中國工業物理AI的真正優勢不在模型參數，而在全球12倍的工業機器人部署密度、兩倍的發電量和密集的5G邊緣節點——場景密度、基建底座和開源模型的合力，正在推動物理AI從實驗室走向規模化落地。

江行智能提出工業物理AI的三層模型，這套系統已在新能源場站和電網巡檢場景落地——覆蓋貴州、內蒙古等多地，核心算法準確率達99%。陳龍特別指出，工業場景下一個看似簡單的巡檢任務通常需要拆成100到200個子任務，這對AI的穩定性和可靠性提出了遠超消費級應用的要求。

以下為演講內容，經36氪整理編輯：

陳龍丨江行智能基模CTO

各位嘉賓、行業伙伴下午好，我是來自江行智能的具身基模CTO陳龍，我的分享題目是從感知環境到改變世界：物理AI的機遇、路徑和挑戰。

AI 的競爭已經從數字世界的模型參數之爭，轉向了真實物理世界的系統能力之爭。中國憑借獨特的五層產業基礎，正在成為全球工業物理 AI 落地的最佳土壤。江行智能通過打造全棧工業物理 AI 模型架構，已經在新能源、電網等核心領域實現了規模化部署，證明了物理 AI 從概念走向現實的可行性。

AI 競爭正在從模型競爭走向物理系統競爭

過去幾年，生成式 AI 在數字世界充分證明了自身價值，能夠完成內容生成、代碼編寫、智能問答等任務。但對于工業企業而言，真正的價值前線不在屏幕里，而在風電場、光伏電站、變電站、礦山、化工園區和生產車間這些真實的物理空間。

AI 正在經歷從 “生成答案” 到 “執行任務” 的關鍵演進。當 AI 走進工業現場，競爭的核心不再是模型參數規模或單點算法準確率，而是能否將人工智能穩定、可控、低成本地部署到真實物理世界。工業現場的任務從來不是 “看一張圖判斷有沒有異常” 這么簡單，它需要完成數據采集、環境理解、設備接入、任務規劃、執行反饋和閉環迭代的全流程。這意味著物理 AI 不是一個孤立的模型，而是一套能夠在現場持續運行的完整智能系統。

中國工業物理 AI 的五層基礎與三大結構性機會

為什么工業物理 AI 在中國擁有最好的落地條件？中國已經形成了其他國家難以復制的五層系統性基礎。

第一層是應用層。中國擁有全球最高密度的工業場景，工業機器人安裝量約為美國的 8.6 倍，過去十年增長了約 12 倍。真實場景越密集，“數據 - 模型 - 具身智能機器人” 的閉環就越容易形成。

第二層是模型層。以 DeepSeek、通義千問（Qwen）、Kimi 為代表的國產化開源模型追趕迅速，性能快速逼近行業最優水平，并已在全行業完成廣泛的垂直化部署，越來越貼近產業的實際需求。

第三層是基礎設施層。中國 5G 基站數量已超過 448 萬，全球占比超過 60%，同時新增發電容量也遠超美國。這使得我們在端側和邊緣側擁有更強的網絡與基建能力，能夠更好地支持物理 AI 設備的現場接入與實時交互。

第四層是芯片層。不可否認，我們在高端訓練芯片領域與美國仍存在差距。但這一挑戰也倒逼行業走上了更高效的技術路線，推動企業通過更優的模型結構、端邊協同和軟硬件聯合優化來最大化現有硬件的性能潛力。

第五層是能源層。當前中國發電量約為美國的兩倍，發電機組裝機量更是達到美國的三倍。充足且穩定的能源供給，為 AI 從云端訓練走向大規模現場部署提供了長期的底層支撐。

這五層基礎疊加在一起，使中國工業物理 AI 不只是有技術想象，更有真實的落地土壤。在此基礎上，我們總結出中國工業物理 AI 的三類核心結構性機會。

第一類是供給側底座機會。能源、網絡、基礎設施和邊緣節點的持續完善，為 AI 進入工業現場提供了長期可靠的支撐。

第二類是現場側閉環機會。高密度的工業場景、大規模的機器人部署和多模態傳感設備，讓物理 AI 能夠形成 “部署 - 采集 - 訓練 - 迭代 - 再部署” 的完整數據飛輪，這是其他國家無法比擬的優勢。

