Mit dem Eintritt der KI in die physische Welt: Warum hat JD Logistics einen „nicht spektakulären“ 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 fuhren automatische Wagen mit hoher Geschwindigkeit entlang unterirdischer Gleise und brachten das Gepäck direkt zum entsprechenden Flugzeug.
Doch die Zukunft kam nicht wie geplant, sondern wurde zum Albtraum für den Flughafen.
Gepäck wurde falsch zugestellt, Wagen blockierten die Gleise, Pakete wurden eingeklemmt und beschädigt. Die Eröffnung des Flughafens verzögerte sich um ganze 16 Monate, und der Betreiber zahlte täglich über 1 Million US-Dollar an Zinsen und Wartungskosten für einen leer laufenden Flughafen.
Fast 30 Jahre später wiederholte sich dieselbe Geschichte in Teslas Werk in Fremont.
Im Jahr 2018 entwarf das Tesla-Team einen komplexen Roboter mit Sichtsystem, um ein weiches Glasfaserpad auf die Oberseite des Akkupakets zu legen. Doch der Roboter konnte das Pad oft nicht greifen oder legte es an der falschen Stelle ab, sodass die gesamte Produktionslinie ausgebremst wurde. Musk stellte daraufhin eine grundlegendere Frage: Ist dieses Pad überhaupt notwendig? Vergleichstests ergaben, dass der Geräuschpegel im Innenraum des Autos mit oder ohne Pad keinerlei Unterschied aufwies.
Zwei Geschichten, die fast drei Jahrzehnte auseinanderliegen, haben im Kern dasselbe Wesen: Wenn die Evolution eines einzelnen Elements oder eines einzelnen Threads nicht mit dem gesamten System Schritt halten kann, wird selbst die fortschrittlichste Technologie zu einer Belastung. Je leistungsfähiger Maschinen sind, 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 Wertes im Vorjahreszeitraum entspricht. Doch die aufregendsten Geschichten in der Roboterbranche spielen sich größtenteils in Laboren und bei Demonstrationen ab: In einer streng kontrollierten stabilen Umgebung 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 wenn die Umgebung von einem Ausstellungsstand mit stabiler Beleuchtung zu einem Lager wird, in dem täglich mehrere zehn Millionen verschiedene SKUs vorhanden sind, Pakete in allen erdenklichen Formen auftreten und ständig Menschen herumlaufen – wie viel Überzeugungskraft behalten diese sorgfältig inszenierten Demonstrationen dann noch?
Wie weit ist die KI der physischen Welt tatsächlich vom „Singularitätspunkt“ der realen Implementierung entfernt?
Logistik: Das Trainingsgelände, das die physische KI zurück in die Realität holt
Auf der Weltroboterkonferenz 2026 wurden Paketsortierung und Kistenhandling fast zu dem überfülltesten Ausstellungsbereich der verkörperten Intelligenz. Mehr als zehn humanoide Roboter sortierten einheitlich Expresspakete, und viele Besucher scherzten: „Es gibt so viele Roboter, dass nicht einmal genug Expresspakete zum Sortieren da sind.“
Die Aufregung ist echt, aber diese Szenarien sind meist verteilt, bruchstückhaft und nicht miteinander verbunden: Ein Roboter, der auf einem Ausstellungsstand eine perfekte Sortieraufgabe erledigt, ist im Vergleich zur astronomischen Systemkomplexität der realen Logistikbranche nur ein Tropfen auf dem heißen Stein.
Die reale Logistikumgebung stellt die physische KI auf die Probe mit hoher Dichte und hoher Intensität.
Wissen Sie, wie viele Expresspakete täglich in China unterwegs sind? Nach Daten des Staatlichen Postamts und von CCTV Finance lag das durchschnittliche tägliche Geschäftsvolumen von Expresssendungen in China im ersten Halbjahr 2026 bei etwa 550 Millionen Stück. Während großer Verkaufsveranstaltungen wie dem 18. Juni erreichte das maximale tägliche Volumen sogar 777 Millionen Stück. Hinter 550 Millionen Paketen stecken 550 Millionen Vorgänge der Abholung, des Transports, der Sortierung und der Zustellung. Bei diesen hochfrequenten physischen Aktionen wird die Fehlertoleranz auf ein Minimum gedrückt.
Gleichzeitig übersteigt die Komplexität der Logistikbranche die Vorstellungskraft der Menschen bei weitem.
Nehmen wir JD Logistics als Beispiel, das für die „Integration von Lagerhaltung, Lieferkette und Zustellung“ steht. Nach seinen Finanzdaten belief sich die gesamte verwaltete Fläche des Lagernetzwerks von JD Logistics bis Juni 2026 auf über 36 Millionen Quadratmeter, was etwa 5000 Standardfußballfeldern entspricht. Auf diesem Netzwerk sind über 70.000 eigene 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 in jedem Kontext vollständig, es gibt sehr viele nicht standardisierte Abläufe, und Hunderttausende Paketboten müssen mit ihrer körperlichen Arbeit dieses riesige System aufrechterhalten. Die physische KI wird dringend benötigt, um sie zu entlasten.
