在工業現場，每一次感知和決策所生成的詞元，都必須與真實的物理規律嚴絲合縫，任何“臟數據”或“幻覺詞元”的混入，都會在執行端被放大為不可承受的物理災難。

文｜王玉冰

ID | BMR2004

2026年，AI落地成為科技領域最炙手可熱的概念之一。

然而，對于工業場景而言，其落地遠比其他行業復雜得多。當AI走進車間、變電站、礦山等真實的物理場景，它所產生的海量工業數據，究竟如何才能在不泄露原始信息的前提下，實現價值的確權與交易？

在這一背景下，邊緣計算成為連接物理世界與詞元的關鍵基礎設施。通過在數據產生的邊緣側進行本地化推理與特征提取，不僅大幅降低了詞元傳輸成本，更使得敏感的工業數據能夠在不離開生產現場的情況下，轉化為可流通的高價值詞元。

針對以上問題，《商學院》對南京江行聯加智能科技有限公司（以下簡稱“江行智能”）董事長兼CEO龐海天進行了采訪。

01

99.9%的準確率遠遠不夠

工業確定性不是99.9%的準確率，而是在特定邊界條件下，系統行為與結果的可預測、可重復、可解釋，并且必須100%符合物理規律與工藝要求。

江行智能成立于2018年，致力于打造物理世界的智能操作系統，讓Agent真正活在工業場景中。

談到為什么聚焦工業這一垂直場景，龐海天指出，消費級機器人面臨的挑戰是在成本約束下實現足夠好的泛化能力與交互體驗；自動駕駛領域需要的是在開放動態環境中實現連續、實時的安全博弈；而工業現場面對的則是極端復雜性與超高確定性的雙重約束。

“環境非結構化、設備異構、工藝鏈路長，且往往伴隨高溫、高壓、電磁干擾等嚴苛條件，工業現場出現一次AI失誤，則可能直接導致生產中斷、設備損壞甚至重大安全事故，所以，它追求的不是良好，而是萬無一失。”龐海天認為，工業確定性不是99.9%的準確率，而是在特定邊界條件下，系統行為與結果的可預測、可重復、可解釋，并且必須100%符合物理規律與工藝要求。

具體而言，第一，時序的確定性，指令必須在精確的毫秒級窗口內被執行；第二，狀態的確定性，對設備狀態的識別和預測必須絕對可靠，不能有“可能是A，也可能是B”的模糊輸出；第三，因果的確定性，任何一個決策或動作，都必須有清晰的、符合工藝邏輯的因果鏈條支撐，不能是黑箱。

“工業AI的損失函數是物理世界的代價函數，而很多其他AI應用的損失函數是信息世界的體驗函數。”龐海天強調，消費互聯網AI犯錯的代價是用戶流失或廣告誤投，而工業AI犯錯的代價是真實的物理、能源和安全損失，是不可逆的。

據悉，目前江行智能的業務已深度覆蓋能源電力行業，客戶包括國家電網、南方電網、大唐集團等大型能源集團。

02

信任不是談出來的，是在設備旁蹲出來的

必須用極少的關鍵異常數據，結合海量的正常數據與物理機理模型，去構建可靠的認知系統。這就構成了工業領域AI建模的核心難點。

最難熬的不是技術研發的瓶頸，而是信任的建立期。

龐海天與記者談道：“早期，我們帶著AI方案走進電廠、礦山、電網，面對的是老師傅們懷疑的目光。工業領域講究可靠，而當時AI給人的印象是‘不穩定’‘黑盒子’‘花架子’。我們就用最笨的辦法，在設備旁一蹲就是幾個月，反復驗證、對比，用實際數據證明AI的感知比人眼更準、預測比老師傅的經驗更早。這個過程漫長、寂寞，且短期內看不到商業回報。”

龐海天提到，讓他堅定走工業場景物理AI這條路的時刻，不是簽下某個大單，而是一個微小的反饋。

“我記得是在一個火電廠的智慧巡檢項目上線半年后，一位運行班老班長私下跟我說你們這個‘電子眼’，比我們年輕人熬一晚上盯屏幕強，它不累，也不走神，我們心里踏實多了。那一刻我意識到，我們提供的不僅僅是一項技術，而是實實在在的安全感和確定性。”龐海天說。

