机器之心发布
算力上限，是物理 AI 落地过程中需要面对的现实约束之一。
但在 2026 世界机器人大会的具身智能商业落地论坛上，江行智能 CEO 庞海天给出了一个反直觉的观察：这个约束，恰恰在推动一条更依赖工程效率的技术路线。
在这场题为《一个大脑，多种本体：物理 AI 的工业落地之路》的演讲中，他将目光拉回到工业现场的真实约束：工业机器人安装量的规模、5G 基站的广泛覆盖、发电能力的充足供给 —— 当 AI 从模型走向物理系统，能否把 AI 稳定、可控、低成本地部署到真实物理世界决定了落地速度。
江行智能董事长兼 CEO 庞海天发表主题演讲
从数字 AI 到物理 AI：一场范式的迁移
庞海天首先厘清了生成式 AI 与物理 AI 的本质区别。
「生成式 AI 主要在数字空间中产生内容，而物理 AI 需要进入真实工业现场，理解环境、连接设备、执行任务，并在持续反馈中完成迭代。」
数字AI与物理AI
在庞海天看来，数字 AI 与物理 AI 是两种不同的技术范式：前者依托云端模型，产出内容、交互软件；后者要做现场感知、设备接入、任务执行和闭环迭代。当 AI 进入工业现场，最大的考验不再是模型的参数量，而是部署的鲁棒性与工程效率。
演讲中，庞海天系统梳理了支撑中国工业物理 AI 落地的关键要素：
- 高密度、长周期的工业场景提供了天然的验证场；
- 快速迭代的开源模型生态降低了技术门槛；
- 广泛覆盖的通信网络让物理世界的设备「可接入」；
- 充沛的能源供给构成了规模部署的底座；
- 而芯片层面的约束，则倒逼产业界探索软硬协同的效率路线。
用庞海天的话总结：中国工业物理 AI 的落地条件，来自场景密度、模型追赶、现场接入、芯片效率和能源底座的共同作用。这些共同塑造了一条差异化路径 —— 不靠堆算力，靠工程效率。
一个大脑，多种本体：物理 AI 的「双擎」架构
判断之后是解法。江行的答案是「一脑多体」，技术架构上体现为「双擎协同」：JX-Phi Brain 作为决策中枢，JX-Phi World 作为演进底座，二者构成从现场观测、模型推理到任务执行和结果回流的闭环。
JX-Phi 物理 AI 技术体系
庞海天给这套体系设定的验证场相当苛刻：让物理 AI 的价值，率先在容错极低的工业现场验证。
工业现场对机器人的要求，被总结为「四类极端挑战」，对应「四项核心能力」：
- 环境开放、空间高度异构，需要全域自主 —— 自主感知环境、拆解任务、规划路径、动态决策；
- 设备多元、状态实时异动，需要多模融合 —— 打通视觉、红外、点云、声纹、振动等异构信息；
- 多步骤、长流程作业，需要长程闭环 —— 具备时空记忆与多步规划能力；
- 容错极低、安全标准严苛，需要极致稳健 —— 通过规则约束、风险预警与异常自恢复保障可靠执行。
在模型层面，JX-Phi Brain 基于 Foundation Model 实现多模态感知与长任务执行，架构上采用多模态编码、共享 MoE 与残差 MoE 的混合专家设计，并以 Critic 模块结合世界模型对动作进行推演评估。值得一提的是中间的 Harness 层 —— 它负责「一脑多体协同控制」与「工业规程约束」。将 8 年来，千余座工业场景积累的行业 Know-how 转化为系统规则，连接模型能力与工业场景。
数据侧的 JX-Phi World 则由两个引擎支撑：AutoEdge 负责数据的 Geo-Hint 自动发现，AutoWorld 作为工业场景推演与预训练平台，承担长尾数据增广与工业世界模型生成 —— 用世界模型补足真实数据里最稀缺的极端工况。
这套「感知 — 理解 — 决策 — 执行」闭环的统一架构，向下适配域控服务器、机身智能模组与可控终端，驱动无人机、机器狗、双足、轮式、四足、人形等多类本体；向上覆盖电网、发电、化工、油气、储能、数据中心等泛工业场景。
产品矩阵：大脑、模组与「眼睛」
将技术架构转化为可落地的产品，江行智能围绕 JX-Phi 物理 AI 大脑构建了三类核心形态：
首先是具身作业机器人，包含轻量级与重载型平台，覆盖从智能巡检到复杂作业的完整谱系，支持模块化负载，实现一机多用。
其次是具身 AI 控制器，被形象地称为机器本体的「工业任务能力舱」。它集成了物理 AI 大脑、空间感知、导航定位与视觉识别能力，通过标准接口快速适配不同本体，支持分布式部署与端侧推理，为存量机器人提供了低成本的智能化改造方案。
最后是OmniSight S4 感知载荷，一台微型四光三轴云台相机 —— 内置双 4800 万像素可见光相机、640×512 红外热成像和激光测距模块，IP66 防护，可挂载于各类机器人和移动巡检平台，支持 UDP、UART、MAVLink 2.0 等开放协议，为机器人提供一双「火眼金睛」。
江行具身终端产品
这三类产品对应着三种灵活的落地路径：整机直接交付、存量本体加装模组、感知能力独立增强 —— 本质上是把「一个大脑」拆解成可以按需嵌入工业现场的标准化组件，极大地提升了部署的灵活性与效率。
价值验证：在容错极低的现场「算清账」
演讲中最有说服力的部分，是两组来自真实场站的落地成果。
在电网侧，江行智能的变电站物理 AI 智巡系统已实现广泛覆盖，在大量变电站实现长期自主运行。部署该系统后，人工巡检频次得到大幅优化，人均管理效率显著提升，有效解决了电网运维中人力成本高、安全风险大的痛点。庞海天特别指出，庞大的存量变电站市场为物理 AI 提供了广阔的改造空间，其单站改造成本具备明确的经济性，是一条清晰可期的规模化路径。
在新能源侧，物理 AI 运维系统在众多风、光场站同样实现了长周期稳定运行。系统的识别精准度与任务执行成功率均保持在高位，直接推动了劳动生产率的跃升。这些成果覆盖了国内主要的发电集团，证明了物理 AI 在新能源运维场景的适配性与可靠性。
支撑这些场站数据回流的，是位于贵安新区的数采与算力中心 —— 依托贵州「东数西算」枢纽地位，打通「现场采集 — 贵安训练 — 全国部署」的迭代闭环。这条数据管线，让每一个新增场站都成为模型进化的养料。
路是走出来的
当行业还在争论「大脑优先」还是「本体优先」、人形机器人何时进厂打工时，庞海天给出的路径相当克制 —— 不赌某个单一形态的爆发，而是用一个跨本体的大脑驱动所有形态，让技术价值在容错最低、要求最苛刻的工业现场先行验证。八年、千座场站、头部行业的规模化数据，构成了这条路径目前的注脚。
物理 AI 的终局或许还很远，但正如这场论坛反复印证的：2026 年，战场从「能做什么」的想象来到了「已经做了什么」的清单。在这份清单上，工业现场可能是最难写、也最值钱的一行。
