深度｜清華系公司拿下10億訂單，打響物理AI第一場規模化戰役

引言

AI進入物理世界，大眾熟悉的畫面就那幾類。機器狗在草坪上奔跑，人形機器人在發布會上握手，無人車在特定路段穿行。

但還有一條路，至今仍是塊被嚴重低估的寶藏。

工廠車間、能源場站、工程現場——這些地方沒有發布會，沒有聚光燈。但中國第二產業增加值近50萬億元，制造業規模連續15年全球第一。這不是邊緣機會，是中國經濟最厚實的地基。

這片主戰場的門，并不好推開。

變電站里一個誤操作，可能引發大面積停電。煤礦巷道里一次判斷失誤，可能是人命。這里需要的不是展示型技術，是能在零容錯環境下日夜運行的戰場技術。

正因如此，真正敢在這里扎下去的人，寥寥無幾。

但總有人會在別人望而卻步的地方扎根。這是一支90后清華博士團隊，2018年從一套出租屋起步。

八年多時間，深入國家電網、南方電網、五大發電集團，覆蓋400+變電站、600+新能源場站。2025年訂單超5億元，三年復合增長率近70%。

紅杉資本天使輪起連續五年跟投，B++輪寧德時代、晶科能源等產業方入局。最懂這個行業的人，選擇用真金白銀投票。

這家一直處于水下的公司，叫江行智能。

01從變電站里長出來的物理AI

江行智能的起點，選在了門檻最高的領域之一：能源電力。

切入點很具體——用機器替代人，完成變電站的日常巡檢。聽起來是個清晰的任務，但真正進了現場，才發現問題遠比想象中復雜。

第一道坎是感知。

最早的思路是裝攝像頭，讓機器能"看見"現場。但變電站里的設備異常，有時體現在溫度，有時是一段不正常的嗡鳴，有時是細微的振動。單靠視覺，根本判斷不了全貌。

要讓機器真正讀懂設備狀態，就必須同時整合視覺、紅外、聲紋等多維信號，在不同模態之間建立關聯，才能準確判斷。

這是今天江行智能"源問"大模型的起點。覆蓋視覺、觸覺、力覺、聽覺及語言信號全模態，能識別和處置135類工業任務，算法實測準確率超95%。

感知的問題解決了，下一道坎隨即出現。

每換一個站點，設備布局不同，機器就要重新"認路"，部署成本極高。一兩個站點還好說，要規模化推廣，這條路走不通。

機器必須具備對三維空間的自主理解能力——進了陌生站點，不需要人工提前標定，自己讀懂環境，直接開始作業。

這推動了空間智能模型的建立。融合視頻、紅外、激光等多維感知數據，為機器構建可動態更新的4D空間記憶。今天已支持超過1000個場站的7×24小時數據采集。

解決了單臺機器的問題，更大的矛盾浮出水面。

大型變電站里同時跑著無人機、機器狗、固定攝像頭，各自為戰，數據碎片化，指令相互沖突，效率極低。

要真正替代一支運維班組，這些設備必須像一個團隊一樣——有統一的大腦，統籌調度，協同作戰。"一腦多體"架構由此誕生，今天已兼容100+類可控設備，實現空地一體的多體協同作業。

這是從"機器工具"到"機器團隊"的本質躍升。

到這里，機器能感知、能理解、能協同，但還差最后一步：動手執行。

撥動開關、合閘、復位、狀態核驗——這些操作對精度和規程的要求極高，稍有偏差可能損壞設備，甚至引發事故。

具身操作模型要解決的，就是讓機器嚴格按工業規程把每一步動作執行到位，同時能在過程中實時識別異常并自主調整。這套模型依托真機數采基地持續進行Sim-to-Real遷移訓練，在仿真環境里練，在真實機器上校準。

感知、理解、協同、執行——四項能力，不是在實驗室里規劃出來的，是被現場一個接一個的真實問題逼出來的。

沿著這條路走下來，江行建立的已不是一個場景的專用工具，而是一套可以橫向遷移的物理AI基礎能力。

這套能力背后，還有一道外人看不見的護城河。

訓練一個能在變電站里穩定工作的AI模型，需要的不是互聯網上的圖文數據，而是真實工業現場采集的設備圖像、傳感器讀數、故障樣本。這類數據極度稀缺，幾乎不可能通過仿真批量生成。

