从感知环境到改变世界：陈龙博士首度公开演讲，解码工业物理AI的中国路径
江行智能Foundation Model CTO陈龙博士发表《从感知环境到改变世界：物理AI的机遇、路径和挑战》的重磅演讲
“AI的竞争已经从数字世界的模型参数之争，转向了真实物理世界的系统能力之争。”
5月25日，江行智能Foundation Model CTO陈龙博士在一场行业大会上发表题为《从感知环境到改变世界：物理AI的机遇、路径和挑战》的重磅演讲。这是陈龙博士正式加盟江行后的首次公开亮相，他以深厚的学术积淀与字节跳动火山引擎一线实战经验，系统阐述了中国工业物理AI的独特优势与江行智能的全栈技术布局。
以下为演讲精华实录。
一、核心判断
AI竞争正从“模型竞争”走向“物理系统竞争”
过去几年，生成式AI在数字世界充分证明了自身价值——能够完成内容生成、代码编写、智能问答等任务。但对于工业企业而言，真正的价值前线不在屏幕里，而在风电场、光伏电站、变电站、矿山、化工园区和生产车间这些真实的物理空间。
陈龙博士明确指出：
“当AI走进工业现场，竞争的核心不再是模型参数规模或单点算法准确率，而是能否将人工智能稳定、可控、低成本地部署到真实物理世界。”
工业现场的任务从来不是“看一张图判断有没有异常”这么简单，它需要完成数据采集、环境理解、设备接入、任务规划、执行反馈和闭环迭代的全流程。这意味着物理AI不是一个孤立的模型，而是一套能够在现场持续运行的完整智能系统。
作为拥有上海交大博士、西蒙菲莎大学博士后、字节跳动前高级研究员三重背景的顶尖科学家，陈龙博士在大规模算力集群管理与大模型工程化应用方面积累了丰富的工业界经验。他的这一判断，既来自学术前沿的深度思考，也来自产业一线的真实体感。
二、中国答案
五层产业基础造就物理AI最佳土壤
为什么工业物理AI在中国拥有最好的落地条件？陈龙博士给出了一个系统性的答案——中国已经形成了其他国家难以复制的五层系统性基础：
基于这五层基础，陈龙博士总结出中国工业物理AI的三大结构性机会：
● 供给侧底座机会：能源、网络、基础设施和边缘节点的持续完善
● 现场侧闭环机会：高密度场景让物理AI形成“部署—采集—训练—迭代—再部署”的完整数据飞轮
● 效率侧路线机会：高端芯片约束推动行业走向更高效、更低成本、更可控的技术路线
江行智能的定位，正是把这些组合优势组织成可部署、可复制、可持续迭代的工业物理AI系统。
三、技术硬核
江行智能三层全栈物理AI模型架构
工业现场的问题不能靠单一模型解决。基于这一认知，江行智能打造了面向工业场景的三层全栈物理AI模型架构，这也是陈龙博士此次演讲中最受关注的技术核心。
第一层：JX-Phi World（数据与基础设施层）
采用AutoEdge和AutoWorld双轮驱动：
● AutoEdge：负责真实工业数据的全流程处理，涵盖传感器、热成像、无人机巡检及低轨卫星遥感等全维度工业数据
● AutoWorld：世界模型仿真与数据引擎，通过生成式AI与3D重建技术模拟罕见场景和极端工况，让AI在仿真环境中把错误犯完，再部署到真实现场
第二层：JX-Phi Brain（模型层）
正在向工业场景World Action Model（WAM）演进，融合三类核心能力：
● S-VLM（空间视觉语言模型）：解决“感知+理解”，实现跨模态推理与工业场景建模
● LT-VLA（长任务视觉语言动作模型）：解决“感知+执行”，将复杂工业任务拆解为可执行的子任务
● 行业垂类模型：融入电力、化工、矿山等行业专业知识，目前已支持超1000个场站和点位的常态化数据采集
第三层：JX-Phi Agent（应用层）
核心是工业Harness和一脑多体控制两大技术：
● 工业Harness：让模型严格在工业流程和安全边界内运行，支持自动复核与专家审核介入
● 一脑多体：100B参数的全局预控制器，可接入无人机、机械狗、轮式机器人、固定摄像头、传感器、机械臂等多种终端
陈龙博士特别指出：“一个简单的机械狗检查设备读数任务，在工业场景中通常要拆成100到200个子任务，还需要综合考虑地形、气候等环境因素。”这与消费级AI的要求截然不同，也构成了江行智能的技术壁垒所在。
四、落地实证
500+变电站、600+场站验证技术可靠性
技术是否过硬，最终要看落地效果。
在新能源领域，江行智能的风光场站物理AI运维系统已在全国600+站群级场景中验证，实现7×24小时全天候巡检。传统人工巡检一个大型场站需要30天以上，而物理AI系统只需2天即可完成全站巡检。
在电网领域，变电站物理AI智巡系统已覆盖全国27个省份，在国家电网和南方电网体系中完成500+场景落地，核心算法准确率达到99%，平均准确率达到96%。
最受关注的是江行开发的搭载机械臂的机械狗——它能够自主完成电表箱开启、设备读数读取、简单调压操作等复杂任务，特别适用于狭小空间、高危区域等人员难以到达的场景。该设备在本地部署了8B参数量的端侧推理模型，结合边缘与云端算力，实现了高精度、低时延的作业能力。
结语
从感知环境到改变世界
作为江行智能Foundation Model CTO，陈龙博士的正式亮相，标志着公司在基础大模型领域的战略布局进入了全新阶段。从特聘专家到核心成员，从字节跳动到江行智能，陈龙博士带着对“物理AI必须走进真实工业现场”的坚定信念，全面负责公司基础大模型的技术路线规划、底层算力与架构的持续演进。
正如他在演讲最后所说的那样：
“下一阶段AI最重要的产业价值，不会只发生在屏幕里，而会发生在真实空间、真实设备、真实任务和真实生产力之中。”
江行智能希望和更多产业伙伴一起，让物理AI走进真实工业现场，从感知环境开始，真正用智能改变工业世界。
陈龙博士，上海交通大学计算机科学博士，西蒙菲莎大学博士后，曾任字节跳动高级研究员，参与火山引擎大模型架构设计。累计发表CCF A类论文30余篇、IEEE/ACM Transactions 20余篇，两次获得并行与分布式系统领域国际旗舰会议最佳论文奖。2026年5月正式加盟江行智能，出任Foundation Model CTO。
关于江行智能
江行智能成立于2018年，是国家级专精特新“小巨人”企业，专注于物理AI技术研发与产业化。公司构建了覆盖数据底座、认知模型、任务系统的完整物理AI技术体系，已在能源电力、工业制造等领域实现规模化商业落地，累计服务1000+场站。