文｜王玉冰

ID | BMR2004

2026年，AI落地成为科技领域最炙手可热的概念之一。

然而，对于工业场景而言，其落地远比其他行业复杂得多。当AI走进车间、变电站、矿山等真实的物理场景，它所产生的海量工业数据，究竟如何才能在不泄露原始信息的前提下，实现价值的确权与交易？

在这一背景下，边缘计算成为连接物理世界与词元的关键基础设施。通过在数据产生的边缘侧进行本地化推理与特征提取，不仅大幅降低了词元传输成本，更使得敏感的工业数据能够在不离开生产现场的情况下，转化为可流通的高价值词元。

针对以上问题，《商学院》对南京江行联加智能科技有限公司（以下简称“江行智能”）董事长兼CEO庞海天进行了采访。

江行智能成立于2018年，致力于打造物理世界的智能操作系统，让Agent真正活在工业场景中。

谈到为什么聚焦工业这一垂直场景，庞海天指出，消费级机器人面临的挑战是在成本约束下实现足够好的泛化能力与交互体验；自动驾驶领域需要的是在开放动态环境中实现连续、实时的安全博弈；而工业现场面对的则是极端复杂性与超高确定性的双重约束。

“环境非结构化、设备异构、工艺链路长，且往往伴随高温、高压、电磁干扰等严苛条件，工业现场出现一次AI失误，则可能直接导致生产中断、设备损坏甚至重大安全事故，所以，它追求的不是良好，而是万无一失。”庞海天认为，工业确定性不是99.9%的准确率，而是在特定边界条件下，系统行为与结果的可预测、可重复、可解释，并且必须100%符合物理规律与工艺要求。

具体而言，第一，时序的确定性，指令必须在精确的毫秒级窗口内被执行；第二，状态的确定性，对设备状态的识别和预测必须绝对可靠，不能有“可能是A，也可能是B”的模糊输出；第三，因果的确定性，任何一个决策或动作，都必须有清晰的、符合工艺逻辑的因果链条支撑，不能是黑箱。

“工业AI的损失函数是物理世界的代价函数，而很多其他AI应用的损失函数是信息世界的体验函数。”庞海天强调，消费互联网AI犯错的代价是用户流失或广告误投，而工业AI犯错的代价是真实的物理、能源和安全损失，是不可逆的。

据悉，目前江行智能的业务已深度覆盖能源电力行业，客户包括国家电网、南方电网、大唐集团等大型能源集团。

最难熬的不是技术研发的瓶颈，而是信任的建立期。

庞海天与记者谈道：“早期，我们带着AI方案走进电厂、矿山、电网，面对的是老师傅们怀疑的目光。工业领域讲究可靠，而当时AI给人的印象是‘不稳定’‘黑盒子’‘花架子’。我们就用最笨的办法，在设备旁一蹲就是几个月，反复验证、对比，用实际数据证明AI的感知比人眼更准、预测比老师傅的经验更早。这个过程漫长、寂寞，且短期内看不到商业回报。”

庞海天提到，让他坚定走工业场景物理AI这条路的时刻，不是签下某个大单，而是一个微小的反馈。

“我记得是在一个火电厂的智慧巡检项目上线半年后，一位运行班老班长私下跟我说你们这个‘电子眼’，比我们年轻人熬一晚上盯屏幕强，它不累，也不走神，我们心里踏实多了。那一刻我意识到，我们提供的不仅仅是一项技术，而是实实在在的安全感和确定性。”庞海天说。

他指出，互联网数据是消费基因，是海量、易得、标注相对容易的用户行为数据，而工业数据是生产基因，它具有四个层面的特征：第一是高价值与低频率，一台关键设备几年才出一次严重故障，但那次故障的数据价值连城；第二是强关联与弱呈现，一个异常可能由百米外另一台设备的振动引发，数据间存在复杂的物理耦合关系，但表面上看不出来；第三是数据获取条件严苛，数据往往来自高温、高湿、高电磁干扰环境，获取成本高，传感器本身就可能是个工程难题；第四是知识壁垒高，数据背后是深厚的领域知识，没有专家解读，它就是一堆无意义的数字。

