Während KI in die physische Welt vordringt, warum hat JD Logistics einen „weniger glamourösen“ Weg gewählt?
In den 1990er Jahren wollte der Denver International Airport einst einen Flughafen der Zukunft bauen.
Der ehrgeizigste Teil ihres Plans war es, die Gepäckabfertigung vollständig von menschlicher Arbeit zu befreien: Vom Check-in-Schalter aus fahren automatische Fahrzeuge mit hoher Geschwindigkeit entlang unterirdischer Gleise und transportieren das Gepäck direkt zum entsprechenden Flugzeug.
Die Zukunft kam jedoch nicht wie geplant, sondern wurde zum Albtraum für den Flughafen.
Gepäck wurde falsch zugestellt, Fahrzeuge blockierten die Gleise, Pakete wurden eingeklemmt und beschädigt. Die Eröffnung des Flughafens wurde um ganze 16 Monate verschoben, und täglich fielen Zinsen und Wartungskosten von über 1 Million US-Dollar für einen leer laufenden Flughafen an.
Fast 30 Jahre später wiederholte sich die gleiche Geschichte im Tesla-Werk in Fremont.
Im Jahr 2018 entwarf das Tesla-Team einen komplexen Roboter mit Sichtsystem, um eine weiche Glasfasermatte auf die Oberseite des Batteriepacks zu legen. Der Roboter konnte die Matte jedoch oft nicht greifen oder legte sie an der falschen Stelle ab, was die gesamte Produktionslinie behinderte. Elon Musk stellte daraufhin eine grundlegendere Frage: Ist diese Matte überhaupt notwendig? Vergleichstests ergaben, dass sich das Geräusch im Innenraum des Fahrzeugs mit und ohne Matte überhaupt nicht unterschied.
Zwei Geschichten, die fast drei Jahrzehnte auseinanderliegen, haben im Kern dasselbe Prinzip: Wenn die Weiterentwicklung eines einzelnen Elements oder eines einzelnen Threads nicht mit dem gesamten System übereinstimmt, wird selbst die fortschrittlichste Technologie zu einer Belastung. Je leistungsfähiger die Maschine ist, desto effizienter ist die Produktion nicht unbedingt.
Heute wiederholt sich eine ähnliche Begeisterung im Bereich der verkörperten Intelligenz. Nach Daten von IT Juzi gab es im ersten Halbjahr 2026 in China 322 Finanzierungsrunden im Bereich der verkörperten Intelligenz mit einem Gesamtvolumen von etwa 935 Milliarden Yuan, was dem Fünffachen des Vorjahreszeitraums entspricht. Die aufregendsten Geschichten in der Roboterbranche spielen sich jedoch größtenteils in Laboren und Demonstrationsszenarien ab. In streng kontrollierten stabilen Umgebungen falten Roboter Kleidung, kochen Mahlzeiten und arbeiten in Fabriken – der Fortschritt scheint rasant zu sein.
Doch nur wenige rechnen diese Rechnung durch: Wie groß ist der Unterschied in den Anforderungen an Effizienz und Zuverlässigkeit zwischen Demonstrationsszenarien, Haushaltsanwendungen und industriellen Szenarien wirklich? Wenn die Anzahl der Aufgaben von einigen Dutzend auf 550 Millionen pro Tag ansteigt und die Umgebung von einer stabil beleuchteten Ausstellung zu einem Lager mit mehreren zehn Millionen verschiedenen SKUs, Paketen in allen erdenklichen Formen und ständig herumlaufenden Personen wechselt, wie viel Überzeugungskraft behalten diese sorgfältig inszenierten Demonstrationen dann noch?
Wie weit ist die physische KI tatsächlich vom "Knickpunkt" der realen Umsetzung entfernt?
Logistik: Das Übungsfeld, das physische KI zurück in die Realität holt
Auf der Welt-Roboter-Konferenz 2026 wurden Paketsortierung und Kistenförderung fast zu dem überfülltesten Ausstellungsbereich der verkörperten Intelligenz. Mehr als zehn humanoide Roboter sortierten Pakete einheitlich, und viele Besucher scherzten: "Es gibt zu viele Roboter, nicht genug Pakete zum Sortieren."