他指出，互聯網數據是消費基因，是海量、易得、標注相對容易的用戶行為數據，而工業數據是生產基因，它具有四個層面的特征：第一是高價值與低頻率，一臺關鍵設備幾年才出一次嚴重故障，但那次故障的數據價值連城；第二是強關聯與弱呈現，一個異常可能由百米外另一臺設備的振動引發，數據間存在復雜的物理耦合關系，但表面上看不出來；第三是數據獲取條件嚴苛，數據往往來自高溫、高濕、高電磁干擾環境，獲取成本高，傳感器本身就可能是個工程難題；第四是知識壁壘高，數據背后是深厚的領域知識，沒有專家解讀，它就是一堆無意義的數字。

龐海天強調，這其中尤其棘手的是高質量故障數據的極端匱乏。“工業系統設計本身就是為了穩定運行，你很難獲得大量壞樣本。這就好比學醫，你不可能為了獲得病例而故意讓人生病。因此，必須用極少的關鍵異常數據，結合海量的正常數據與物理機理模型，去構建可靠的認知系統。這就構成了工業領域AI建模的核心難點。”

這也使得江行智能在早期推廣時面臨著是否能贏得客戶信任的困境。畢竟，消費級AI可以容忍一定的幻覺和冗余詞元，但在工業現場，每一次感知和決策所生成的詞元，都必須與真實的物理規律嚴絲合縫，任何“臟數據”或“幻覺詞元”的混入，都會在執行端被放大為不可承受的物理災難。

因此，龐海天意識到，要想打破這層疑慮，不僅要有數據層面的技術解釋，更重要的是用技術實際賦能到客戶的生產線上。

“第一步，選一個最痛、最具體的點，做出遠超人工水平的穩定表現；第二步，從一個點擴展到一條線，再到一個面，證明技術能夠融入現有生產體系，穩定運行，并且可管理、可運維；第三步，用價值共生深化客戶關系，當客戶發現系統不僅能發現問題，還能結合運營數據預測風險、優化策略，幫他們省下真金白銀、提升本質安全時，信任就從項目合作升維到了戰略協同，”龐海天向記者介紹道。

截至目前，江行智能已經服務了數千個工業項目，積累了每日10萬小時的實時生產數據。其發電行業數據入選國家數據局首批高質量數據集，并在超過500座電力場站實現了物理AI系統的規模化落地，其中200多座變電站、400多座電廠及新能源場站運行周期穩定，單站可減少80%的人工巡檢工作量，真正用時間和可靠性回應了工業客戶對確定性的嚴苛要求。

03

跨越三大工程鴻溝

智能體調度平臺真正做到了讓整個智能體集群在面對不確定性時，依然能保持整體任務的連續性和可靠性。

在工業物理AI領域，能夠識別設備狀態并不等于能夠做出正確決策并執行精準動作，這兩者間存在著巨大的鴻溝。

首先是從感知到決策的因果鴻溝。看得見是識別狀態，做得對需要理解狀態背后的物理因果鏈。比如，看到設備溫度升高，分析可能是故障。但做得對需要知道是冷卻水不足？是負載突變？還是傳感器漂移？不同原因對應的操作截然不同，甚至相反，這就需要將AI模型與物理工藝模型深度融合，形成可解釋的決策依據。

其次是從決策到執行的控制鴻溝。工業控制是毫秒級的實時閉環。如何將AI的決策指令，安全、平滑、無擾地注入到已有的PLC、DCS等硬實時控制系統中？這需要設計特殊的安全交互接口與緩沖仲裁機制，確保AI的建議能夠被傳統控制系統理解并安全執行，絕不能出現指令沖突或系統震蕩。

最后則是從單點到系統的穩定鴻溝。一個模型在實驗室跑得好，不等于在復雜工業現場7x24小時跑得穩。因此，解決模型在線自學習、數據漂移自適應、惡劣環境下的算力可靠性等一系列工程問題不可避免，這背后是龐大的邊緣計算軟件棧和系統工程能力，是無數個坑填出來的經驗。

為了應對這一挑戰，江行智能在今年3月推出了AI Agent Fleet智能體調度平臺。作為物理AI系統的“調度中樞”，AI Agent Fleet旨在解決工業現場多設備、多任務、多智能體之間的協同作業問題。該平臺以“一腦多體”為核心理念，即用一個統一的AI大腦，同時調度和管理包括無人機、機器狗、機械臂、巡檢機器人等在內的超過100種具身載體，讓它們像一支訓練有素的團隊一樣，分工協作、共同完成復雜工業任務。