第三類是效率側路線機會。高端芯片的約束會推動行業走向更高效的模型、更強的邊緣智能和更深的軟硬協同，使工業物理 AI 更加注重低成本、可控性和可部署性。

江行智能的定位，正是把這些組合優勢組織成可部署、可復制、可持續迭代的工業物理 AI 系統。

江行智能全棧工業物理 AI 模型架構

工業現場的問題不能靠單一模型解決，它需要數據基礎設施、物理世界建模、行業大模型、應用框架、設備控制和安全機制協同工作。基于這一認知，江行智能打造了面向工業場景的三層全棧物理 AI 模型架構，圍繞工業物理 AI 對自主性、多模態、長任務和可靠性的核心需求設計。

數據與基礎設施層：JX-Phi World 雙輪驅動

作為整個架構的底座，JX-Phi World 采用 AutoEdge 和 AutoWorld 雙輪驅動的核心設計，解決模型訓練更快、落地更穩、成本更低的問題。

AutoEdge 負責真實工業數據的全流程處理，包括多模態環境數采、云端訓練、邊端推理、模型部署和 OTA 升級。它能夠持續采集真實現場的任務、設備、工況和反饋數據，同時通過邊緣側推理顯著降低網絡傳輸壓力與模型端到端時延。底層數據涵蓋了傳感器、熱成像、無人機巡檢以及低軌衛星遙感等工業現場的全維度信息。

AutoWorld 則是世界模型仿真和數據引擎。工業 AI 的一大痛點在于，很多關鍵異常并不高頻發生，但一旦發生就必須準確識別和可靠處置。真實工業數據通常只能覆蓋 90%-95% 的常規場景，對于極端天氣、突發事件等 5% 的潛在風險與極端工況存在數據缺口。AutoWorld 通過生成式 AI 與 3D 重建技術，模擬生成各類罕見場景和復雜任務過程，支持 Sim-to-Real 遷移，讓 AI 在仿真環境中把錯誤犯完，再部署到真實現場。

模型層：JX-Phi Brain 向工業場景 WAM 演進

JX-Phi Brain 是整個架構的核心大腦，正在向工業場景 World Action Model（WAM）演進，融合了三類核心能力。

第一類是空間視覺語言模型（S-VLM），解決 “感知 + 理解” 的問題。工業現場不是一張平面圖，而是包含設備、人員、空間關系、運行狀態和行業規則的動態環境。S-VLM 不僅能夠感知工業廠房的物理環境，還能理解各類傳感器讀數與環境參數，實現跨模態推理與工業場景建模。

第二類是長任務視覺語言動作模型（LT-VLA），解決 “感知 + 執行” 的問題。工業任務往往不是一步完成，而是多任務、多設備、多流程協同。LT-VLA 能夠感知現場環境約束與任務要求，將復雜工業任務拆解為一系列可執行的子任務，并實現自引導式的任務優化與動態調整。

第三類是行業垂類模型，把電力、化工、礦山等行業的專業知識融入模型，使模型能理解強規則、強約束、強安全要求下的真實任務。目前江行已經在電力、化工、礦山等行業支持超過 1000 個場站和點位的常態化數據采集，持續構建 “模型 + 數據” 的閉環。

應用層：JX-Phi Agent 通過工業 Harness 與一腦多體實現價值落地

模型本身不會自動創造產業價值，價值發生在模型被封裝成可部署、可調用、可監管的現場系統之后。JX-Phi Agent 應用層的核心是工業 Harness 和一腦多體控制兩大技術。

工業 Harness 負責把任務拆解、安全規范、工具調用、規則約束、異常響應和全程留痕組織起來。它讓模型不是自由發揮，而是嚴格在工業流程和安全邊界內運行，同時能夠整合行業知識庫與下游專用模型，對模型輸出結果進行自動復核，并支持專家人工審核介入。

一腦多體則是面向復雜現場的協同控制引擎。核心是一個參數量達 100B 的全局預控制器，負責跨工區的全局任務調度與管理。一個站端大腦，可以接入無人機、機械狗、輪式機器人、固定攝像頭、傳感器、機械臂等多種終端，實現任務分配、狀態同步、沖突消解和協同執行。目前該架構已在貴州山區電網、內蒙古沙漠光伏等復雜場景成功部署，實現了具身終端在客戶側的規模化應用。