Die Begeisterung ist echt, aber diese Szenarien sind größtenteils verteilt, fragmentiert und nicht miteinander verbunden: Ein Roboter, der eine perfekte Sortierung auf einer Ausstellungsfläche durchführt, ist im Vergleich zur astronomischen Systemkomplexität der Logistikbranche in der realen Welt nur ein Tropfen auf dem heißen Stein.
Die reale Logistikumgebung stellt die physische KI auf eine dichte und intensive praktische Probe.
Wissen Sie, wie viele Pakete täglich in China unterwegs sind? Nach Daten des Staatlichen Postamts und von CCTV Finance betrug das durchschnittliche tägliche Paketaufkommen in China im ersten Halbjahr 2026 etwa 550 Millionen Stück. Während großer Werbeveranstaltungen wie dem 618-Einkaufsfest erreichte das maximale tägliche Aufkommen bis zu 777 Millionen Stück. Hinter 550 Millionen Paketen stehen 550 Millionen Abhol-, Transport-, Sortier- und Zustellvorgänge. Bei hochfrequenten physischen Aktionen wird die Fehlertoleranz auf ein Minimum gedrückt.
Gleichzeitig übersteigt die Komplexität der Logistikbranche die Vorstellungskraft der Menschen bei weitem.
Nehmen Sie JD Logistics als Beispiel, das für "integrierte Lagerhaltung + Lieferkette + Zustellung" steht. Nach Finanzdaten belief sich die gesamte verwaltete Fläche des Lagernetzwerks von JD Logistics bis Juni 2026 auf über 36 Millionen Quadratmeter, was etwa 5.000 Standard-Fußballfeldern entspricht. Darin sind mehr als 70.000 firmeneigene Transportfahrzeuge, 13 eigene Frachtflugzeuge, über 600.000 eigene Zustellmitarbeiter sowie mehr als 19.000 Zustellstationen und -stellen im Einsatz.
Gleichzeitig sind die abgedeckten Szenarien äußerst komplex: Inseln, ländliche Gebiete, Städte, grenzüberschreitende Lieferungen – die zu lösenden Probleme unterscheiden sich je nach Kontext vollständig, es gibt einen sehr hohen Grad an nicht standardisierten Abläufen, und Hunderttausende von Zustellern müssen dieses riesige System mit menschlicher Arbeit und Schweiß aufrechterhalten. Hier besteht dringender Bedarf an Entlastung durch physische KI.
Die Logistikbranche hat nicht erst seit dieser aktuellen Welle der physischen KI mit der Automatisierung begonnen. Bereits vor mehr als zehn Jahren wurden in der Logistikbranche nach und nach Förderbänder, Sortiermaschinen und Transportroboter eingeführt, wodurch 80 % der am einfachsten zu standardisierenden und am leichtesten zu automatisierenden Aufgaben erledigt wurden.
Die verbleibenden 20 % sind erst die echte "harte Nuss".
Zum Beispiel ändern sich in Bereichen wie der Warenauswahl und dem Stapeln nicht standardisierter Pakete ständig die Form der Gegenstände und die Arbeitsumgebung. Wenn ein Roboterarm ein Paket verfehlt, ein fahrerloses Fahrzeug auf ein Hindernis stößt oder ein Roboter das falsche Produkt greift, wirkt sich dies sofort auf die nachfolgenden Auslieferungsprozesse aus. Lager selbst befinden sich selten in einem idealen Zustand: In einem Lager können Hunderttausende von SKUs vorhanden sein, die Ausrichtung desselben Produkts ist nicht festgelegt, Kartons verformen sich, Weichverpackungen können herunterrutschen, und vorübergehend hinzugefügte Regale und Bodenstapel ändern die ursprünglichen Bewegungswege. Schwankungen der Bestellungen erhöhen die Betriebsschwierigkeiten weiter: Wenn Roboter für Spitzenzeiten konfiguriert werden, stehen viele Geräte im Alltag möglicherweise ungenutzt da. Wenn man nur das tägliche Aufkommen abdeckt, muss man Platz für menschliche Unterstützung in Spitzenzeiten lassen.