當平臺接到一條高層指令，比如“對3號主變區域進行全面巡檢”，它會自動把這項任務拆解成多個子任務，包括高空紅外測溫、地面儀表識別、局部放電檢測等。然后它會根據當前有哪些可用設備、每臺設備具備什么能力以及它們實時的電量、位置和工作狀態，把子任務動態分配給最合適的機器人去執行。在執行過程中，平臺會持續監控進度和環境變化。如果某臺設備突然出現故障、路徑發生沖突或者出現新的異常，系統會實時調整任務分配，化解沖突。

在設備兼容方面，AI Agent Fleet采用標準化的接入框架，無論底層是無人機、機器狗還是固定式機械臂，只要遵循江行智能定義的設備模型和通信協議，平臺就能把它們統一映射為可調度單元，每臺設備的能力都可以被抽象成技能標簽，例如飛行、爬坡、抓取、測溫等等，平臺無須關心具體硬件差異，只需要根據標簽來匹配任務。

在動態分配任務時，平臺采用基于優先級和實時負載的調度算法，為每個子任務計算緊急程度、算力需求和時間窗口，同時實時收集各智能體的電量、位置、進度等信息，通過低延遲的邊端協同架構，在毫秒級內完成任務和設備之間的連接。一旦出現突發擾動，例如無人機因大風無法升空，或機器狗發現異常需要原地細查，平臺會立即觸發重調度，把原分配給故障設備的任務轉給附近空閑設備，或重新規劃剩余任務的順序，使它們不再是孤立的個體，而是能夠共享時空感知數據、協同執行復雜任務、動態應對突發擾動的有機整體。

AI Agent Fleet智能體調度平臺真正做到了讓整個智能體集群在面對不確定性時，依然能保持整體任務的連續性和可靠性，讓“一腦統管多類設備，協同完成規模化作業”成為現實，從而將工業智能化從自動化推向自主化。

“過去，單點智能解決了‘點’的問題，但工廠是一個網絡，設備之間是強耦合的。一臺鍋爐的優化運行，需要協調給煤、送風、引水等多個子系統；一個礦山的效率提升，需要調度挖掘機、卡車、破碎機整個鏈路。‘一腦多體’要解決的，正是這種系統級協同的痛點，打破信息孤島，讓來自不同品牌、不同協議的數據在一個大腦里形成統一態勢感知。”龐海天說。

04

扎根硬骨頭行業

依托平臺化優勢，拓展礦山、化工、軌交等高價值賽道，打造物理世界的“工業大腦”。

龐海天強調，江行智能的護城河，不在于某一項獨家算法，而在于用8年時間、數千個工業現場用血汗和故障喂出來的系統工程能力與領域知識壁壘。

“對電力、能源、礦山等重工業的工藝、設備、安全規程的深度理解，已經內化到我們的數據標注、特征工程和模型設計里。這是純算法團隊短期內無法復制的；我們擁有從云邊端協同架構、工業級軟硬件一體化產品，到現場交付、運維、迭代的全棧能力，知道如何把AI模型‘塞進’防爆箱，如何在無網絡環境下穩定運行，如何讓系統通過客戶的安規評審。這是無數個‘坑’填出來的經驗。”龐海天向記者介紹道。

面對行業內關于“通用機器人”的熱烈討論，龐海天認為，“大腦是通用的，具備統一的感知、認知、決策、調度能力，能理解多種任務意圖；軀體是專業的，可以根據不同的任務快速更換或配置不同的末端執行器、傳感器模塊、移動底盤。工業現場更需要的是可快速適應新任務的專用機器人，其通用性體現在智能和適應性上，而非機械結構的一刀切。”龐海天說。

這與江行智能“只做大腦，不做本體”的開放生態戰略一脈相承，龐海天提到，公司聚焦物理AI全棧基座研發，不與本體廠商競爭，而是與宇樹、云深處等伙伴達成深度合作，讓硬件載體也能具備工業級智能作業的能力。

在未來幾年，江行智能將鞏固電力能源領域的領先地位，持續優化迭代，讓技術適配更多細分場景；依托平臺化優勢，拓展礦山、化工、軌交等高價值賽道，打造物理世界的“工業大腦”。