「麻烦你，帮我看一下。」
一副 AI 眼镜的价值，可能就藏在少说一次这样的话里。对于视障用户而言，他们需要的不是一个能闲聊的 AI，而是一个能精准感知环境、在关键时刻提供辅助的帮手。
在本次 JDD 京东全球科技探索者大会上，京东展示了接入 JoyAI-VL-Interaction 模型的 AI 眼镜。该设备通过第一视角持续理解周围环境，旨在为全盲及低视力人群减少「必须问人」的时刻。这副眼镜不仅是充满人文关怀的智能硬件，更是观察京东 AI 从数字世界走向物理世界战略的重要切口。
JDD 期间，京东发布并开源了 JoyAI-Echo WM 实时可交互世界模型，并带来了一整套面向物理世界的模型矩阵升级。从看懂环境到判断回应时机，再到预测行动后果，一副眼镜背后展开的是京东从屏幕走向真实世界的完整技术布局。
难点不在看懂，在什么时候开口
在可穿戴设备的场景下，传统聊天框的交互逻辑不再适用。当用户走在马路上，车辆倒车、台阶障碍、路人招呼等多重信息同时涌入，AI 必须具备自主判断能力：哪些需要立即提醒，哪些可以暂时忽略，何时介入才不会干扰用户。
过去两年，行业竞争焦点在于模型回答的准确性。然而在第一视角交互中，首要难题是「该不该开口」。传统方案通常采用「传感器识别 + 规则引擎 + 语言模型」的拼凑式架构，不仅环节多、延迟高，在复杂动态环境中极易出现误报或失语。
京东推出的 JoyAI-VL-Interaction 选择了截然不同的技术路径。
这是一个 8B 规模、以视觉为核心的交互模型，也是全球首个全栈开源的 interaction 模型系统。它在架构层面将感知、推理和交互决策融合于同一模型内，摒弃了外挂检测器和规则引擎的传统做法。
该模型能对持续视频流进行实时理解，自主决策发言时机，将响应速度压缩至亚秒级。面对需调用工具或深度推理的复杂问题，系统会异步委托后台 Agent 处理，确保前台交互不中断。
京东集团副总裁、京东探索研究院副院长段楠表示，这是全球首个开源且能实现真正实时自主交互的多模态理解大模型。在 58 项真人盲评中，其对比豆包视频通话助手胜率达 77.6%，对比 Gemini 胜率达 87.9%，刷新了流式交互模型领域的最佳效果。
这标志着 AI 范式从「被动问答」向「持续在场」的切换。AI 不再仅等待提问，而是主动决定何时说话、说什么，以及如何调度后台资源。这一由眼镜逼出的技术突破，正是京东探索研究院近年来在物理 AI 领域深耕的成果。
屏幕里的聪明，不够用了
当 AI 通过可穿戴设备持续凝视真实环境，其所需能力已超越单纯的图文理解。理解、生成、实时交互、世界建模与具身操作，缺一不可。否则，机器只能停留在屏幕内的「聪明」。
段楠博士指出，相比数字 AI，物理 AI 不仅需要物理数据的规模化，更需要持续学习的规模化、物理基础模型的突破，以及全新的硬件规模化协同维度。数据、模型、算法与硬件四轮驱动，方能走进物理世界。
这正是 JDD 期间京东集中展示 JoyAI 基础模型矩阵的逻辑起点。物理世界天然需要一整套协作的能力栈：
- 生成视觉内容（JoyAI-Echo LongVideo、JoyAI-Image-Edit）；
- 实时编辑视频（JoyAI-Video-Edit）；
- 语音交互（JoyAI-Voice 2.0、JoyAI-Talker）；
- 理解并模拟世界运行规律（JoyAI-Echo WM）；
- 落地机器人操作（JoyAI-RA）。
每个模块独立成章，组合起来则构成一条从「看见」到「动手」的完整链路。其中，JoyAI-Echo WM 尤为关键。
让 AI 先在脑子里把路走一遍
所谓世界模型，即让机器人在行动前，先在脑海中模拟「如果往前走三步、伸手拿杯子」的过程。若物理规则正确、碰撞检测真实，无需实际执行即可预判动作可行性。京东在这一方向的探索成果即为 JoyAI-Echo WM。
如果说视频模型侧重物理保真度（模拟世界如何运转），JoyAI-Echo WM 则侧重交互保真度（模拟人进入世界后环境的响应）。作为一个实时可交互世界模型，它能根据用户控制信号持续生成并动态调整画面与声音。在 WBench 导航评测中，其综合分达 81.7，交互得分 87.2，位居前列。
更关键的是，它生成的不仅是画面，环境声、音乐、语音均随画面同步演化，构建出一个可「走入」的沉浸式世界，而非播放即止的视频。