Alle nicht standardisierten Probleme summieren sich zu schwarzen Löchern, die die Umsetzung der physischen KI behindern und den Eintritt des Knickpunkts verzögern.
Die Branche bleibt nicht untätig. Viele Unternehmen für verkörperte Intelligenz strömen in die Logistikbranche: Zum Beispiel kündigte Starbot an, in mehr als zehn Logistikzentren von SF Express und China Post einzutreten und sich auf Bereiche wie Paketzufuhr und Sortierung zu konzentrieren; Jiushi Intelligent arbeitet mit Cainiao zusammen, um ein fahrerloses Fahrzeugteam für Transportaufgaben aufzubauen; während der autonome Be- und Entlade-Roboter von Senad sich auf Bereiche wie autonomes Entladen, Scannen von Codes und Stapeln konzentriert.
Darüber hinaus bietet JD Logistics ein ausgezeichnetes Beobachtungsbeispiel.
Es ist allgemein bekannt, dass durch die langjährige direkte Verwaltung von Lagern, Zustellung und Lieferkette die Personalkosten, das Lagernetz und die Ausrüstung von JD Logistics direkt in die eigene Kostenstruktur einfließen. Das bedeutet, dass jede Effizienzsteigerung von einem Prozentpunkt in jedem Umlaufprozess theoretisch direkt auf die eigene Gewinn- und Verlustrechnung wirkt – dies ist ein internes ROI-Validierungsfeld mit sehr großer Antriebskraft.
Vor kurzem, am 9. September, stellte JD Logistics auf der JDD JD Global Discovery Conference für Technologie den selbst entwickelten industriellen großen Modell "SuperBrain 3.0" vor und veröffentlichte und aktualisierte zudem eine Reihe neuer Produkte wie Yilang, die Niedrigtemperatur-Version von Zhilang, Canglang, die Gesundheitsversion von Mulang, die sechste Generation Plus von Dulang und Feilang L05. Damit wurde das gesamte Robotersystem der "Wolf-Familie" auf neun Kategorien und elf Roboter erweitert, die alle Bereiche der Lagerung, des Transports und der Sortierung in der gesamten Logistikkette abdecken – was eine perfekte Antwort für die Umsetzung der physischen KI in der Realität zu sein scheint. Aber ist das wirklich der Fall?
Um diese Kette zu verstehen, beginnen wir am besten mit der Reise eines Pakets.
Die Reise eines Pakets
Stellen Sie sich eine Szene vor: Sie durchsuchen Produkte in der JD-App, und noch bevor Sie die Zahlung bestätigen, sondern nur das Produkt in den Warenkorb legen, läuft das gesamte System von JD Logistics bereits an.
Zuerst greift "SuperBrain 3.0" ein: Es prognostiziert Bestellungen, analysiert den Lagerbestand, plant Routen und sendet dann Anweisungen wie ein Gehirn an das Nervensystem an jedes Gerät und jede Person, die in Lagern, Fahrzeugen und Zustellstationen verteilt sind.
Wenn man dieses System aus "SuperBrain" und der "Wolf-Familie" mit einem Menschen vergleicht, ist "SuperBrain" sein Gehirn, und die Roboter der "Wolf-Familie" sind sein Rumpf und seine Gliedmaßen. Das Gehirn denkt, prognostiziert Bestellungen, plant Routen und koordiniert Ressourcen; der Rumpf und die Gliedmaßen führen aus: Waren entnehmen, auswählen, stapeln und transportieren.
JD Logistics ist einer der Pioniere im Bereich der intelligenten Lagerhaltung in China. Bereits 2016 baute JD Logistics eine der ersten automatischen Lagerhallen der Branche, danach testete es schrittweise Geräte wie den "Dilang" AGV, den "Tianlang" Palettenroboter und die "Baomulang" Sortierwand. Im Jahr 2023 führte JD Logistics das "Zhilang"-System "Ware-zum-Menschen" ein und bildete zusammen mit der "Feilang"-Drohne und anderen Geräten die Roboterarmee der "Wolf-Familie".
