远见网一、江行智能连续完成两轮数亿元战略融资
近期，江行智能连续完成两轮数亿元战略融资。这是江行智能半年内完成的第三轮融资。至今，江行已经聚集起国内顶级VC及十余个产业方的股东阵容。
据悉，本次资金将重点投向顶尖人才引进、算力建设、物理AI标准化产线建设及数采中心落地。
江行智能创始人、CEO庞海天表示：“市场用真金白银告诉我们，这条路是对的。
物理AI不是实验室里的玩具，而是能在零下20度变电站中7×24小时稳定运行的工业级大脑。”
在很多人的印象里，机器人应该是人形的、灵活的、甚至能泡咖啡的。
但在真实的变电站里，运维人员从进站到离站，中间要完成的是一整套连续流程：导航、避障、识别、判断、操作、复核。
“这不是几个动作的简单叠加，而是一个连续任务。” 江行智能CEO庞海天指出。
判断一家物理AI公司的核心标准只有一个：机器人能不能真正进入真实物理世界去作业。
江行智能不做那些为了发布会而存在的炫技。他们只解决一个问题：如何让机器在复杂的物理空间里，像资深运维人员一样思考和行动。
工业现场对AI的要求更朴素，也更苛刻：看得见，识别准，判断稳，最终能把任务做完。
江行智能近期在一次公开演讲中提到，AI竞争正在从数字世界的模型参数之争，转向真实物理世界的系统能力之争。
1、江行智能已经拥有“一脑多体引擎”
这句话可以视为它对自身位置的概括。
到2025年，江行智能已经拥有“一脑多体引擎”，适配100+设备类别，覆盖挂轨机器人、无人机、四足机器人、人形机器人等终端。
过去三年，公司复合增长率近70%，累计订单达到10亿量级，并已经实现盈利。
图/搭载物理AI大脑JX-Phi Brain的机器狗在水电站自主作业
它把自己定义为一家“物理AI大脑公司”。所谓“大脑”，指的并不是某一种固定机器人本体。
机器狗、无人机、挂轨机器人、人形机器人，都只是进入现场的载体。
真正要沉淀下来的，是机器在复杂环境里看懂、判断、执行任务的能力。
这个方向听起来很新，但江行智能并不是从概念最热的时候才挤进牌桌。甚至某种意义上，这家公司走到今天，反而很像一次“黯淡蓝点”式的回望。
1990年2月，已经在太空中飞行了十多年的旅行者一号，按照卡尔·萨根的建议，将镜头转向遥远的地球。
那张照片里，地球只是悬在太阳光束中的一个微弱蓝点。
它没有带来新的工程数据，却让人类第一次在宇宙尺度上看见自己：所有宏大的理想，最终都要回到这个小小的真实世界里。
二、但回到最初与人们期待AI
1、但回到最初与人们期待AI
AI也是如此。大模型、世界模型、VLA、具身智能、物理AI，每一个词都指向更远的未来。
但回到最初，人们期待AI，并不是为了制造更多概念，而是希望技术能够帮助人类完成那些困难、危险、重复、低效，却始终必须有人去做的工作。
在风电场、光伏电站、变电站、矿山、化工园区和生产车间里，AI面对的不再是文本和代码，而是设备、空间、环境、规程和作业结果。
一次误判可能不是重新生成一段答案，而是漏掉一次隐患、按错一个按钮，甚至造成安全事故。
2018年，江行智能成立。对当时的江行来说，电力行业的吸引力很具体。它不是一个靠概念就能打动客户的市场。
仪表读数要识别，开关状态要判断，设备异常要发现，现场规程要遵守。
一个模型在实验室里识别对了还不够，到了变电站里，光线、角度、遮挡、天气、设备差异都会让问题变得复杂。
系统最终能不能用，要看它在现场跑得稳不稳。
这段早期经历，决定了江行智能后来的很多选择。它没有先从机器人本体切入，也没有先把自己包装成一个更宏大的概念。
它最早面对的是电力客户的日常运维问题：哪些地方人不该去，哪些故障不能漏，哪些操作不能错。
后来公司谈“一脑多体”、谈物理AI，实际延续的还是这条路径——让机器真正进入现场，替人完成那些危险、重复、细碎却必须完成的工作。
2、江行智能越能确认一件事
图/搭载物理AI大脑JX-Phi Brain的机器狗在按照规划路线巡视
在工业现场待得越久，江行智能越能确认一件事：机器人不会只有一种形态。
工业场景的空间结构、作业流程和危险边界都不同。
有些地方适合挂轨机器人长期巡检，有些地方需要无人机越过复杂地形，有些地方机器狗更容易进入，人形机器人未来也会承担更多操作类任务。
工业客户最终关心的，也从来不是某一种机器人长什么样，而是任务有没有完成，隐患有没有发现，风险有没有被控制住。
庞海天在采访里举过一个很直观的例子：真实场景有成本约束，也有环境限制。
你不可能造出一个机器人，既能飞天，又能下海，还能在地上跑，双手还极其灵活。那基本就是“钢铁侠”了。
对工业现场来说，更现实的结果是多种机器人长期并存，不同本体进入不同场景，最后由同一套智能系统理解任务、调用能力、完成作业。
真正需要沉淀下来的，是同一套“大脑”在不同身体之间迁移的能力：看懂设备，理解空间，识别异常，遵守规程，判断下一步该怎么做。