JoyAI-Echo WM 作为沉浸式环境的交互引擎，其技术根基源于 JoyAI-Echo 在长程视频多模态记忆、音画同步及后训练上的关键创新。
2026 年，世界模型赛道竞争加剧。京东的差异化优势不在于模型参数量，而在于手握仓库、门店、产线等真实的非标物理场景。能在这些无预设布景、无标准灯光的复杂环境中跑通世界模型，才是通往物理智能的真正门票。
从模型到真实世界：数据闭环和行业落地
基础模型矩阵是能力的心脏，而要走进物理世界，还需打通数据验证与真实业务两条管道。
在数据层面，京东同步展示了 EgoLive、JoyAI-Sim 和 JoyAI-RA 0.5 三项成果：
- EgoLive：目前开源标注规模最大的第一人称数据集，专注于真实世界任务导向型人类日常活动；
- JoyAI-Sim：仿真工具链，通过合成符合人类认知的数据，低成本评估机器人性能，补充极端或长尾场景；
- JoyAI-RA 0.5：通用视觉 - 语言 - 世界 - 动作（VLWA）框架，通过双重动作对齐机制，结合物理动态先验与视觉语义，实现跨异构数据的规模化操作学习。
EgoLive 收录了 2000 小时 60fps 的高保真双目视频，涵盖 65866 段数据、346 个真实场景任务，覆盖仓储、家庭、药房等多种环境。JoyAI-Sim 实现了仿真与真机表现 90% 的一致性，效率提升 3.2 倍。
JoyAI-RA 0.5 位于链条末端，从人类视频中学习物理动态，提升机器人在真实场景中的操作稳定性。三者串联，构建了「采数据→建仿真→跑真机」的完整管线。
在业务落地层面，JDD 展示了零售、物流、健康、工业、政务五大行业模型，直面订单、病历、图纸和设备等真实需求：
- 京医千询 3.0：在 HealthBench 双榜第一，具备自主阅片能力，3D 阅片准确率超 GPT-5.5 近 15 个百分点；
- JoyIndustrial 2.0：经受超 10 亿次工业调用，VisCAD 1.0 打通文生 CAD 图至零件装配全链路，核心设计任务准确率领先通用模型 15%；
- OxygenVLM 4.0：支撑图搜、素材质检等核心电商业务，物流超脑 3.0 与政务大模型亦深入各自业务流程。
AI 的用户，正在从人变成世界
纵观京东战略路径，清晰呈现为从数字智能到附身智能，再到物理智能的演进。
段楠系统阐释了京东对 AI 发展的判断：过去 75 年，AI 经历了专家系统、统计模型、深度学习及基础模型四次变革，本质是数据、算力和模型的规模化。如今，AI 正迈入第五次变革——从数字世界走向物理世界。
其路径明确：利用蕴含更多物理信息的数据训练全模态和具身基础模型，让模型与环境持续交互迭代，最终部署于各类物理硬件，辅助用户完成真实任务。
在此背景下，京东将技术体系划分为三部分：
- 数字智能：深耕内容理解，在数字世界构建模型能力基石；
- 附身智能：将 AI 模型部署于真实硬件，实现人与设备的自然实时交互；
- 具身智能：将模型部署于具身本体，让机器人协助人类完成生产生活任务。
京东的底气源自其独有的丰富业务场景、海量具身终端、真实操作数据及完整反馈闭环。段楠还公布了未来三年里程碑：
- 2026 年底：全模态实时交互模型达到世界顶级水准，夯实附身智能基础；
- 2027 年：完成具身数据集规模化采集，具身模型在通用能力及垂域场景实现世界领先并落地；
- 2028 年：JoyAI 基础模型矩阵广泛融入生活与生产，服务千行百业。
京东探索研究院打造世界一流 JoyAI 基础模型矩阵的目标，直指让 AI 从数字世界走进物理世界，助力京东成为全球最大的物理世界运营中心。
这一愿景背后，是采数据、建仿真、修机器、跑流程等看似笨重却不可或缺的基础工作。正是这种深耕真实业务的「笨重」，构成了京东难以复制的护城河。京东的模型从诞生之初便浸泡在仓储、物流、零售、健康等真实场景中，而非实验室的 Demo。
过去，AI 的用户是屏幕前打字的人，问题有边界，对话有终点。现在，AI 的用户变成了这个永不停歇、不断变化的世界。没有人出题，也没有交卷时间。
文章开头那副眼镜帮一个人看清了眼前的路，而京东想做的是让模型看清整个物理世界。从鼻梁上的一副眼镜，到全球最大的物理世界运营中心，这条路虽长，但方向已然清晰。