Aus der grundlegenden Namensgebung der Roboter der "Wolf-Familie" geht hervor, dass JD Logistics von Anfang an nicht auf "Einzelkampf" setzt, sondern die biologischen Eigenschaften des Gruppenkampfs von Wölfen nachahmt, damit Roboter in allen Bereichen der Lieferkette eine Gruppenkooperation bilden. Unter der Koordination von "SuperBrain" übernehmen verschiedene Roboter unterschiedliche Aufgaben in Lagerhaltung, Auswahl, Transport und Zustellung. Der durch ihre Zusammenarbeit erzeugte Wert ist weit größer als die Summe der Arbeit jedes einzelnen Roboters.
Nachdem "SuperBrain 3.0" die Anweisungen gesendet hat, reagieren Rumpf und Gliedmaßen sofort. Danach wird das Produkt gefunden, entnommen, transportiert, sortiert, befördert und schließlich an den Verbraucher geliefert.
Der erste Schritt besteht darin, das Produkt aus dem Lager zu holen.
Früher mussten Lagerarbeiter an einem Tag 30.000 bis 40.000 Schritte im Lager zurücklegen, um die Produkte einer Bestellung aus den verschiedenen Regalen zusammenzusuchen. Das Aufkommen von Zhilang hat dies geändert. Als "Staffelteilnehmer" im Lager fährt der Roboter "Zhilang" entlang der Hochregale auf und ab, um Kisten zu entnehmen, während Bodenfahrzeuge für den Transport zuständig sind. Die beiden Geräte sind entkoppelt und erfüllen ihre jeweiligen Aufgaben. Seine größte Stärke besteht darin, eine Nettohöhe von 12 Metern für die Lagerung zu erreichen – während die meisten "Ware-zum-Menschen"-Produkte in der Branche nur eine Nettohöhe von 3 bis 5 Metern nutzen können.
Auf der Ebene der "Wirtschaftlichkeitsberechnung" teilten die Entwickler von JD Logistics 36Kr mit, dass das Team die Kosten pro Gerät und die Entwicklungspläne anhand der Bestellmenge, der Miete, der Flächeneffizienz und der Personaleffizienz berechnet und die Amortisationszeit von Zhilang auf zwei Jahre gedrückt hat. In der kapitalintensiven Branche ist eine Amortisationszeit von zwei Jahren erstaunlich kurz. Die Anforderungen der Logistikbranche an automatisierte Geräte betragen normalerweise drei Jahre – JD Logistics hat diesen Wert um ein Drittel verkürzt. Nach Daten von JD Logistics unterstützt das Zhilang-System derzeit täglich fast eine Million Bestellungen im internen Betrieb, und es wurde bereits erfolgreich in Übersee-Lagern in Großbritannien und Deutschland eingesetzt.
Übrigens gibt es in der Zhilang-Familie von JD auch einen "Kälte-resistenten Kämpfer". Auf der JDD JD Global Discovery Conference für Technologie am 9. September wurde die neue "Niedrigtemperatur-Version von Zhilang" vorgestellt, die sich hauptsächlich an Szenarien der Kühlkette richtet. In Kühlhäusern mit dauerhaften Temperaturen von minus 20 Grad arbeiten Arbeiter in dicken Winterjacken, ihre Effizienz beträgt weniger als die Hälfte von der in Lagern mit normaler Temperatur, und die Personalfluktuation ist sehr hoch. Die Niedrigtemperatur-Version von Zhilang bringt die Kistenlagerung in Kühlhäuser: Die Materialien wurden mit einer Vor-Schrumpfungskompensation ausgestattet, die Stromversorgung wurde auf ein kontaktloses drahtloses System umgestellt. Die Mitarbeiter wählen die Waren im Kühlbereich aus, ihre Effizienz nähert sich der von Lagern mit normaler Temperatur an, und sie sind vollständig von dem Arbeitsbereich im Tiefkühlraum getrennt – die Menschen müssen nicht mehr in die eiskalten Lager gehen.
Aber was ist, wenn die Produkte in normal