自己的业务规则，都不是单靠商品数据库就能覆盖的。
京东工业也在发挥自己的优势持续找产业伙伴合作。
比如，德力西电气已经和京东工业打通产品数据，共同打造了低压电气模型，在导购场景中，用户对陌生商品选型决策时长缩短约70%；安全防护领域的PIP保威，计划与京东工业共建个人防护用品专业数据集，将商品信息、合规要求和具体工况结合起来，建设安全行业模型。
目标是让AI不仅能认得出低压电气和防护用品，还能根据实际作业条件，辅助匹配合适的产品。
看到这里，你可能已经发现了：
京东工业做工业AI，有一个和纯粹研发模型不太一样的切入点。先有供应链业务，再从业务痛点和需求里让AI解决问题。
但话说回来，懂工业知识，也只是第一步。
模型能告诉你应该采购什么零件，却没办法完成后续操作，那也只能算一个懂行的顾问。
要真正干活，还得接上企业的业务系统。
按照京东工业对JoyIndustrial 2.0的介绍，工业大模型负责理解商品和业务状态，上面的专业智能体产品负责规划任务、调用工具，再通过业务系统完成相应操作。也就是说，不只是回答「该怎么办」，还要尝试把任务往下执行。
目前，工业大模型已经用于京东工业内部供应链系统，也支持工品汇的AI搜索、工采等服务。
从商品数据，到行业知识，再到智能体和业务系统，京东工业正在尝试把这些能力接成一条链。
当然，能在自家业务里跑通，还不代表换一家工业企业也能顺利复用。
接下来，才是工业AI更难的一关。
从单点任务，走向更多企业
工业AI有一个挺现实的问题。
今天给A工厂做了一套方案，模型用得挺好，系统也接上了。结果到了B工厂，设备不同、数据不同、业务流程也不同。
完了，又得重新适配一遍。如果每进一家工厂，都要重新准备数据、训练模型、连接系统，那即使单个项目效果不错，规模化推广也会很难。
如何把一套方案从「定制项目」变成「可复用的产品」，是工业AI绕不开的问题。
京东工业的办法是依托其在工业客户侧的积累，找到标杆客户，在典型可复制场景里采集数据、训练模型，完成验证后，再将方案产品化、模型化，尝试推广给需求相近的其他客户。
需要看、识别、思考的任务，就让AI走进眼镜；需要移动、操作、执行的任务，就让AI走进机器人。
思路虽然并不复杂，但真正的考验在于：第一次做好的东西，第二次究竟能复用多少？
这也决定了后续交付成本能否降下来。
京东工业提出的「双飞轮」，就围绕这一逻辑展开：产业场景不断提供需求与反馈，模型能力持续改进，再反过来服务更多实际业务。
那么，现在效果怎么样？
京东工业已经披露了一些自身业务中的阶段性数据。按照公司2026年中期业绩公告，上半年AI增量GMV占重点企业客户GMV（商品交易总额）的6.5%，核心岗位人效提升16.6%。
这两项数据，分别反映了公司业务口径下AI带来的增量交易，以及内部效率改善的情况。
不过，这还不能直接说明，所有客户部署工业AI后，都能获得类似收益。
毕竟，企业最后关心的，还是一笔非常朴素的账：花多少钱，解决了什么问题，又省下了多少钱？
举个例子。一套AI采购系统上线后，采购效率提高了。但这份提升究竟来自AI，还是因为企业顺便优化了业务流程？
即便确定AI发挥了作用，算上部署、系统接入和后续维护的投入，到底划不划算？
这些问题不算酷炫，却直接决定了企业愿不愿意继续掏钱。
此次工博会上，京东工业与中国工业互联网研究院联合发布《AI赋能企业价值量化评估研究》，尝试用统一的方法，把业务改善、AI贡献和相关投入放到一起衡量。
最后，落到中小企业身上，这笔账还得算得更细。
平台把AI设计、选型、采购等能力做成产品，理论上可以降低企业单独开发的门槛。
但具体能省多少事，还要看企业需要准备多少数据、做多少系统适配，以及最终能产生多少可衡量的改善。
说到底，工业AI能不能规模化，不只是技术问题，也是一道商业题。
回过头看，从开头4.2米高的巨型机器人，到工程师桌上的零件图纸，再到企业日常的采购、收发货，京东工业尝试切入的场景，这里的差别其实还真不小。
但它们背后有一条相同的逻辑：
利用已有的商品、供应商、客户资源和供应链能力，为AI找到具体任务，再依靠京东工业的AI能力接入实际业务。
这也是京东工业区别于单纯大模型或者AI研发公司的地方。
它不需要凭空寻找所有场景，因为供应链业务本身就在不断接触企业的问题。
但拥有场景只是起点，真正决定这条路能走多远的，是能不能把一次次项目经验沉淀成产品，让下一家企业少走弯路。
对于工业AI来说，下一步最值得看的，或许也不是又发布了多少个模型、展示了多少段Demo。
而是当AI真的走进第二家、第三家、第一百家工业企业时，还能不能用得上、用得起，并且持续创造价值。