这套大脑要解决的，也不是单点识别问题。
一个运维人员进入变电站，从进站到离站，往往要完成一整套连续流程：导航、避障、识别、判断、操作、复核。
三、是让机器像一个熟练工人一样进入现场
机器如果只能看懂一张图，或者只会完成一个固定动作，仍然停留在传统自动化里。
江行智能想做的，是让机器像一个熟练工人一样进入现场，知道自己在哪里，知道眼前设备是什么，知道接下来要做什么，也知道哪些事情绝对不能做错。
机器人翻跟头、跳舞、打招呼，容易被看见。
但在电力、矿山、化工这些场景里，真正难的是长期稳定地完成那些不吸睛的工作。
仪表读数不能误判，开关状态不能看错，异常告警不能漏掉，操作动作不能越过规程边界。
家里的机器人叠错一件衣服，大不了重新来；工业现场按错一个按钮，后果可能完全不同。
江行智能的选择，是把这些现场经验、作业规程和任务数据都沉进“大脑”里。
硬件形态会变化，客户现场也会变化，但设备理解、空间建模、任务规划、动作决策和安全约束可以不断复用。
这个数字背后，真正有价值的并不是接入了多少种设备，而是同一套物理AI大脑开始具备跨本体、跨场景工作的能力。
这也是江行智能想象中的终局：未来工业现场会有各种各样的具身智能体在工作，但驱动它们理解世界、执行任务的，可以是同一个大脑。
1、MoW实现了多任务与多本体的协同调度
基于八年场景积累，江行智能构建了JX-Phi全栈架构，通过“看懂环境—想清任务—做对动作”的三层闭环，将物理AI从概念落地为生产力。
这一技术体系已在国际顶会（ICLR/ICML 2026）完成“三连击”，精准击穿了工业落地的三大痛点：OC-STORM赋予机器在复杂光照下“理解”环境的能力，解决了“看得准”的问题；
MoW实现了多任务、多本体的协同调度，解决了“算得清”的问题；
而DyGRO-VLA则将执行精度延伸至动作级的可控与可追责，解决了工业场景最看重的“做得对”的问题。
这不仅是对技术的验证，更是对江行智能“一脑多体”战略的强力支撑。
客户看的仍然是更具体的结果：仪表有没有读错，缺陷有没有漏掉，机器人有没有走到正确位置，按钮有没有按对，任务有没有按规程闭环，系统能不能连续运行。
论文里的准确率和成功率，只能说明模型具备某种潜力；
到了现场，光照变化、遮挡、天气、设备老化、场站差异、规程差异，都会重新考验这项潜力。
所以江行智能这一轮融资投向里，顶尖人才、算力建设、物理AI标准化产线和数采中心，不是四个分散用途。
顶尖人才继续把世界模型、VLA和具身智能大脑往前推；标准化产线解决不同终端的适配、装配、测试和批量交付；
数采中心则把真实场景里的图片、视频、传感器信号、任务过程、异常案例持续收回来。
四、新的能力再回到产品与终端
1、新的能力再回到产品与终端
现场出现的问题进入数据，数据进入训练和仿真，新的能力再回到产品和终端。
只有这个链条跑起来，模型才有机会跨过单一项目，进入更多场站。
对江行智能来说，一篇论文发表之后，真正的工作才刚开始。
模型要被写进系统，系统要被装进终端，终端要进入风电场、变电站、矿山巷道和化工园区。
到了那里，世界模型面对的不再是抽象世界，而是一块仪表、一扇柜门、一段巡检路线、一个不能按错的按钮。
旅行者一号回望地球时，人类在一颗微弱蓝点里重新看见了所有出发的理由。技术公司的星辰大海也需要这样的回望。
世界模型可以指向很远的未来，但它最终要回答的，仍然是一个很近的问题：机器能不能在真实现场里，把一项具体任务稳稳做完。
投中网：江行最开始起步的时候，其实没有“物理AI”“世界模型”“具身智能”这些词。
那时候机器人也不火，写选题可能都得蹭《变形金刚》的热度。
我很好奇江行是什么时候意识到，自己做的事情可以通向物理AI？
2、我们做的事情其实早就超出了传统工业自
一方面，我们一直在把智能算法应用到工业、能源场景里；另一方面，我们做的事情其实早就超出了传统工业自动化。
我们不是只做单点、重复、机械式操作，而是希望机器的“眼睛”和“脑子”都变得更强。
机器的眼睛能不能比人的眼睛更敏锐，能不能更早发现故障和隐患？机器的大脑能不能比人的专家更擅长做判断和鉴别？
这些问题，我们一直在做。
现在回头看，过去几年我们其实就在构建今天所谓“世界模型”和“大脑”的底层数据关系。
只是那个时候，我们不会用“世界模型”这个词来描述。江行从第一天起就在工业现场里打磨系统。
过去几年，我们围绕设备、环境、人员操作流程和任务规程，持续打磨场景理解、工程反馈和交付经验。
等到大模型、世界模型、VLA起来之后，这些积累又成了物理AI大脑继续迭代的基础。
所以对我们来说，从工业智能化走向物理AI，是一个很自然的过程。
我们不需要重新去“找场景”“找钉子”，因为场景在我们手里，数据训练的成果也在我们手里。
我们在一个电力客户那里，参加了他们专门为“物理AI/最新机器人技术”办的一场竞赛。客
