深度｜清华系公司拿下10亿订单，打响物理AI第一场规模化战役

引言

AI进入物理世界，大众熟悉的画面就那几类。机器狗在草坪上奔跑，人形机器人在发布会上握手，无人车在特定路段穿行。

但还有一条路，至今仍是块被严重低估的宝藏。

工厂车间、能源场站、工程现场——这些地方没有发布会，没有聚光灯。但中国第二产业增加值近50万亿元，制造业规模连续15年全球第一。这不是边缘机会，是中国经济最厚实的地基。

这片主战场的门，并不好推开。

变电站里一个误操作，可能引发大面积停电。煤矿巷道里一次判断失误，可能是人命。这里需要的不是展示型技术，是能在零容错环境下日夜运行的战场技术。

正因如此，真正敢在这里扎下去的人，寥寥无几。

但总有人会在别人望而却步的地方扎根。这是一支90后清华博士团队，2018年从一套出租屋起步。

八年多时间，深入国家电网、南方电网、五大发电集团，覆盖400+变电站、600+新能源场站。2025年订单超5亿元，三年复合增长率近70%。

红杉（参数丨图片）资本天使轮起连续五年跟投，B++轮宁德时代、晶科能源等产业方入局。最懂这个行业的人，选择用真金白银投票。

这家一直处于水下的公司，叫江行智能。

01从变电站里长出来的物理AI

江行智能的起点，选在了门槛最高的领域之一：能源电力。

切入点很具体——用机器替代人，完成变电站的日常巡检。听起来是个清晰的任务，但真正进了现场，才发现问题远比想象中复杂。

第一道坎是感知。

最早的思路是装摄像头，让机器能"看见"现场。但变电站里的设备异常，有时体现在温度，有时是一段不正常的嗡鸣，有时是细微的振动。单靠视觉，根本判断不了全貌。

要让机器真正读懂设备状态，就必须同时整合视觉、红外、声纹等多维信号，在不同模态之间建立关联，才能准确判断。

这是今天江行智能"源问"大模型的起点。覆盖视觉、触觉、力觉、听觉及语言信号全模态，能识别和处置135类工业任务，算法实测准确率超95%。

感知的问题解决了，下一道坎随即出现。

每换一个站点，设备布局不同，机器就要重新"认路"，部署成本极高。一两个站点还好说，要规模化推广，这条路走不通。

机器必须具备对三维空间的自主理解能力——进了陌生站点，不需要人工提前标定，自己读懂环境，直接开始作业。

这推动了空间智能模型的建立。融合视频、红外、激光等多维感知数据，为机器构建可动态更新的4D空间记忆。今天已支持超过1000个场站的7×24小时数据采集。

解决了单台机器的问题，更大的矛盾浮出水面。

大型变电站里同时跑着无人机、机器狗、固定摄像头，各自为战，数据碎片化，指令相互冲突，效率极低。

要真正替代一支运维班组，这些设备必须像一个团队一样——有统一的大脑，统筹调度，协同作战。"一脑多体"架构由此诞生，今天已兼容100+类可控设备，实现空地一体的多体协同作业。

这是从"机器工具"到"机器团队"的本质跃升。

到这里，机器能感知、能理解、能协同，但还差最后一步：动手执行。

拨动开关、合闸、复位、状态核验——这些操作对精度和规程的要求极高，稍有偏差可能损坏设备，甚至引发事故。

具身操作模型要解决的，就是让机器严格按工业规程把每一步动作执行到位，同时能在过程中实时识别异常并自主调整。这套模型依托真机数采基地持续进行Sim-to-Real迁移训练，在仿真环境里练，在真实机器上校准。

感知、理解、协同、执行——四项能力，不是在实验室里规划出来的，是被现场一个接一个的真实问题逼出来的。

沿着这条路走下来，江行建立的已不是一个场景的专用工具，而是一套可以横向迁移的物理AI基础能力。

这套能力背后，还有一道外人看不见的护城河。

训练一个能在变电站里稳定工作的AI模型，需要的不是互联网上的图文数据，而是真实工业现场采集的设备图像、传感器读数、故障样本。这类数据极度稀缺，几乎不可能通过仿真批量生成。