Die Logistikbranche hat nicht erst seit diesem aktuellen Hype um physische KI mit der Automatisierung begonnen. Bereits vor mehr als zehn Jahren hat die Branche nach und nach Förderbänder, Sortiermaschinen und Transportroboter eingeführt und damit 80 % der am einfachsten zu standardisierenden und am leichtesten zu automatisierenden Aufgaben erledigt.
Die verbleibenden 20 % sind die echte „harte Nuss“.
Beispielsweise ändern sich in Bereichen wie der Warenauswahl und dem Stapeln nicht standardisierter Pakete ständig die Form der Objekte und die Arbeitsumgebung. Greift ein Roboterarm ein Paket falsch, kollidiert ein fahrerloses Fahrzeug mit einem Hindernis oder nimmt ein Roboter das falsche Produkt, wirkt sich das sofort auf alle nachfolgenden Erfüllungsvorgänge aus. Auch Lager selbst befinden sich selten in einem idealen Zustand: In einem Lager können Hunderttausende verschiedene SKUs vorhanden sein, die Lagerposition desselben Produkts ist nicht festgelegt, Kartons verformen sich, Weichverpackungen können herunterrutschen, und vorübergehend aufgestellte Regale und Bodenstapel verändern die ursprünglichen Bewegungswege. Auftragsschwankungen erhöhen die Betriebsschwierigkeiten zusätzlich: Wenn man Roboter für Spitzenzeiten auslegt, sind in normalen Zeiten viele Geräte ungenutzt. Wenn man nur das tägliche Auftragsvolumen abdeckt, braucht man immer noch menschliche Mitarbeiter, um in Spitzenzeiten auszuhelfen.
Alle diese nicht standardisierten Probleme summieren sich zu schwarzen Löchern, die der Implementierung der physischen KI im Weg stehen und das Erreichen des Singularitätspunkts verzögern.
Die Branche bleibt nicht untätig. Viele Unternehmen für verkörperte Intelligenz strömen in die Logistikbranche: Beispielsweise gab StarDyna Era bekannt, dass es in mehr als zehn Logistikzentren von SF Express und China Post eingezogen ist und sich auf Bereiche wie Paketzufuhr und Sortierung konzentriert; Jiushi Intelligent arbeitet mit Cainiao zusammen, um eine Flotte fahrerloser Fahrer für den Transport aufzubauen; und der autonome Be- und Entladeroboter von Sainade konzentriert sich auf Aufgaben wie selbstständiges Entladen, Scannen von Codes und Stapeln.
Darüber hinaus bietet JD Logistics ein ausgezeichnetes Beobachtungsobjekt.
Wie allgemein bekannt ist, fließen aufgrund des langjährigen direkten Betriebs von Lagerhaltung, Zustellung und Lieferkette die Personalkosten, die Kosten für das Lagernetzwerk und die Gerätekosten direkt in die Kostenstruktur von JD Logistics ein. Das bedeutet, dass jede Effizienzsteigerung von einem Prozentpunkt in jedem Umlaufvorgang theoretisch direkt zu einer Verbesserung der eigenen Gewinn- und Verlustrechnung führt – es handelt sich hier um ein internes ROI-Validierungsfeld mit enormer Antriebskraft.
Am 9. September, auf der JD Discovery Global Conference, stellte JD Logistics sein selbst entwickeltes industrielles Großmodell „Super Brain 3.0“ vor und veröffentlichte und aktualisierte zudem zahlreiche neue Produkte wie den Yi-Lang, den Tieftemperatur-Version des Zhi-Lang, den Cang-Lang, die Mutter-Wolf-Gesundheitsversion, den Du-Lang 6. Generation Plus und den Fei-Lang L05. Damit wurde das gesamte Roboter-System 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 – es scheint die perfekte Antwort für die Ansiedlung der physischen KI in der realen Welt zu sein. Aber ist das wirklich so?
Um diesen Ablauf zu verstehen, beginnen wir mit der Reise eines einzelnen Pakets.
Die Reise eines Pakets
Stellen Sie sich ein Szenario vor: Sie durchsuchen Produkte in der JD-App, und noch bevor Sie die Bezahlung bestätigt haben, sondern nur ein Produkt in den Warenkorb gelegt haben – das gesamte System von JD Logistics hat bereits zu arbeiten begonnen.
„Super Brain 3.0“ greift als Erstes ein: Es prognostiziert Aufträge, analysiert den Lagerbestand, plant Routinen und gibt dann Anweisungen an jedes Gerät und jede Person in den Lagern, Fahrzeugen und Zustellstationen, genau wie das Gehirn Signale an das Nervensystem sendet.