庞海天强调，这其中尤其棘手的是高质量故障数据的极端匮乏。“工业系统设计本身就是为了稳定运行，你很难获得大量坏样本。这就好比学医，你不可能为了获得病例而故意让人生病。因此，必须用极少的关键异常数据，结合海量的正常数据与物理机理模型，去构建可靠的认知系统。这就构成了工业领域AI建模的核心难点。”

这也使得江行智能在早期推广时面临着是否能赢得客户信任的困境。毕竟，消费级AI可以容忍一定的幻觉和冗余词元，但在工业现场，每一次感知和决策所生成的词元，都必须与真实的物理规律严丝合缝，任何“脏数据”或“幻觉词元”的混入，都会在执行端被放大为不可承受的物理灾难。

因此，庞海天意识到，要想打破这层疑虑，不仅要有数据层面的技术解释，更重要的是用技术实际赋能到客户的生产线上。

“第一步，选一个最痛、最具体的点，做出远超人工水平的稳定表现；第二步，从一个点扩展到一条线，再到一个面，证明技术能够融入现有生产体系，稳定运行，并且可管理、可运维；第三步，用价值共生深化客户关系，当客户发现系统不仅能发现问题，还能结合运营数据预测风险、优化策略，帮他们省下真金白银、提升本质安全时，信任就从项目合作升维到了战略协同，”庞海天向记者介绍道。

截至目前，江行智能已经服务了数千个工业项目，积累了每日10万小时的实时生产数据。其发电行业数据入选国家数据局首批高质量数据集，并在超过500座电力场站实现了物理AI系统的规模化落地，其中200多座变电站、400多座电厂及新能源场站运行周期稳定，单站可减少80%的人工巡检工作量，真正用时间和可靠性回应了工业客户对确定性的严苛要求。

在工业物理AI领域，能够识别设备状态并不等于能够做出正确决策并执行精准动作，这两者间存在着巨大的鸿沟。

首先是从感知到决策的因果鸿沟。看得见是识别状态，做得对需要理解状态背后的物理因果链。比如，看到设备温度升高，分析可能是故障。但做得对需要知道是冷却水不足？是负载突变？还是传感器漂移？不同原因对应的操作截然不同，甚至相反，这就需要将AI模型与物理工艺模型深度融合，形成可解释的决策依据。

其次是从决策到执行的控制鸿沟。工业控制是毫秒级的实时闭环。如何将AI的决策指令，安全、平滑、无扰地注入到已有的PLC、DCS等硬实时控制系统中？这需要设计特殊的安全交互接口与缓冲仲裁机制，确保AI的建议能够被传统控制系统理解并安全执行，绝不能出现指令冲突或系统震荡。

最后则是从单点到系统的稳定鸿沟。一个模型在实验室跑得好，不等于在复杂工业现场7x24小时跑得稳。因此，解决模型在线自学习、数据漂移自适应、恶劣环境下的算力可靠性等一系列工程问题不可避免，这背后是庞大的边缘计算软件栈和系统工程能力，是无数个坑填出来的经验。

为了应对这一挑战，江行智能在今年3月推出了AI Agent Fleet智能体调度平台。作为物理AI系统的“调度中枢”，AI Agent Fleet旨在解决工业现场多设备、多任务、多智能体之间的协同作业问题。该平台以“一脑多体”为核心理念，即用一个统一的AI大脑，同时调度和管理包括无人机、机器狗、机械臂、巡检机器人等在内的超过100种具身载体，让它们像一支训练有素的团队一样，分工协作、共同完成复杂工业任务。