这道壁垒的本质不是钱，是时间。只能靠在现场一年一年地跑出来。

七年持续运营，意味着每天都有新数据流入。模型越准，客户越愿意部署；部署越多，数据积累越快。这个飞轮，正在越转越快。

江行的工业数据集入选国家数据局首批高质量数据集。这不只是一项荣誉，是对这七年积累最直接的官方背书。

02物理AI引擎：能力怎么组织和交付

四项能力建立起来之后，还有一个问题：怎么让它们在真实的工业现场高效运转？

江行的答案是云—边—端三层架构，各司其职。

终端的具身智算模组部署在设备本地，负责实时感知和本地执行，可适配上百类可控终端。江行不造机器人的身体，但所有身体都能被统一驱动。

边端的域控制服务器是现场的任务大脑。接收云端下发的模型能力，负责拆解任务、协调多台设备协同作业。

云端的AutoEdge飞轮平台是整个系统的进化中枢。每日处理10万小时实时数据，将前端的真实操作数据持续用于模型迭代，再将最新能力下发回终端。

数据自下而上流动，能力自上而下赋能，循环不止。系统越用，越聪明。

03技术好不好，市场最诚实

技术叙事可以讲得很漂亮。但在能源电力这个行业，客户不会因为PPT买单。

国家电网的采购体系，是中国工业领域最严格的供应商筛选机制之一。从技术测试到现场验证，再到正式入围，整个周期少则一年，多则更长。

每一关都是真刀真枪的考验，容不得半点包装。

江行在国家电网智能巡视核心供应商短名单上持续在列。意味着它的产品已经在最苛刻的环境下，反复经历了这套筛选。

数字是另一种语言。

2025年，江行智能订单超过5亿元，三年复合增长率近70%，并于当年实现盈利。这个增速，发生在一个以采购周期长、决策链复杂著称的行业里。

国家电网、南方电网、五大发电集团、中国石油、国家电投、大唐集团——客户覆盖全国27个省份，150+头部企业。

能同时出现在这些客户的供应链里，说明江行的产品已经不只是在被"试用"，而是真正成为中国能源基础设施运维体系的一部分。

江行从一开始就想清楚了一件事：不造机器人的身体，只做物理AI的大脑。

宇树科技、云深处这些头部机器人公司，正在和江行形成一套清晰的分工。硬件厂商负责机器人本体的运动能力和制造工艺，江行负责感知、理解、协同、执行的AI能力。

两者结合，形成可以直接交付给客户的完整产品。物理AI的竞争从来不是单打独斗，而是生态之间的竞争。江行在这套生态里，选择了最核心的位置。

而能源电力，始终只是起点。

煤炭、管网、冶炼，这些行业和变电站有高度相似的痛点——高危环境、设施分散、长期依赖人力。江行的技术在变电站里跑通了，迁移到这些场景，底层逻辑是一样的。

目前已覆盖煤矿10+矿区，长输管道巡检完成首批商业交付。一套在最难的地方验证过的能力，正在向更广阔的工业版图延伸。

结语

物理AI真正的竞争，本质上是一场数据飞轮的竞争。谁先在最难的场景里积累起足够深的数据，谁就建立起最难被复制的护城河。

江行七年在能源电力领域的深耕，正是这场竞争里最重要的先发优势。

流程工业、离散制造、物流仓储——这些领域规模庞大，场景复杂，长期依赖人力。工业服务市场总体量以数万亿计。

物理AI要做的，是用机器的感知、判断和执行能力，系统性地重塑这些领域的作业方式。这不是一个细分赛道的机会，是一次工业体系的底层重构。

从一套出租屋出发，八年时间，江行在别人望而却步的地方，打完了物理AI在能源电力领域的第一场规模化战役。

接下来迎接的是，数十万亿的工业版图。