Wenn man dieses System aus „Super Brain“ und „Wolf-Familie“ mit einem Menschen vergleicht, dann ist „Super Brain“ sein Gehirn, und die Roboter der „Wolf-Familie“ sind sein Rumpf und seine Gliedmaßen. Das Gehirn denkt, prognostiziert Aufträge, plant Routinen und disponiert Ressourcen; Rumpf und Gliedmaßen führen die Aufgaben aus: Waren entnehmen, auswählen, stapeln und umschlagen.
JD Logistics ist einer der Pioniere im Bereich der intelligenten Lagerhaltung in China. Bereits 2016 baute JD Logistics die ersten unbemannten Lager der Branche, danach testete es schrittweise Geräte wie den „Di-Lang“-AGV, den „Tian-Lang“-Palettenroboter und die „Amme-Wolf“-Sortierwand. 2023 stellte JD Logistics zudem das „Zhi-Lang“-Ware-to-Person-System vor, zusammen mit der „Fei-Lang“-Drohne, und formte so die Roboterarmee der „Wolf-Familie“.
Aus der grundlegenden Namensgebung der Roboter der „Wolf-Familie“ geht hervor, dass JD Logistics von Anfang an nicht den „Einzelkampf“ betont hat, sondern die biologischen Eigenschaften des Gruppenkampfs von Wölfen nachahmt, sodass Roboter in allen Bereichen der Lieferkette gemeinsam arbeiten. Unter der Steuerung von „Super Brain“ übernehmen verschiedene Roboter unterschiedliche Aufgaben in Lagerhaltung, Auswahl, Transport und Zustellung – der durch die Zusammenarbeit erzeugte Wert ist weit größer als die Summe der Ergebnisse, die jeder Roboter allein erzielen könnte.
Nachdem „Super Brain 3.0“ die Anweisungen gesendet hat, reagieren Rumpf und Gliedmaßen sofort. Als Nächstes muss das Produkt gefunden, entnommen, transportiert, sortiert, befördert und schließlich an den Verbraucher zugestellt werden.
Der erste Schritt besteht darin, das Produkt aus dem Lager zu holen.
Früher legten Kommissionierer an einem Tag drei- bis viertausend Schritte im Lager zurück, liefen hin und her, um die Waren für einen Auftrag aus den verschiedenen Lagerplätzen zusammenzustellen. Das Aufkommen von Zhi-Lang hat das verändert. Als „Staffelteilnehmer“ im Lager fährt der „Zhi-Lang“-Roboter entlang der Hochregale auf und ab, um Kisten zu entnehmen, während fahrerlose Wagen am Boden für den Transport zuständig sind. Die beiden Geräte sind voneinander entkoppelt und erfüllen jeweils ihre eigene Aufgabe. Seine größte Fähigkeit besteht darin, eine Lagerhöhe von 12 Metern zu nutzen – während die meisten Ware-to-Person-Produkte der Branche nur eine Höhe von 3 bis 5 Metern nutzen können.
Auf der Ebene der Wirtschaftlichkeit haben die Entwickler von JD Logistics gegenüber 36Kr angegeben, dass das Team anhand von Auftragsvolumen, Mietkosten, Flächen- und Personaleffizienz die Kosten pro Gerät und die Entwicklungspläne rückgerechnet hat, sodass die Amortisationszeit von „Zhi-Lang“ auf zwei Jahre gedrückt wurde. In der kapitalintensiven Logistikbranche ist eine Amortisationszeit von zwei Jahren erstaunlich kurz. Die üblichen Anforderungen der Branche an automatisierte Geräte liegen bei drei Jahren – JD Logistics hat diesen Wert um ein Drittel verkürzt. Nach Daten von JD Logistics unterstützt das Zhi-Lang-System heute täglich fast eine Million Auftragserfüllungen im internen Betrieb, und es läuft bereits auch erfolgreich in Übersee-Lagern in Großbritannien und Deutschland.
Nebenbei gesagt: In der Zhi-Lang-Familie von JD gibt es auch einen „Frostschutz-Kämpfer“. Auf der JD Discovery Global Conference am 9. September wurde die neue Version des „Zhi-Lang für Tieftemperaturbereiche“ vorgestellt, die sich hauptsächlich an Szenarien der Kaltkette richtet. In Kühllagern mit einer ständigen Temperatur von minus 20 Grad arbeiten Arbeiter in dicken Winterkleidern, ihre Effizienz beträgt weniger als die Hälfte der in Lagern bei Raumtemperatur, und die Personalfluktuation ist sehr hoch. Die Tieftemperatur-Version von Zhi-Lang bringt die Kistenlagerung in Kühllager: Die Materialien sind mit einer Vorspannungskompensation ausgestattet, die Stromversorgung erfolgt über ein kontaktloses drahtloses System, und die Mitarbeiter wählen die Waren im Kühlbereich aus – ihre Effizienz erreicht fast das Niveau von Lagern bei Raumtemperatur, und sie sind vollständig von dem Arbeitsbereich im Gefrierlager getrennt: Die Menschen müssen nicht mehr in die kalten Lager gehen.