当平台接到一条高层指令，比如“对3号主变区域进行全面巡检”，它会自动把这项任务拆解成多个子任务，包括高空红外测温、地面仪表识别、局部放电检测等。然后它会根据当前有哪些可用设备、每台设备具备什么能力以及它们实时的电量、位置和工作状态，把子任务动态分配给最合适的机器人去执行。在执行过程中，平台会持续监控进度和环境变化。如果某台设备突然出现故障、路径发生冲突或者出现新的异常，系统会实时调整任务分配，化解冲突。

在设备兼容方面，AI Agent Fleet采用标准化的接入框架，无论底层是无人机、机器狗还是固定式机械臂，只要遵循江行智能定义的设备模型和通信协议，平台就能把它们统一映射为可调度单元，每台设备的能力都可以被抽象成技能标签，例如飞行、爬坡、抓取、测温等等，平台无须关心具体硬件差异，只需要根据标签来匹配任务。

在动态分配任务时，平台采用基于优先级和实时负载的调度算法，为每个子任务计算紧急程度、算力需求和时间窗口，同时实时收集各智能体的电量、位置、进度等信息，通过低延迟的边端协同架构，在毫秒级内完成任务和设备之间的连接。一旦出现突发扰动，例如无人机因大风无法升空，或机器狗发现异常需要原地细查，平台会立即触发重调度，把原分配给故障设备的任务转给附近空闲设备，或重新规划剩余任务的顺序，使它们不再是孤立的个体，而是能够共享时空感知数据、协同执行复杂任务、动态应对突发扰动的有机整体。

AI Agent Fleet智能体调度平台真正做到了让整个智能体集群在面对不确定性时，依然能保持整体任务的连续性和可靠性，让“一脑统管多类设备，协同完成规模化作业”成为现实，从而将工业智能化从自动化推向自主化。

“过去，单点智能解决了‘点’的问题，但工厂是一个网络，设备之间是强耦合的。一台锅炉的优化运行，需要协调给煤、送风、引水等多个子系统；一个矿山的效率提升，需要调度挖掘机、卡车、破碎机整个链路。‘一脑多体’要解决的，正是这种系统级协同的痛点，打破信息孤岛，让来自不同品牌、不同协议的数据在一个大脑里形成统一态势感知。”庞海天说。

庞海天强调，江行智能的护城河，不在于某一项独家算法，而在于用8年时间、数千个工业现场用血汗和故障喂出来的系统工程能力与领域知识壁垒。

“对电力、能源、矿山等重工业的工艺、设备、安全规程的深度理解，已经内化到我们的数据标注、特征工程和模型设计里。这是纯算法团队短期内无法复制的；我们拥有从云边端协同架构、工业级软硬件一体化产品，到现场交付、运维、迭代的全栈能力，知道如何把AI模型‘塞进’防爆箱，如何在无网络环境下稳定运行，如何让系统通过客户的安规评审。这是无数个‘坑’填出来的经验。”庞海天向记者介绍道。

面对行业内关于“通用机器人”的热烈讨论，庞海天认为，“大脑是通用的，具备统一的感知、认知、决策、调度能力，能理解多种任务意图；躯体是专业的，可以根据不同的任务快速更换或配置不同的末端执行器、传感器模块、移动底盘。工业现场更需要的是可快速适应新任务的专用机器人，其通用性体现在智能和适应性上，而非机械结构的一刀切。”庞海天说。

这与江行智能“只做大脑，不做本体”的开放生态战略一脉相承，庞海天提到，公司聚焦物理AI全栈基座研发，不与本体厂商竞争，而是与宇树、云深处等伙伴达成深度合作，让硬件载体也能具备工业级智能作业的能力。

在未来几年，江行智能将巩固电力能源领域的领先地位，持续优化迭代，让技术适配更多细分场景；依托平台化优势，拓展矿山、化工、轨交等高价值赛道，打造物理世界的“工业大脑”。

来源｜《商学院》杂志5月刊