四大關鍵技術支撐工業物理 AI 落地

為了支撐全棧架構的高效運行，江行智能在四大核心技術領域實現了關鍵突破。

第一項關鍵技術是動態可更新的工業場景底座。真實工業現場是動態變化的，一次性建好的三維模型很快就會和真實現場脫節。江行通過 TrackerSplat 技術解決了動態場景中的穩定重建問題，能夠在機器人移動過程中清晰抓取儀表盤等關鍵傳感器數據，有效過濾雨滴、電磁干擾等環境噪聲。同時通過 SizeGS 技術解決了弱網環境下的三維內容壓縮和傳輸問題，確保檢測結果與中間決策能夠穩定回傳云端大腦。

第二項關鍵技術是世界模型與物理推演。工業現場真實試錯成本極高，尤其在電力、能源、化工等場景，有些錯誤絕對不能在真實現場發生。江行通過世界模型把 “真實、仿真、真實” 組織成閉環訓練，讓機器人策略先在仿真中試錯、評測和迭代，再遷移到真實現場，大幅降低了落地風險和成本。

第三項關鍵技術是多模態感知與根因分析。江行融合了紅外熱成像、可見光、三維空間信息、設備狀態數據以及無人機、低軌衛星遙感數據，讓模型不僅能夠看到異常，還能理解異常發生在哪里、為什么重要、風險等級如何，以及下一步應該怎么處理。這實現了從 “缺陷識別” 到 “缺陷理解” 的跨越，為客戶提供真正可執行的運維決策。

第四項關鍵技術是 VLA 執行閉環與一腦多體協同。江行通過 DyGRO-VLA 技術和一腦多體系統，讓全局大腦完成語義理解、任務拆解、目標分配、路徑規劃和沖突消解，再由具身終端完成導航、避障、讀數、復核、操作和狀態回傳。與消費級具身智能的短任務不同，一個簡單的機械狗檢查設備讀數任務，在工業場景中通常要拆成 100 到 200 個子任務，還需要綜合考慮地形、氣候等環境因素。

兩大標桿案例驗證物理 AI 規模化價值

江行智能的全棧工業物理 AI 技術已在多個核心工業領域實現規模化落地，其中新能源風光場站和電網變電站是兩個最具代表性的場景。

在新能源領域，江行打造了風、光場站物理 AI 運維系統，實現了升壓站、光伏板區、風機區、周界道路等多區域的全域覆蓋，支持 7×24 小時全天候巡檢。系統已經在全國 600 + 站群級場景中驗證，能夠跨區域、跨站型、跨業主快速復制。傳統人工巡檢一個大型場站可能需要 30 天以上，而物理 AI 系統只需 2 天即可完成全站巡檢，徹底重構了新能源運維的效率。

在電網領域，江行的變電站物理 AI 智巡系統構建了中樞大腦、具身大腦和可控終端的協同體系，實現了空地立體巡檢和多終端協同執行。系統覆蓋站內 1 萬 + 高密度智巡點位，能夠在 4 小時內完成單次全站巡檢，核心算法準確率達到 99%，平均準確率達到 96%。目前該系統已覆蓋全國 27 個省份，在國家電網和南方電網體系中完成了 500 + 場景落地。

特別值得一提的是，江行開發的搭載機械臂的機械狗，能夠自主完成電表箱開啟、設備讀數讀取、簡單調壓操作等復雜任務，特別適用于狹小空間、高危區域等人員難以到達的場景。該設備采用端邊云協同架構，在機械狗本地部署了 8B 參數量的端側推理模型，同時結合邊緣與云端的算力資源，實現了高精度、低時延的作業能力。

江行智能作為工業物理 AI 的堅定實踐者，堅信物理 AI 已經從概念走向了現實。下一階段 AI 最重要的產業價值，不會只發生在屏幕里，而會發生在真實空間、真實設備、真實任務和真實生產力之中。

江行智能希望和更多產業伙伴一起，讓物理 AI 走進真實工業現場，從感知環境開始，真正用智能改變工業世界。

謝謝大家！