未来5年采购300万台机器人：京东启动物理AI加速计划，具身智能从展厅开进采购清单

11月4日的乌镇峰会机器人与具身智能论坛上，京东集团技术委员会主席曹鹏抛出了一组足以让整个机器人行业抬头的数字：未来5年，京东物流计划采购300万台机器人、100万台无人车和10万架无人机。这不是一份描绘远景的PPT，而是一张明确到数量、年限和应用场景的采购清单。当一家日均处理数亿件包裹的物流巨头把"物理AI"从技术研讨会的PPT里拽出来、写进自己的五年预算表时，具身智能行业讨论多年的那个问题——"机器人到底什么时候能真正上岗"——第一次有了来自需求侧的量化答案。

300万台机器人：京东把物理AI写进采购清单

按照曹鹏在论坛上披露的规划，京东正在推进具身智能数据采集中心建设，目标是在两年内累计采集超过1000万小时高质量人类真实场景视频数据，同时采集超过100万小时机器人本体运行数据。他将当前行业的竞争焦点概括为算力、数据与场景三个方面，并判断物理AI已开始规模化落地。这套组合拳的逻辑很清晰：一手用海量真实数据训练"机器人大脑"，一手用确定性的采购订单倒逼供应链成熟。

过去几年，具身智能领域最不缺的就是发布会和融资新闻，最缺的恰恰是采购单。人形机器人在展台上打太极、叠衣服的视频屡屡刷屏，但绝大多数产品仍停留在"能演示、难量产"的阶段。京东此次给出的300万台机器人、100万台无人车和10万架无人机的承诺，相当于给整个供应链装了一个需求锚——仓库分拣、包裹搬运、末端配送这些结构化程度高、任务边界清晰的场景，本就是机器人落地的最优试验田。用需求侧的确定性去换供给侧的成熟度，这笔账京东算得过来，整个行业也跟着有了扩产的理由。

两年1000万小时视频：给机器人"攒教科书"

比采购清单更值得玩味的是数据采集计划。语言模型之所以在几年内能力狂飙，靠的是互联网上现成的万亿级文本；而机器人没有这样的"互联网"——真机数据采集成本高昂，仿真数据又长期受困于虚实之间的差距。京东瞄准的1000万小时人类真实场景视频，本质上是在给机器人攒一套"观察式教科书"：人类怎么弯腰、怎么避让、怎么处理异形包裹，这些第一视角画面正是模仿学习最需要的养料。

再叠加100万小时机器人本体运行数据，京东实际上在搭建一个从"看人类"到"看自己"的数据闭环。对于一家坐拥全国性仓配网络的公司而言，把成千上万个真实工位变成数据采集现场，是其相较于纯机器人厂商的独特优势。这也解释了为什么越来越多的人相信，具身智能的赛点不在实验室的demo成功率，而在谁先建起可持续运转的数据飞轮——京东这次把飞轮的转速直接量化到了小时数。

从展厅到进博会：人形机器人站上量产前夜

同一天里，另一幕场景为这波具身智能热潮提供了注脚：特斯拉宣布以"富足非凡的世界，今日可见"为主题参展第九届进博会，带来新一代人形机器人，以及一款没有方向盘和踏板的赛博无人驾驶电动车。海外巨头用进博会这样的窗口展示其人形机器人产品线，与国内物流巨头抛出采购大单，发生在同一天，很难说是巧合——具身智能正在从"展厅叙事"切换到"交付叙事"。

当然，承诺兑现取决于机器人能否在真实产线上跑得动。未来两年，京东面临的将是交付、运维、成本控制的全方位考验，而供应商们要回答的问题同样具体：300万台的年化分解到每个月是多少台、良率能否爬坡、故障率能否压到商业上可接受的水平。这场大考的结果，会比任何一份行业白皮书都更能说明具身智能的真实成色。

Anthropic让Claude画芯片：AI公司开始向上游走

把视线从机器人拉回算力底座，另一条11月4日曝出的消息同样具有指标意义。据The Information报道，Anthropic已组建一支15人的芯片设计团队，并全面接入自家Claude大模型开展定制芯片的工程化设计工作。知情人士称，内部测试显示，依托Claude的辅助能力，芯片设计整体周期相比英伟达、AMD等传统头部企业的常规工作流程显著缩短，从架构验证到前端设计的时间成本大幅降低。若消息属实，Anthropic将成为全球首个把自研大模型深度落地到芯片设计环节的通用AI企业。

这条赛道上OpenAI同样布局已久。其首席财务官今年9月已明确将芯片设计列为重点新业务方向，定制芯片Jalapeño计划从2027年开始大规模部署；Anthropic的半导体团队则最早可追溯至今年8月，此后被曝与三星电子就代工合作展开初步谈判，并接触多家EDA初创企业采购设计数据集。与此同时，有消息称Anthropic计划于11月晚些时候启动IPO，估值有望达到1.5万亿美元。从"买算力"到"设计算力"，头部AI公司正在把产业链的话语权一点一点攥回自己手里。

代码公司易主与"套壳"验真：智能体基建暗战

智能体生态的基础设施也在同一天发生两起并购。OpenAI宣布收购代码管理工具开发商Pierre Computer，后者的Trees、Diffs等库已被Codex直接使用，交易将补齐OpenAI在代码探索、审查与存储环节的能力，金额未披露；Meta则确认收购2024年成立的AI编程初创公司Conductor，后者今年3月刚完成2200万美元A轮融资，其云服务将于11月20日关闭并整合进Meta的AI体系。一周之内两大巨头先后买下代码工具公司，编码智能体的入口之争已经烧到了GitHub的腹地。

另一场暗战关乎信任。Anthropic同日开源了基于零知识证明的可证明推理系统FlashProve：无需公开模型权重，即可证明某段回答确实出自所承诺的模型。在4000亿参数的MoE模型Llama 4 Maverick上，单张H100的证明吞吐约110 Token/s，每份证明约18.78MB，CPU验证约17秒，验真速度较此前开源方法提升约5000倍。其背景并不新鲜——斯坦福此前的抽查就发现，31个商业API端点中有11个的输出分布与官方权重参考存在显著差异，"套壳"乱象终于有了密码学层面的解药。资本层面，AI推理服务商Fal完成13亿美元F轮融资， Bessemer领投、英伟达与T. Rowe Price参与，估值达160亿美元，较4月的80亿美元翻倍，推理基础设施正在成为新的吸金赛道。

不太喧闹的支线：AI走进分子与像素

热闹之外，还有两条同样硬核的支线。中国科学技术大学周少华、熊鹏团队11月5日在《自然》发表了开源RNA序列基础模型structRFM：团队构建了约2100万条经计算注释的序列-二级结构配对数据，将结构知识融入大规模序列学习，模型在零样本同源性分类、二级结构预测上表现良好，并可支持剪接位点预测、内部核糖体进入位点识别与非编码RNA分类，完整配对数据、模型权重和源代码全部开放——AI for Science的又一块拼图落位。

微信视觉团队则开源了视觉模型WeVisOne-VL，用一个模型统一完成定位、计数、读字、分割与抠图，仅以约960万参数的小模块替代外接的SAM。更有意思的是它的"拒答"能力：当目标不在图中时，4B版本在Ref-ZOM测试中直接回答"没有"的比例达86.0%，而同类开源模型这一比例仅0.3%和1.3%——知道"没什么"，有时比急着"找到什么"更难。从物流仓库到芯片后端，从RNA折叠到图像分割，这一周的AI行业地图上，每条经线都在指向同一个方向：技术正在离开演示厅，进入真实世界的预算表。