這道壁壘的本質不是錢，是時間。只能靠在現場一年一年地跑出來。

七年持續運營，意味著每天都有新數據流入。模型越準，客戶越愿意部署；部署越多，數據積累越快。這個飛輪，正在越轉越快。

江行的工業數據集入選國家數據局首批高質量數據集。這不只是一項榮譽，是對這七年積累最直接的官方背書。

02物理AI引擎：能力怎么組織和交付

四項能力建立起來之后，還有一個問題：怎么讓它們在真實的工業現場高效運轉？

江行的答案是云—邊—端三層架構，各司其職。

終端的具身智算模組部署在設備本地，負責實時感知和本地執行，可適配上百類可控終端。江行不造機器人的身體，但所有身體都能被統一驅動。

邊端的域控制服務器是現場的任務大腦。接收云端下發的模型能力，負責拆解任務、協調多臺設備協同作業。

云端的AutoEdge飛輪平臺是整個系統的進化中樞。每日處理10萬小時實時數據，將前端的真實操作數據持續用于模型迭代，再將最新能力下發回終端。

數據自下而上流動，能力自上而下賦能，循環不止。系統越用，越聰明。

03技術好不好，市場最誠實

技術敘事可以講得很漂亮。但在能源電力這個行業，客戶不會因為PPT買單。

國家電網的采購體系，是中國工業領域最嚴格的供應商篩選機制之一。從技術測試到現場驗證，再到正式入圍，整個周期少則一年，多則更長。

每一關都是真刀真槍的考驗，容不得半點包裝。

江行在國家電網智能巡視核心供應商短名單上持續在列。意味著它的產品已經在最苛刻的環境下，反復經歷了這套篩選。

數字是另一種語言。

2025年，江行智能訂單超過5億元，三年復合增長率近70%，并于當年實現盈利。這個增速，發生在一個以采購周期長、決策鏈復雜著稱的行業里。

國家電網、南方電網、五大發電集團、中國石油、國家電投、大唐集團——客戶覆蓋全國27個省份，150+頭部企業。

能同時出現在這些客戶的供應鏈里，說明江行的產品已經不只是在被"試用"，而是真正成為中國能源基礎設施運維體系的一部分。

江行從一開始就想清楚了一件事：不造機器人的身體，只做物理AI的大腦。

宇樹科技、云深處這些頭部機器人公司，正在和江行形成一套清晰的分工。硬件廠商負責機器人本體的運動能力和制造工藝，江行負責感知、理解、協同、執行的AI能力。

兩者結合，形成可以直接交付給客戶的完整產品。物理AI的競爭從來不是單打獨斗，而是生態之間的競爭。江行在這套生態里，選擇了最核心的位置。

而能源電力，始終只是起點。

煤炭、管網、冶煉，這些行業和變電站有高度相似的痛點——高危環境、設施分散、長期依賴人力。江行的技術在變電站里跑通了，遷移到這些場景，底層邏輯是一樣的。

目前已覆蓋煤礦10+礦區，長輸管道巡檢完成首批商業交付。一套在最難的地方驗證過的能力，正在向更廣闊的工業版圖延伸。

結語

物理AI真正的競爭，本質上是一場數據飛輪的競爭。誰先在最難的場景里積累起足夠深的數據，誰就建立起最難被復制的護城河。

江行七年在能源電力領域的深耕，正是這場競爭里最重要的先發優勢。

流程工業、離散制造、物流倉儲——這些領域規模龐大，場景復雜，長期依賴人力。工業服務市場總體量以數萬億計。

物理AI要做的，是用機器的感知、判斷和執行能力，系統性地重塑這些領域的作業方式。這不是一個細分賽道的機會，是一次工業體系的底層重構。

從一套出租屋出發，八年時間，江行在別人望而卻步的地方，打完了物理AI在能源電力領域的第一場規模化戰役。

接下來迎接的是，數十萬億的工業版圖。